Inteligencia artificial y autoaprendizaje para la mejora de modelos predictivos : caso de estudio con el índice S&P500

Ilustraciones, gráficos

Autores:
Murillo Ospina, Samuel
Tipo de recurso:
Fecha de publicación:
2024
Institución:
Universidad Nacional de Colombia
Repositorio:
Universidad Nacional de Colombia
Idioma:
spa
OAI Identifier:
oai:repositorio.unal.edu.co:unal/86576
Acceso en línea:
https://repositorio.unal.edu.co/handle/unal/86576
https://repositorio.unal.edu.co/
Palabra clave:
000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores
Inteligencia artificial - Procesamiento de datos
Aprendizaje automático (Inteligencia artificial)
Análisis de series de tiempo
Inteligencia artificial
Autoaprendizaje
Pronósticos
Desempeño
Autoajuste
Artificial intelligence
Self-learning
Forecasts
Performance
Self-adjustment
Rights
openAccess
License
Atribución-NoComercial-SinDerivadas 4.0 Internacional
id UNACIONAL2_d5281ba247c22b0f9a37ca303a67ac01
oai_identifier_str oai:repositorio.unal.edu.co:unal/86576
network_acronym_str UNACIONAL2
network_name_str Universidad Nacional de Colombia
repository_id_str
dc.title.spa.fl_str_mv Inteligencia artificial y autoaprendizaje para la mejora de modelos predictivos : caso de estudio con el índice S&P500
dc.title.translated.eng.fl_str_mv Artificial intelligence and self-learning for enhancing predictive models : a case study with the S&P500 index
title Inteligencia artificial y autoaprendizaje para la mejora de modelos predictivos : caso de estudio con el índice S&P500
spellingShingle Inteligencia artificial y autoaprendizaje para la mejora de modelos predictivos : caso de estudio con el índice S&P500
000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores
Inteligencia artificial - Procesamiento de datos
Aprendizaje automático (Inteligencia artificial)
Análisis de series de tiempo
Inteligencia artificial
Autoaprendizaje
Pronósticos
Desempeño
Autoajuste
Artificial intelligence
Self-learning
Forecasts
Performance
Self-adjustment
title_short Inteligencia artificial y autoaprendizaje para la mejora de modelos predictivos : caso de estudio con el índice S&P500
title_full Inteligencia artificial y autoaprendizaje para la mejora de modelos predictivos : caso de estudio con el índice S&P500
title_fullStr Inteligencia artificial y autoaprendizaje para la mejora de modelos predictivos : caso de estudio con el índice S&P500
title_full_unstemmed Inteligencia artificial y autoaprendizaje para la mejora de modelos predictivos : caso de estudio con el índice S&P500
title_sort Inteligencia artificial y autoaprendizaje para la mejora de modelos predictivos : caso de estudio con el índice S&P500
dc.creator.fl_str_mv Murillo Ospina, Samuel
dc.contributor.advisor.none.fl_str_mv Torres Madroñero, María Constanza
dc.contributor.author.none.fl_str_mv Murillo Ospina, Samuel
dc.subject.ddc.spa.fl_str_mv 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores
topic 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores
Inteligencia artificial - Procesamiento de datos
Aprendizaje automático (Inteligencia artificial)
Análisis de series de tiempo
Inteligencia artificial
Autoaprendizaje
Pronósticos
Desempeño
Autoajuste
Artificial intelligence
Self-learning
Forecasts
Performance
Self-adjustment
dc.subject.lemb.none.fl_str_mv Inteligencia artificial - Procesamiento de datos
Aprendizaje automático (Inteligencia artificial)
Análisis de series de tiempo
dc.subject.proposal.spa.fl_str_mv Inteligencia artificial
Autoaprendizaje
Pronósticos
Desempeño
Autoajuste
