Predicción de signo semanales de las acciones de Falabella, Ripley, CENCOSUD y D&S con redes neuronales

• Main Authors: Arancibia V., Franco, Loehnert T., Francisco, Soto R., Gerardo José
• Other Authors: Parisi Fernández, Antonino,|d1964-
• Language: es
• Published: Universidad de Chile 2012
• Subjects: Redes neuronales (Ciencia de la computación); Algoritmos genéticos; Acciones (Bolsa)
• Online Access: http://www.repositorio.uchile.cl/handle/2250/107930

Seminario para optar al título de Ingeniero Comercial, Mención Administración === En las diferentes disciplinas de la ciencia, podemos ver que todos los días se hacen esfuerzos importantes para poder determinar con mayor certeza los fenómenos a los que nos vemos afectados. Para ello, se han implementado diversas técnicas de predicción con el propósito de obtener mejores resultados frente a estos nuevos eventos. Dichos esfuerzos responden a la necesidad de las personas de disminuir el riesgo en la toma de decisiones y su aversión al riesgo en cuanto a las opciones que tienen que tomar. En las finanzas la historia es muy parecida. Durante mucho tiempo las personas han buscado poder acceder a mayor información, que les permita tomar decisiones de una forma correcta, en donde las posibilidades de "equivocarse" sean las mínimas y el éxito en la toma de decisiones sea lo más alto posible. A medida que ha pasado el tiempo, nos hemos visto expuestos a diversas técnicas para poder predecir los fenómenos futuros, ellas están basadas en la premisa de que los elementos que suceden en la práctica no son un efecto aleatorio, sino que representan de alguna manera tendencias que podrían ser explicadas de cierta forma por algún modelo. Es así como nacen, por ejemplo, las técnicas con esquema y comportamiento lineal, dentro de las cuales podemos encontrar diversas técnicas que han ayudado a muchos inversionistas a lo largo de los últimos años. A pesar de todo, hemos visto que esta técnica arroja resultados poco certeros si es que no se seleccionan de manera correcta las variables de entrada a incluir, como así también la cantidad de datos del tamaño muestral y la especificación del modelo. Es decir, esta nueva técnica no va a arrojar resultados correctos sólo por introducir los datos, sino que el poder identificar cuáles son las variables importantes que están influyendo en la variable de salida, la elección del conjunto de entrenamiento y su tamaño, nos aseguran un éxito relativamente mayor. En otras palabras, el planteamiento del problema va a ser un elemento clave para lograr una mayor capacidad predictiva. Además, hemos visto que la forma en que el modelo “estudia” o utiliza esta información, es también un factor muy importante para determinar con mayor certeza la predicción requerida. Es por esto que se han implementado técnicas en donde el modelo va agregando datos ha medida que va transcurriendo el tiempo, dándole un carácter más real, dado que las personas van haciendo lo mismo cuando toman decisiones, van agregando información actual para que su predicción tenga mayor validez.