La predicción en los mercados de valores juega un papel crucial en la teoría y práctica de la inversión, sobre todo tras los progresos que han tenido lugar en el desarrollo de sistemas de negociación automatizados en los mercados de capitales. Las técnicas tradicionales, como el análisis estadístico, el análisis fundamental y el análisis técnico, ya no son consideradas como las mejores opciones en el terreno de la predicción financiera y las redes neuronales artificiales han ganado popularidad, sobre todo en ámbito de la predicción bursátil. El algoritmo de retropropagación es uno de los sistemas de entrenamiento de redes neuronales más populares cuando de predicción financiera se trata. Uno de los mayores problemas en lo que se refiere al uso de redes neuronales entrenadas con un algoritmo de retropropagación es la determinación tanto del número de capas ocultas como del número de neuronas en cada una de dichas capas. En este artículo se presentan tres arquitecturas de una red neuronal con conexiones hacia adelante (feed-forward) y con una única capa oculta que difieren en el número de neuronas que contiene dicha capa oculta. Estas tres redes, entrenadas con un algoritmo de retropropagación, compiten en cuanto a su capacidad para predecir el comportamiento del Índice de la Bolsa de Varsovia (WIG20, que incluye las veinte mayores compañías cotizadas en la Bolsa de Varsovia).
Los resultados obtenidos muestran que la arquitectura consistente en una capa de entrada con N neuronas, una capa oculta con 3/2(N+1) neuronas y una capa de salida con una neurona es la que proporciona las mejores predicciones.
Stock market forecasting plays a key role in investment practice and theory, especially given the progress made in developing automated trading systems for use in capital markets.
Traditional techniques such as statistical analysis, fundamental analysis and technical analysis are no longer considered the best options in this field and artificial neural networks have gained in popularity, especially for use in stock market forecasting. The back-propagation algorithm is one of the most popular neural network training algorithms in financial time series prediction. One of the biggest problems regarding the use of neural networks trained with the back-propagation algorithm is the determination of both the number of hidden layers and the number of neurons included in each hidden layer. In this article, we present three competing architectures of a feed-forward network, all with only one hidden layer but differing in the number of neurons included in that layer. The three models will be trained with the back-propagation algorithm, in order to determine which one provides the best forecasting performance. Data on the WIG20 (Capitalization-Weighted Stock Market Index of the 20 largest companies on the Warsaw Stock Exchange) are used to evaluate the performance of the competing architectures. The results obtained show that the architecture consisting of an input layer with N neurons, one hidden layer with 3/2(N+1) neurons and an output layer with one neuron outperforms the other two models
© 2001-2024 Fundación Dialnet · Todos los derechos reservados