Aplicaciones Financieras de La Redes Neu

7/25/2019 Aplicaciones Financieras de La Redes Neu

1/15

scielo.org.pe:En 1981, el Dr. White realiz un trabajo que ilustraba el uso de

las Redes euronales !rti"ciales en la prediccin de #ariables "nancieras.

Desde entonces, se ha incre$entado el estudio de las aplicaciones de las

Redes euronales !rti"ciales en el ca$po de las "nanzas. En tal sentido, se ha

apro#echado la caracter%stica de las Redes euronales !rti"ciales, que

establece que &stas pueden 'aprender(.

)na Red euronal !rti"cial es 'un $odelo $ate$*tico co$puesto de un gran

n+$ero de ele$entos organizados en ni#eles. )na Red euronal !rti"cial

ta$bi&n puede ser #ista co$o un siste$a de c$puto, co$puesto por un gran

n+$ero de ele$entos interconectados que procesan la inor$acin,

$odi"cando sus respuestas din*$icas rente a #ariables e-ternas(.

a construccin de una Red euronal !rti"cial pasa por #arias etapas:

1. /denti"cacin de la #ariable "nanciera que se #a a pronosticar.

0. onstruccin del conjunto de datos que per$itir*n acti#ar el proceso de

aprendizaje de la Red euronal !rti"cial.

2. !cti#acin del proceso de aprendizaje, con la seleccin de la arquitectura 3

los par*$etros necesarios para la de"nicin de los pesos de la cone-in entre

las neuronas.

4. 5eneralizacin de los reportes de salida para el pronstico de la #ariable

"nanciera.

Detallando cada una de las etapas anterior$ente $encionadas tene$os:

1. /denti"cacin de la #ariable "nanciera que se #a a pronosticar.

El pri$er paso en la construccin de una Red euronal !rti"cial, que tenga una

aplicacin "nanciera, es la de"nicin de la #ariable "nanciera objeti#o. 6e

puede decir que las Redes euronales !rti"ciales per$iten enrentar los

proble$as "nancieros con un enoque distinto al de los $odelos lineales.


2/15


3/15

2. !cti#acin del proceso de aprendizaje, con la seleccin de la arquitectura 3

los par*$etros necesarios para la de"nicin de los pesos de la cone-in entre

las neuronas.

a construccin de una Red euronal pasa necesaria$ente por algunos pasos

que per$iten "jar los par*$etros que son +tiles para el proceso de aprendizaje

adecuado para la solucin del proble$a. a pri$era ase del an*lisis radica en

seleccionar la arquitectura $*s adecuada para el proceso de aprendizaje. a

parte cr%tica de esta ase depende del $ecanis$o de cone-in de los nodos de

entrada entre ellos 3 luego de la cone-in de &stos con los nodos de salida, por

$edio de las capas ocultas, lo cual se con#ierte en un ele$ento decisi#o para

el &-ito de la operacin.

En la literatura e-isten algorit$os para $a-i$izar la seleccin de la

arquitectura, pero por enci$a de todo, est* la e-periencia 3 la ase de prueba,

los cuales se con#ierten en los $ejores criterios de seleccin.

6e puede a"r$ar que los par*$etros para deter$inar la de"nicin de la

arquitectura son:

a. a di#isin te$poral de la base de datos

)na #ez que la #ariable de salida 3 el contenido de la base de datos se ha3an

de"nido, de lo cual se obtendr*n las #ariables de entrada, las series de tie$po

histricas deber*n subdi#idirse en per%odos de tie$po, lo que se deli$itar* por

el proceso de aprendizaje 3 e#aluacin.

b. El n+$ero de las capas ocultas 3 el n+$ero de neuronas que se #a a insertar

en cada capa

ara la deter$inacin del n+$ero de capas, e-isten nu$erosas contribuciones,

$etodolog%as que establecen que una sola capa oculta es su"ciente para

apro-i$ar, con un alto grado de e-actitud, las unciones no lineales $*s


4/15

recurrentes. on relacin al n+$ero de neuronas asignadas a las capas ocultas,

se debe seleccionar aquel n+$ero que per$ita $ini$izar el riesgo de un

sobreaprendizaje, que e-ige un $a3or n+$ero de #ariables de entrada, pero

que no asegura tener un pronstico $*s con"able.

c. os $ecanis$os de cone-in entre las dierentes capas

a arquitectura conocida co$o Redes de ropagacin hacia !tr*s, o ';aci+s +&ns+iti-s -en redes ner-isas +# un %si"'e a%arat %arades+ri"ir #de's de %ensa#ient $ +n+ien+ia (un+i3n +ere"ra' de a'tni-e').

Neurisi3'&s uti'i7an redes neurna'es %ara des+ri"ir $ e%'rar un+i3n+ere"ra'es de #edini-e' (#e#ria de' e.! siste#a sensria' $ #tri7).

