Examinando por Materia "Artificial neural network"

Mostrando 1 - 3 de 3
  • Miniatura
    PublicaciónAcceso abierto
    Factibilidad para predecir precios en el corto plazo de un par de divisa. Caso: EUR/USD
    (Universidad EIA, 2010) González Escobar, Jorge León; Velásquez Ramírez, Luis Germán
    RESUMEN: El mercado de divisas es el mercado financiero más grande después de los mercados de derivados y el más líquido del mundo, lo que convierte a los pares que se negocian en él en activos de alta bursatilidad y alto riesgo. Más allá del hecho de que exista la negociación de instrumentos financieros, ya sea para la compra o venta de divisas con fin especulativo o de inversión, el verdadero subyacente de dicho mercado es la actividad económica real. El trabajo comienza por analizar el proceso de construcción de las redes neuronales artificiales como un método de inteligencia computacional que ha probado ser efectivo al modelar comportamientos o variables aplicadas a la realidad, siendo los campos de la econometría y las finanzas uno de ellos. Aunque no existe una teoría o proceso a priori para construir una red neuronal, se plantea una aproximación concreta con base en la opinión de un experto consultado y el criterio del autor que parte de la analogía encontrada entre los requerimientos de la técnica computacional seleccionada y las disposiciones del mercado financiero de divisas. Así mismo, se destacan las ventajas y desventajas al utilizar la técnica computacional seleccionada sobre otros modelos estadísticos y técnicas computacionales inteligentes. A continuación se determinan las variables y parámetros exógenos al par de divisas escogido, con base en uno de los dos enfoques sugeridos por los expertos en mercados de divisas Heinz Riel (Citibank) y Rita M. Rodríguez (Universidad de Illinois, Chicago), que están sujetos a afectar el interés por la oferta y la demanda de dicho par en el mercado. Este enfoque implica realizar un análisis de las variables macroeconómicas agregadas de los países propios de las monedas involucradas, que fueron segmentadas en variables de corto y largo plazo. De la misma manera, se plantea un grupo de variables que si bien son exógenas a la teoría macroeconómica, su nivel de correlación con la divisa escogida podría servir para modelar y pronosticar el par en el muy corto plazo. Para validar la elección de estas variables, se acudió a la opinión de un operador experto del mercado de divisas. Posterior a la elección de las variables fundamentales, se realiza la selección de las técnicas computacionales sujetas a modelar y a pronosticar el par de divisa EUR/USD. Para ello, fue necesario adelantarse a la experimentación pues como se mencionó anteriormente, no existe un proceso teórico definido que indique cómo construir un modelo computacional que permita obtener resultados satisfactorios sobre la replicación y el pronóstico de un sistema financiero. Con base en el ensayo, fue posible obtener la evidencia suficiente para clasificar según las ventajas y falencias los métodos estudiados y, posteriormente, elegir el más apto. La siguiente etapa del proyecto corresponde a la definición de la topología de la red al igual que el método de entrenamiento. Partiendo de la experimentación con técnicas metaheurísticas, se eligió la que fuera más poderosa y adecuada para entrenar las redes neuronales artificiales (en adelante RNAs) según los resultados obtenidos sobre las conexiones neuronales. Se decidió por no combinar las técnicas evaluadas (aprendizaje híbrido) y se implementó sólo la técnica más apta. La selección de la topología, al igual que el entrenamiento, respondió al ensayo y a la implementación por error. Como anexo de este capítulo, se incluye parte del código desarrollado en Microsoft® Visual C#, Matlab® y el programa estadístico gratuito por preferencia R-Project® para entrenar las redes mediante algunos tipos de algoritmos evolutivos. La etapa conclusiva del proyecto responde a una evaluación estadística de los resultados obtenidos en los modelos y sus pronósticos. Para ello, se validaron mediante pruebas de hipótesis los supuestos que permitieron en primer lugar utilizar técnicas no paramétricas (como las RNAs) para modelar y pronosticar la variable en cuestión. Finalmente, se realizó una comparación del error que arrojaron los modelos y sus pronósticos, con el fin de medir la precisión y establecer cuál fue la red más asertiva.
  • Miniatura
    PublicaciónSólo datos
    Pronóstico de series temporales financieras mediante la utilización de modelos neuroevolutivos
    (Universidad EIA, 2013) Colorado Iriarte, Andrés; Carrasquilla Quintero, Felipe; Peña Palacio, Alejandro
    Conocer el comportamiento del valor de un activo financiero en un mercado de valores, es una de las principales preocupaciones que afrontan las empresas y las personas alrededor del mundo, y hoy en día este campo constituye uno de los principales objetos de estudio tanto en el ámbito académico como empresarial. Para la solución de este problema, se han desarrollado diferentes modelos computacionales entre los que se destacan los modelos por redes neuronales, los cuales han sido utilizados ampliamente para pronosticar muchos tipos de series temporales. Sin embargo, los resultados que estas arrojan no siempre han sido satisfactorios (Marshall, Cahan, & Cahan, 2008) (Yamamoto, 2012). Por su parte los modelos computacionales que integran varias herramientas de la inteligencia computacional como los modelos neuroevolutivos, permiten emular algunos procesos presentes en la naturaleza como la interacción y el aprendizaje de las neuronas, así como las mutaciones y la evolución genética. De esta manera los modelos neuroevolutivos aprenden a detectar patrones, identificar tendencias y así predecir valores. (Isazi Viñuela & Galván León, 2004) (Beyer, 1997)
  • Miniatura
    PublicaciónSólo datos
    Reconocimiento de tejidos en imágenes obtenidas por tomografía computarizada a través de redes neuronales
    (Universidad EIA, 2013) Santa Moreno, Jorge Leonardo; Peña Palacio, Juan Alejandro
    Because the process of identification of tissues in computed tomography images obtained, are performed manually, this paper presents the design of a neural network algorithm that can identify different types of tissues present in such images, making a previous training in the reconnaissance of the tissue of interest, in order to improve the planning of the size and deployment of intravascular devices, trying to optimize the planning time for surgery and reduce some of the risks that may arise.