dc.subject.proposal.eng.fl_str_mv Artificial intelligence
Self-learning
Forecasts
Performance
Self-adjustment
description Ilustraciones, gráficos
publishDate 2024
dc.date.accessioned.none.fl_str_mv 2024-07-19T15:05:09Z
dc.date.available.none.fl_str_mv 2024-07-19T15:05:09Z
dc.date.issued.none.fl_str_mv 2024-07-09
dc.type.spa.fl_str_mv Trabajo de grado - Maestría
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/masterThesis
dc.type.version.spa.fl_str_mv info:eu-repo/semantics/acceptedVersion
dc.type.content.spa.fl_str_mv Text
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/TM
status_str acceptedVersion
dc.identifier.uri.none.fl_str_mv https://repositorio.unal.edu.co/handle/unal/86576
dc.identifier.instname.spa.fl_str_mv Universidad Nacional de Colombia
dc.identifier.reponame.spa.fl_str_mv Repositorio Institucional Universidad Nacional de Colombia
dc.identifier.repourl.spa.fl_str_mv https://repositorio.unal.edu.co/
url https://repositorio.unal.edu.co/handle/unal/86576
https://repositorio.unal.edu.co/
identifier_str_mv Universidad Nacional de Colombia
Repositorio Institucional Universidad Nacional de Colombia
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.indexed.spa.fl_str_mv LaReferencia
dc.relation.references.spa.fl_str_mv Ahmad A. Al Sallab & Mohsen A. Rashwan. (2011). Self learning machines using Deep Networks. Cairo University. Obtenido de: https://www.researchgate.net/publication/241624295_Self_learning_machines_usi ng_Deep_Networks
Alvarado., R. E. (2015). Una mirada a la inteligencia artificial. Revista Ingeniería, Matemáticas y Ciencias de la Información, ISSN-e 2357-3716, Vol. 2, Nº. 3. Obtenido de: https://dialnet.unirioja.es/servlet/articulo?codigo=7894426
Ashour., M.A.H y Ahmed., A.S. (2023). Bitcoin prediction with a hybrid model. Periodicals of Engineering and Natural Sciences Original Research Vol. 11, No. 1, pp.186- 196. Obtenido de: DOI: 10.21533/pen.v11i1.3452
Avendaño., Q. J. (2020). Automatización del mecanismo de funcionamiento de la válvula grabber para manejo de tubería. Obtenido de: http://repositorio.uan.edu.co/bitstream/123456789/7333/3/2022_JohanAlexanderA venda%C3%B1oQuiroga.pdf
Azarnejad., A y Khaloozadeh., H. (2022). Stock return system identification and multiple adaptive forecast algorithm for price trend forecasting. Obtenido de: DOI: 10.1016/j.eswa.2022.116685
Barbaglia L., Consoli S., Wang S. (2021). Financial Forecasting with Word Embeddings Extracted from News: A Preliminary Analysis. Obtenido de: https://www.researchgate.net/publication/358703709_Financial_Forecasting_with_ Word_Embeddings_Extracted_from_News_A_Preliminary_Analysis
Base de datos Scopus. (2023). Advanced search. Disponible en: https://www-scopus com.ezproxy.unal.edu.co/search
Beyer D. S., Coussement K., De Caigny A., Pérez L.F & Creemers S. (2023). Do the US president's tweets better predict oil prices? An empirical examination using long short-term memory networks. Obtenido de: https://www.x mol.net/paper/article/16757165904832593
Broz., R. D y Viego., N. V. (2014). Predicción de precios de productos de Pinus spp con modelos ARIMA. vol.20 no.1, ISSN 1405-0471. Obtenido de: https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1405- 04712014000100004
Cadena., J. B, Ariza., M. J., y Palomo., R. J. (2018). La gestión de pronóstico en las decisiones empresariales: un análisis empírico. Revista Espacios, 39(13), 1-1. Obtenido de: https://www.cesa.edu.co/wp-content/uploads/2020/08/2020_Grupo de-Investigacion.pdf