F>si+s usan redes neurna'es %ara #de'ar en3#ens en #e+8ni+a estad>sti+a $%ara #u+0as tras tareas.

Bi3'&s uti'i7an Redes Neurna'es %ara inter%retar su+esines de' nu+'etide.

Fi'3ss $ tras %ersnas ta#"i*n %ueden ser interesadas en Redes Ner-isas %r'as -arias ra7nes.

Las RNA +n su +a%a+idad %ara dedu+ir un si&nii+ad desde dats +#%'i+ads i#%re+iss! %ueden ser uti'i7adas %ara dete+tar %atrnes dete+tar una tenden+ia /ue es#u$ +#%'ea de 0a''ar %r una %ersna +n #de's deter#>sti+s %r tras t*+ni+as+#%uta+ina'es tradi+ina'es. Una red entrenada %uede ser -ista +# un e%ert en e'#ane de 'a inr#a+i3n /ue se 'e 0a dad %ara ana'i7ar. Este e%ert %uede ser uti'i7ad%ara %r%r+inar %r$e++ines ante nue-as situa+ines de inter*s.Entre 'as +ara+ter>sti+as $ -entaas re%resentati-as de 'as RNAs se tienen:

6. Para'e'is# #asi-: e' %r+esa#ient de 'a inr#a+i3n es rea'i7ad %r un n,#ere'e-ad de %r+esadres si#%'es $ -e'+es (neurnas) +u$a %ten+ia de +3#%ut se +entraen e' a't ni-e' de +ne+ti-idad! distri"u$end de esta #anera 'a re%resenta+i3n $ e'%r+esa#ient de 's dats.

2. Ca%a+idad de a%rendi7ae $ &enera'i7a+i3n: 'a RNA ad/uiere e' +n+i#ient de 'sdats ana'i7ads en e' %r"'e#a %ara #de'ar una situa+i3n un %r+es. Ade#8s! a %artir de'a inr#a+i3n entre&ada (inita) est8 en +a%a+idad de inerir ana'i7ar +n a+iert dats n%resentads en 'a ase de a%rendi7ae.

. Aut r&ani7a+i3n: Una RNA %uede +rear su %r%ia r&ani7a+i3n re%resenta+i3n de 'ainr#a+i3n /ue es re+i"ida durante 'a eta%a de a%rendi7ae $ a %artir de una estru+turaini+ia' e-'u+inar a una nue-a $ #8s a%r%iada %ara 'a s'u+i3n de' %r"'e#a.

. O%era+i3n en tie#% rea' : Ls +8'+u's en una RNA %ueden ser rea'i7ads en %ara'e'.E' dise1 $ a"ri+a+i3n de dis%siti-s en 0ardare es%e+ia'es %ara t#ar -entaa de esta+a%a+idad! &aranti7an e' dise1 de a%'i+a+ines +#%'eas en tie#% rea'.

. T'eran+ia a a''as %r 'a redundan+ia de 'a inr#a+i3n: La destru++i3n %ar+ia' de unRNA +asina 'a +rres%ndiente de&rada+i3n de' un+ina#ient de 'a red. Sin e#"ar&!a'&unas +a%a+idades de 'a red %ueden ser +nser-adas a %esar de tenerse un da1 &ra-e en


14/15


15/15

Parte 6

C#entarisesa''%e7G$a0.+#

HRedes Neurna'esHC#%uta+i3n E-'uti-aHL3&i+a DiusaHPrin+i%a'
http://members.tripod.com/jesus_alfonso_lopez/RnaIntro.htmlmailto:[email protected]://members.tripod.com/jesus_alfonso_lopez/Rna.htmlhttp://members.tripod.com/jesus_alfonso_lopez/Ag.htmlhttp://members.tripod.com/jesus_alfonso_lopez/Ag.htmlhttp://members.tripod.com/jesus_alfonso_lopez/Fuzzy.htmlhttp://members.tripod.com/jesus_alfonso_lopez/Fuzzy.htmlhttp://members.tripod.com/jesus_alfonso_lopez/Fuzzy.htmlhttp://members.tripod.com/jesus_alfonso_lopez/index.htmlhttp://members.tripod.com/jesus_alfonso_lopez/RnaIntro.htmlmailto:[email protected]://members.tripod.com/jesus_alfonso_lopez/Rna.htmlhttp://members.tripod.com/jesus_alfonso_lopez/Ag.htmlhttp://members.tripod.com/jesus_alfonso_lopez/Fuzzy.htmlhttp://members.tripod.com/jesus_alfonso_lopez/index.html

Aplicaciones Financieras de La Redes Neu

Documents

Transcript of Aplicaciones Financieras de La Redes Neu