Predicciones financieras usando redes neuronales artificiales: una revisión sistemática de literatura
Financial forecasting using artificial neural networks: a systematic literature review
Palabras clave:
Redes neuronales artificiales, híbrido, mercado accionario, perceptrón multicapaResumen
El uso de técnicas, métodos y procedimientos que ayuden al proceso de predicción de mercados financieros es una tarea que ha sido bastante estudiada y desarrollada en la última década. Dentro de estas técnicas se pueden encontrar diferentes enfoques, siendo el más común, el uso de inteligencia computacional. Dentro de este campo, se resaltan las redes neuronales artificiales, las cuales son sistemas altamente sofisticados de reconocimiento de padrones, capaces de aprender a través de la(s) relación(es) en los padrones insertados en la información (datos). El objetivo de esta investigación es conocer el estado del arte de los últimos 3 años respecto al uso de estas técnicas en predicciones financieras. Los resultados arrojan que la arquitectura de red neural artificial más usada es la Perceptron multicapa - MLP. Como conclusión general se puede decir que existe un gran interés en el uso de las metodologías basadas en Redes Neuronales Artificiales para la predicción de índices accionarios.
Descargas
Referencias
Abbassi, N. M., Aghaei, M. A., & Fard, M. M. (2014). An integrated system based on fuzzy genetic algorithm and neural networks for stock price forecasting: Case study of price index of Tehran Stock Exchange. International Journal of Quality and Reliability Management, 31(3), 281-292.
Abhishek, K., Khairwa, A., Pratap, T., & Prakash, S. (2012). A stock market prediction model using Artificial Neural Network. Paper presented at the 2012 3rd International Conference on Computing, Communication and Networking Technologies, ICCCNT 2012.
Adetiba, E., Ike, D. U., & Owolabi, F. O. (2013). An intelligent foreign exchange robot (i-FOREXBOT) development with scale conjugate gradient neural network. Paper presented at the Creating Global Competitive Economies: 2020 Vision Planning and Implementation - Proceedings of the 22nd International Business Information Management Association Conference, IBIMA 2013.
Akbilgic, O., Bozdogan, H., & Balaban, M. E. (2014). A novel Hybrid RBF Neural Networks model as a forecaster. Statistics and Computing, 24(3), 365-375.
Arango, A., & D Velasquez, J. (2014). Forecasting the Colombian Exchange Market Index (IGBC) using Neural Networks. Latin America Transactions, IEEE (Revista IEEE America Latina), 12(4), 718-724.
Babu, C. N., & Reddy, B. E. (2014). A moving-average filter based hybrid ARIMA-ANN model for forecasting time series data. Applied Soft Computing Journal, 23, 27-38.
Bagherifard, K., Nilashi, M., Ibrahim, O., Janahmadi, N., & Ebrahimi, L. (2012). Comparative study of artificial neural network and ARIMA models in predicting exchange rate. Research Journal of Applied Sciences, Engineering and Technology, 4(21), 4397-4403.
Banik, S., Khan, A. F. M. K., & Anwer, M. (2012). Dhaka stock market timing decisions by hybrid machine learning technique. Paper presented at the Proceeding of the 15th International Conference on Computer and Information Technology, ICCIT 2012.
Banik, S., Khan, A. F. M. K., & Anwer, M. (2014). Hybrid machine learning technique for forecasting dhaka stock market timing decisions. Computational Intelligence and Neuroscience, 2014.
Barreto, J. M. (2002). Introdução ás redes neurais artificiais: Escola regional de informática da SBC.
Batchelor, W. D., Yang, X. B., & Tschanz, A. T. (1997). Development of a neural network for soybean rust epidemics. Transactions of the ASAE, Saint Joseph, 40(1), 247-252.
Bharath, R., & Dorsen, J. (1994). Neural network computing. New York: McGraw-Hill.
Bishop, C. M. (1995). Neural Networks for pattern recognition. Oxford: Clarendon Press.
Chang, P. C., Wang, D. D., & Zhou, C. L. (2012). A novel model by evolving partially connected neural network for stock price trend forecasting. Expert Systems with Applications, 39(1), 611-620.
Chang, Y. H., & Wang, S. C. (2013). Integration of evolutionary computing and equity valuation models to forecast stock values based on data mining. Asia Pacific Management Review, 18(1), 63-78.
Dai, W., Wu, J. Y., & Lu, C. J. (2012). Combining nonlinear independent component analysis and neural network for the prediction of Asian stock market indexes. Expert Systems with Applications, 39(4), 4444-4452.
Dai, Y., Han, D., & Dai, W. (2014). Modeling and computing of stock index forecasting based on neural network and Markov chain. The Scientific World Journal, 2014.
Dai, Y., Han, D., & Dai, W. (2014). Modeling and Computing of Stock Index Forecasting Based on Neural Network and Markov Chain. The Scientific World Journal, 2014, 9. doi: 10.1155/2014/124523
De Oliveira, F. A., Nobre, C. N., & Zárate, L. E. (2013). Applying Artificial Neural Networks to prediction of stock price and improvement of the directional prediction index - Case study of PETR4, Petrobras, Brazil. Expert Systems with Applications, 40(18), 7596-7606.