Cai., B y Di., Q. (2023). Different Forecasting Model Comparison for Near Future Crash Prediction. Applied Sciences (Switzerland), 13 (2), art. no. 759. Obtenido de: DOI: 10.3390/app13020759
Callejas, C. M & Vélez G. M. (2019). Predicción electoral usando un modelo híbrido basado en análisis sentimental: elecciones presidenciales de Colombia. Obtenido de: https://www.researchgate.net/publication/339581272_Prediccion_electoral_usand o_un_modelo_hibrido_basado_en_analisis_sentimental_y_seguimiento_a_encue stas_elecciones_presidenciales_de_Colombia
Castrillón., E. J, García., D. J, Anaya., T. M, Rodríguez., B. D, De la Rosa., B. D y Caballero., U. C. (2008). Bases de datos, motores de búsqueda e índices temáticos: herramientas fundamentales para el ejercicio médico. Salud Uninorte, vol. 24, núm. 1, pp. 95-119. Universidad del Norte Barranquilla, Colombia. Obtenido de: https://www.redalyc.org/pdf/817/81724111.pdf
Chen., K, Chen., G, Xu., D, Zhang., L, Huang., Y & Knoll., A. (2021). NAST: Non Autoregressive Spatial-Temporal Transformer for Time Series Forecasting. Obtenido de: https://www.researchgate.net/publication/349195112_NAST_Non Autoregressive_Spatial-Temporal_Transformer_for_Time_Series_Forecasting
Cheng., M. Y, Fang., Y. C y Wang., C. Y. (2021). Auto-tuning SOS Algorithm for Two Dimensional Orthogonal Cutting Optimization. KSCE Journal of Civil Engineering, 25 (10), pp. 3605-3619. Obtenido de: DOI: 10.1007/s12205-021-0522-y
Cong., N. B, Pérez., R. L & Morell. C. (2015). Aprendizaje supervisado de funciones de distancia: estado del arte. Obtenido de: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S2227-18992015000200002
Correa., V. M. (2010). Inteligencia artificial para la predicción y control del acabado superficial en procesos de fresado a alta velocidad. Obtenido de: https://oa.upm.es/37172/1/TD_CORREA_%20VALENCIA_MARITZA.pdf
Departamento de ciencias de la computación e I. A (DECSAI). (s. f). Modelado de datos. Fundamentos de diseño de bases de datos. Universidad de Granada. Obtenido de: https://elvex.ugr.es/idbis/db/docs/intro/C%20Modelado%20de%20datos.pdf
Derby., S. J. (2005). Design of Automatic Machinery. Obtenido de: https://www.researchgate.net/publication/329026602_Design_of_Automatic_Mach inery
Díaz., M. L. (2007). Estadística multivariada: inferencia y métodos. Universidad Nacional de Colombia. Sede Bogotá. Departamento de Estadística. Facultad de ciencias. Obtenido de: https://repositorio.unal.edu.co/bitstream/handle/unal/79907/Estad%C3%ADstica% 20Multivariada%209789587011951.pdf?sequence=2&isAllowed=y
Espino., T. C. (2017). Análisis predictivo: técnicas y modelos utilizados y aplicaciones del mismo - herramientas Open Source que permiten su uso. Obtenido de: https://openaccess.uoc.edu/bitstream/10609/59565/6/caresptimTFG0117mem%C 3%B2ria.pdf
Gallegos., M. E. (2013). Métodos de pronósticos para negocios. Editorial digital Tecnológico de Monterrey. Instituto Tecnológico y de Estudios Superiores de Monterrey, México. Obtenido de: http://prod77ms.itesm.mx/podcast/EDTM/P196.pdf
Gil., R. M. (1994). La base de datos. Importancia y aplicación en educación. Perfiles Educativos, núm. 65. Obtenido de: https://www.redalyc.org/pdf/132/13206506.pdf
Grudniewicz, J. (2023). Application of machine learning in algorithmic investment strategies on global stock markets. Obtenido de: https://www.sciencedirect.com/science/article/pii/S0275531923001782
Guzmán., A. S y Hurtado., F. J. (2021). Predicción de la tendencia del indicador S&P500. Universidad de Antioquia, Facultad de Ingeniería, Departamento de Posgrados Medellín, Colombia. Obtenido de: https://bibliotecadigital.udea.edu.co/bitstream/10495/20116/7/GuzmanMarcelan_2 021_PrediccionS%26P500.pdf
