Máquinas de soporte vectorial y redes neuronales artificiales en la predicción del movimiento USD/COP spot intradiario

Máquinas de soporte vectorial y redes neuronales artificiales en la predicción del movimiento USD/COP spot intradiario

Contenido principal del artículo

Nicolás Sánchez Anzola

Resumen

La predicción del movimiento de los tipos de cambio en los mercados de divisas es un objetivo desafiante para el cálculo de pronósticos en el análisis de series de tiempo. Dada la complejidad que se presenta en la dinámica de este tipo de mercados, la implementación de modelos eficientes de predicción a partir de la información de las tasas de cambio observadas, es una tarea compleja. El presente estudio implementa y compara dos modelos de aprendizaje de máquina en la predicción del movimiento intradiario del mercado spot USD/COP. Los modelos propuestos se basan en técnicas de clasificación conocidas como redes neuronales artificiales (RNA) y máquinas de soporte vectorial (SVM). Indicadores de análisis técnico, velas japonesas y retornos de los precios fueron seleccionados como variables de entrada a los modelos. Se implementaron combinaciones de parámetros para los modelos propuestos con el fin de mejorar el desempeño en la predicción. Los resultados del experimento evidenciaron que el promedio en el desempeño para los modelos de RNA (57,8 %) y SVM (55,6 %) resultaron significativos para la predicción del movimiento del mercado spot USD/COP.

 

Palabras clave:

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Referencias (VER)

Abe, S. (2005). Support Vector Machines for Pattern Classification. London: Springer.

Alexander, J. S., Peter, B., Bernhard, S. y Dale, S. (1999). Advances in Large Margin Classifiers. London: The MIT Press.

Alpaydin, E. (2010). Introduction to Machine Learning (2 ed.). London: The MIT press.

Appel, G. (2005). Technical analysis: power tools for active investors. Recuperado de http://dl.acm.org/citation.cfm?id=1408581.

Caicedo, Eduardo y López, Jesús. (2009). Una aproximación práctica a las Redes Neuronales Artificiales. Cali: Universidad del Valle.

Camps, G. y Bruzzone, L. (2009). Kernel Methods for Remote Sensing Data Analysis. UK: Wiley.

Canales, J. C. (2009). Clasificación de grandes conjuntos de datos vía Máquinas de Vectores Soporte y aplicaciones en sistemas biológicos. Tesis doctoral: México D.F.

Cao, D., Pang, S. y Bai, Y. (2005). Forecasting exchange rate using support vector machines. Proceedings of the Fourth International Conference on Machine Learning and Cybernetics, Guangzhou, 18-21 August 2005.

Chalup, S. y Mitschele, A. (2006). Kernel Methods in Finance. Handbook on Information Technology in Finance. London: Springer.

Chen, W. y Shih, J. (2006). Comparison of support-vector machines and back propagation neural networks in forecasting the six major Asian stock markets Soushan Wu. Int. J. Electronic Finance, 1 (1).

Cristianini, N. J. S.-T. (2000). An Introduction to Support Vector Machines and Other Kernel-based Learning Methods. Cambridge UK: Cambridge University Press.

Del Brio, M. y Sanz, S. (2006). Redes neuronales y sistemas borrosos. Zaragosa: Alfaomega.

Fernando, J. y Gutiérrez, M. (2011). Pronóstico de incumplimiento de pago mediante máquinas de vectores de soporte. Bogotá: Banco de la República.

Fletcher, T., Hussain, Z. y Shawe-Taylor, J. (2010). Currency Forecasting using Multiple Kernel Learning with Financially Motivated Features. London: Centre for Computational Statistics and Machine Learning, Department of Computer Science.

Fletcher, T. y Shawe-taylor, J. (2010). Multiple Kernel Learning on the Limit Order Book. JMLR: Workshop and Conference Proceedings 11. London: Workshop on Applications of Pattern Analysis.

García, E. E. (2005). Boosting Support Vector Machines. Bogotá: Facultad de los Andes.

Hilera, G. (1994). Redes neuronales artificiales. Fundamentos, modelos y aplicaciones. Serie Paradigma, RaMa.

