Análisis de redes neuronales y series de tiempo en activos financieros.

• Guillín-Llanos, Ximena Minshely ^[1] ; Elizondo-Saltos, Adolfo ^[1] ; Cárdenas-Zea, Miriam Patricia ^[1] ; Alcívar-Méndez, Kevyn Adrián ^[2]
  1. [1] Universidad Técnica Estatal de Quevedo

     Universidad Técnica Estatal de Quevedo

     Quevedo, Ecuador

     
  2. [2] Investigador Independiente. Quevedo. Ecuador.
• Localización: Metropolitana de Ciencias Aplicadas, ISSN 2661-6521, ISSN-e 2631-2662, Nº. Extra 7, 2024 (Ejemplar dedicado a: Buenas prácticas para la ciencia abierta: experiencias desde América Latina y el Caribe), págs. 85-92
• Idioma: español
• Títulos paralelos:
  • Analysis of neural networks and time series in financial assets
• Enlaces
  • Texto completo
• Resumen
  • español

    Una red neuronal artificial es un modelo matemático que utiliza un sistema de capas internas y externas conectadas a través de estructuras llamadas neuronas, que en conjunto simulan la arquitectura de las conexiones entre neuronas del cerebro humano. Sin embargo, estas redes neuronales han pasado por el proceso de aprendizaje sobre un conjunto de datos conocidos, se convierten en algoritmos capaces de predecir, dentro de un rango previamente establecido, el comportamiento de un conjunto del mismo tipo de datos del que sólo se conocen las etapas previas y no los resultados del comportamiento. Este trabajo tiene como objetivo obtener predicciones del precio de las acciones considerando diferentes tipos de modelos mediante el uso de herramientas computacionales especializadas. Se evidenció que la comparación de diferentes arquitecturas de aprendizaje profundo utilizando el método Naive reveló que los resultados obtenidos por este último fueron mejores que los resultados obtenidos por las arquitecturas de redes neuronales, así como la función FeedForward resultó ser el mejor de los modelos neuronales analizados.

  • English

    An artificial neural network is a mathematical model that uses a system of internal and external layers connected through structures called neurons, which together simulate the architecture of the connections between neurons in the human brain. However, these neural networks have gone through the process of learning on a set of known data, they become algorithms capable of predicting, within a previously established range, the behavior of a set of the same type of data for which they are only known. the previous stages and not the results of the behavior. This work aims to obtain stock price predictions considering different types of models through the use of specialized computational tools. It was evident that the comparison of different deep learning architectures using the Naive method revealed that the results obtained by the latter were better than the results obtained by neural network architectures, as well as the FeedForward function turned out to be the best of the neural models analyzed.