Acceso al documento en PDF - Biblioteca Nacional de Maestros

en promedio hasta un 7%, mientras que utilizando la curva de ajuste crece hasta un
23%, demostrando nuevamente de esta manera que las redes neuronales
artificiales poseen sustanciales ventajas sobre la predicción de series de tiempo
utilizando técnicas tradicionales.
7. Conclusiones
Las redes neuronales artificiales evolucionan como un potente paradigma
alternativo. Como lo demuestran los resultados obtenidos, sus capacidades
predictivas superan ampliamente a las tradicionales técnicas de estrategia
financiera. Cabe destacar que en el área financiera un pequeño incremento en la
exactitud de la predicción informativa implica un significativo impacto en el entorno
económico.
Como comentario adicional es importante mencionar, que los resultados
obtenidos en este trabajo no son los óptimos, ya que no se explotaron la infinidad
de combinaciones de parámetros posibles en la configuración de una Red Neuronal
Artificial para la aplicación en consideración.
Cabe destacar que la selección de la serie de tiempo en consideración
(S&P500) es arbitraria, ya que podría haberse elegido el índice Dow Jones (DJ) o
utilizar el índìce del mercado de la bolsa de valores de argentina (Merval). La
especificación de los datos se resumió simplemente al valor del índice, no
considerando otras variables fundamentales que podrían incidir en el
comportamiento de la red, ‘puesto que el objetivo principal se limita a demostrar las
propiedades sobresalientes de las Redes Neuronales Artificiales, no incluyendo el
desarrollo de un modelo optimizado para la inversión bursátil.
Dos simples enfoques fueron realizados para predecir índices financieros.
Existen por supuesto numerosas otras posibilidades para fa combinación de
componentes, logrando una hibridización (redes neuronales con sistemas expertos,
algoritmos genéticos y lógica difusa) que optimice los resultados obtenidos en este
trabajo.
Bibliografía
[1] Gately, E., Neural Networks for Financial Forecasting, 1996, John Wiley & Sons.
[2] Haykin, S., Neural Networks, a Comprehensive Foundation, 1994, Macmillan
College Publishing Company.
[3] Thomason M., A First Multí-Network Hybrid for Financia1 Forecasting, 41-45,
1997, Neurove$st Journal.
[4] Bigus, J., Data Mining with Neural Networks, 1996, McGraw-Hill.
[5] Martínez O., Procesos Bursátiles Markovianos Discretos, 292-305, 25 Jornadas
Argentinas de Informática e investigación Operativa, 1996.
183