Huang, W., Nakamori, Y. y Wang, S. Y. (2005). Forecasting stock market movement direction with support vector machine. Computers & Operations Research, 32 (10), 2513-2522. doi:10.1016/j.cor.2004.03.016.

Kamruzzaman, J., Sarker, R. A. y Ahmad, I. (n.d.). SVM based models for predicting foreign currency exchange rates. Third IEEE International Conference on Data Mining, 557-560. doi:10.1109/ICDM.2003.1250976.

Kara, Y., Acar Boyacioglu, M. y Baykan, Ó. K. (2011a). Predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange. Expert Systems with Applications, 38 (5), 5311-5319. doi:10.1016/j.eswa.2010.10.027.

Kara, Y., Acar Boyacioglu, M. y Baykan, Ó. K. (2011b). Predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange. Expert Systems with Applications, 38 (5), 5311-5319. doi:10.1016/j.eswa.2010.10.027.

Karatzoglou, A., Smola, A., Hornik, K. y Zeileis, A. (2004). kernlab - An S4 Package for Kernel Methods in R. Journal of Statistical Software, 11 (9), 1-20. Recuperado de http://www.jstatsoft.org/v11/i09/paper.

Karazmodeh, M., Nasiri, S. y Hashemi, S. M. (2013). Stock Price Forecasting using Support Vector Machines and Improved Particle Swarm Optimization. Journal of Automation and Control Engineering, 1 (2), 173-176. doi:10.12720/joace.1.2.173-176.

Kim, K. (2003a). Financial time series forecasting using support vector machines. Neurocomputing, 55 (1-2), 307-319. doi:10.1016/S0925-2312(03)00372-2.

Lember, J. (2012). Introduction to statistical learning. London: Springer.

Masoud, N. (2014). Predicting Direction of Stock Prices Index Movement Using Artificial Neural Networks: The Case of Libyan Financial Market. British Journal of Economics, Management & Trade, 4 (4), 597-619. doi:10.9734/BJEMT/2014/5519.

Moein Aldin, M., Dehghan Dehnavi, H. y Entezari, S. (2012). Evaluating the Employment of Technical Indicators in Predicting Stock Price Index Variations Using Artificial Neural Networks (Case Study: Tehran Stock Exchange). International Journal of Business and Management, 7 (15), 25-34. doi:10.5539/ijbm.v7n15p25.

Murphy, J. J. (2000). Análisis técnico de los mercados financieros. Gestión 2000. Recuperado de http://dialnet.unirioja.es/servlet/libro?codigo=49652.

Net-, N. y Pino, R. (2012). Predicción del índice IBEX-35 aplicando Máquinas de Soporte Vectorial y Redes. 6th International Conference on Industrial Engineering and Industrial Management. XVI Congreso de Ingeniería de Organización. Vigo, July 18-20.

Nison, S. (1994). Más allá de las velas. Madrid: Gesmovasa.

Riobó Otero, V. (n.d.). Reconocimiento de localizaciones mediante máquinas de soporte vectorial. Universidad Carlos III: Madrid.

Tan, T. Z., Quek, C. y Ng, G. S. (2004). Brain-inspired genetic complementary learning for stock market prediction. Singapore: Nanyang Technological University.

Theofilatos, K. y Karathanasopoulos, A. (2012). Modeling and Trading the EUR / USD Exchange Rate Using Machine Learning Techniques. ETASR - Engineering, Technology & Applied Science Research, 2 (5), 269-272.

Vapnik, V. y Cortés, C. (1995). Support-Vector Networks, 297, 273-297.

Velásquez, J. D., Olaya, Y. y Franco, C. J. (2010). Time series prediction using support vector machines, 18, 64-75.

Wilder, W. (1988). New concepts in technical trading systems. Winston: Hunter Publishing Company.

Yuan, C. (2011). Predicting S & P 500 Returns Using Support Vector Machines: Theory and Empirics. Washington: University in St. Louis - Center for Research in Economics and Strategies Fellowship.

Citado por