Dzikevičius, A., & Stabužyte, N. (2012). Forecasting OMX vilnius stock index - a neural network approach. Business: Theory and Practice, 13(4), 324-332.
Elsevier B.V. (2014). SCOPUS - An eye on global research. Abstract and citation database of peer-reviewed literature: scientific journals, books and conference proceedings. Retrieved 28 Oct, from Elsevier B.V. available in: http://www.scopus.com/
Fausett, L. (1994). Fundamentals of Neural Networks: Architectures, Algorithms, and Applications: Prentice Hall International Edition.García, M. C., Jalal, A. M., Garzón, L. A., & López, J. M. (2013). Ecos de Economía, Año 17(37), 51-82.
Hornik, K., Stinchcombe, M., & White, H. (1990). Universal approximation of an unknown mapping and its derivatives using multilayer feedforward networks. Neural Networks, 3(5), 551-560. doi: 10.1016/0893-6080(90)90005-6
Karamouzis, S. T., & Vrettos, A. (2008, October 22 - 24). An Artificial Neural Network for Predicting Student Graduation Outcomes Paper presented at the World Congress on Engineering and Computer Science, San Francisco, USA.
Kitchenham, B. (2004). Procedures for performing systematic reviews Joint technical report (Vol. 33, pp. 1- 28). Empirical Software Engineering National ITC Australia Ltd (Australia): Department of computer sciences, Keele University (UK).
Kitchenham, B. (2007). Guidelines for performing systematic literature reviews in software engineering Technical report, EBSE Technical Report EBSE-2007-01 (pp. 1-57). Keele (UK): Keele University.
Livieris, I. E., Drakopoulou, K., & Pintelas, P. (2012). Predicting students' performance using artificial neural networks. Paper presented at the Actas de la octava Conferencia Papers Panhelénico Internacional "Tecnologías de la Información y la Comunicación en la Educación", Volos.
Oladokun, V. O., Adebanjo, A. T., & Charles-Owaba, O. E. (2008). Predicting Students’ Academic Performance using Artificial Neural Network: A Case Study of an Engineering Course. . The Pacific Journal of Science and Technology, 9(1), 72-79.
Riedmiller, M., & Braun, H. (1993). A direct adaptive method for faster backpropagation learning: The Rprop algorithm. Paper presented at the IEEE International Conference on Neural Networks, San Francisco, CA.
Roush, W. B., Cravener, T. L., Kirby, K. Y., & Wideman, R. F. J. (1997). Probabilistic Neural Network Prediction of Ascites in Broilers Based on Minimally Invasive Physiological Factors. Poultry Science, 76, 1513-1516.
Tsoukalas, L., & Uhrig, R. E. (1997). Fuzzy and neural approaches in engineering. New York: Wiley Interscience.
Von Zuben, F. J. (2003). Uma caricatura funcional de redes neurais artificiais. Revista da Sociedade Brasileira de Redes Neurais, 1(2), 66-76.
Von Zuben, F. J. (2011). Introdução às redes neurais artificiais. Retrieved 20 de mayo, 2014, from ftp://ftp.dca.fee.unicamp.br/pub/docs/vonzuben/ea072_2s11/topico1_1_EA072_2s2011.pdf
Publicado
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Copyright
Los autores conservan la titularidad de los derechos de autor (copyright) y mantienen, sin restricciones, todos los derechos de publicación sobre sus obras.
Al enviar un manuscrito y ser aceptado para su publicación en ESTRATEGIA, los autores conceden a la revista únicamente el derecho de la primera publicación del artículo. El trabajo se publica bajo la licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0).
Esta licencia permite a cualquier usuario:
- Compartir (copiar y redistribuir) el material en cualquier medio o formato.
- Adaptar (remezclar, transformar y construir a partir del material).
Siempre que se cumplan las siguientes condiciones:
- Atribución (BY): Se debe otorgar el reconocimiento adecuado a los autores y a la revista como lugar de publicación original.
- No Comercial (NC): El material no puede utilizarse con fines comerciales.
- Compartir Igual (SA): Si se modifica o adapta el material, la obra derivada deberá distribuirse bajo la misma licencia.
Los autores pueden celebrar acuerdos contractuales adicionales para la distribución no exclusiva de la versión publicada de su artículo (por ejemplo, depositarla en un repositorio institucional, publicarla en un libro o incluirla en una obra posterior), siempre que se reconozca la publicación inicial en ESTRATEGIA.
La revista no impone restricciones adicionales sobre los derechos de publicación de los autores, quienes conservan plenamente el copyright y todos los derechos para reutilizar, distribuir, archivar y difundir sus trabajos, de conformidad con los términos de la licencia CC BY-NC-SA 4.0.