Hanke, J. E. and Wichern, D. W. (2014). Business Forecasting (9th ed.). Harlow, England: Pearson Education Limited. Obtenido de: https://pdfcoffee.com/qdownload/hanke-john-e-wichern-dean-w-business forecasting-pearson-2014-pdf-free.html
Harford, T. (2014). Big data: are we making a big mistake? The Royal Statistical Society Journal, Volume 11, Issue 5, p. 18. Obtenido de: https://rss.onlinelibrary.wiley.com/doi/epdf/10.1111/j.1740-9713.2014.00778.x
Hestness., J, Narang., S, Ardalani., N, Diamos., G, Jun., H, Kianinejad., H, Patwary., M, Yang., Y & Zhou., Y. (2017). Deep Learning scaling is predictable, empirically. Baidu Research. Obtenido de: https://arxiv.org/pdf/1712.00409
Hu., J. (2022). Intelligent Decisionmaking System through LSTM Prediction Model and DQN algorithm. Obtenido de: DOI: 10.1109/ICDSCA56264.2022.9988461
Investing. (2023). Datos históricos S&P 500. Obtenido de: https://es.investing.com/indices/us-spx-500-historical-data
Irabaruta., J. (2021). Stock Trading with Machine Learning Methods and Technical Indicators. Obtenido de: https://www.researchgate.net/publication/357049879_Stock_Trading_with_Machin e_Learning_Methods_and_Technical_Indicators
Iyer., S y Mahajan., A. (2023). Short-term Adaptive Forecast Model for TEC over equatorial low latitude region. Dynamics of Atmospheres and Oceans, 101, art. no. 101347. Obtenido de: DOI: 10.1016/j.dynatmoce.2022.101347
Jaramillo., R. L. (2012). Métodos cualitativos y cuantitativos versus métodos de inteligencia artificial. Obtenido de: https://repository.cesa.edu.co/bitstream/handle/10726/428/ADM2012- 00624.pdf?sequence=8&isAllowed=y
Kaeley., H, Qiao., Y & Bagherzadeh., N. (2023). Support for Stock Trend Prediction Using Transformers and Sentiment Analysis. Obtenido de: https://arxiv.org/pdf/2305.14368.pdf
Kim H., Park K., Jeon J., Song C., Bae J., Kim Y & Kang M. (2021). Candidate Point Selection using a Self-Attention Mechanism for Generating a Smooth Volatility Surface under the SABR model. Obtenido de: https://www.researchgate.net/publication/349192855_Candidate_Point_Selection_ using_a_Self Attention_Mechanism_for_Generating_a_Smooth_Volatility_Surface_under_the_S ABR_model
Liang. L & Cai. X. (2022). Time-sequencing European options and pricing with deep learning – Analyzing based on interpretable ALE method. Obtenido de: https://www.sciencedirect.com/science/article/abs/pii/S095741742101304X
Maisueche C. A. (2019). Utilización del machine learning en la industria 4.0. Máster en ingeniería industrial, escuela de ingenierías industriales Universidad de Valladolid. Obtenido de: https://core.ac.uk/download/pdf/228074134.pdf
Management solutions. (2020). Auto Machine learning, hacia la automatización de los modelos. Obtenido de: https://www.managementsolutions.com/sites/default/files/publicaciones/esp/auto machine-learning-sp.pdf
Matthew J. Pagea, Joanne E. McKenzie, Patrick M. Bossuyt, Isabelle Boutron, Tammy C. Hoffmann, Cynthia D. Mulrow, Larissa Shamseer, Jennifer M. Tetzlaff, Elie A. Akl, Sue E. Brennana, Roger Chou, Julie Glanville, Jeremy M. Grimshaw, Asbjørn Hróbjartsson, Manoj M. Lalu, Tianjing Li, Elizabeth W. Loder, Evan Mayo-Wilson, Steve McDonalda, Luke A. McGuinness, Lesley A. Stewart, James Thomas, Andrea C. Tricco, Vivian A. Welch, Penny Whitingq, David Moher. (2021). Declaración PRISMA 2020: una guía actualizada para la publicación de revisiones sistemáticas. Obtenido de: https://www.revespcardiol.org/es-declaracion-prisma 2020-una-guia-articulo-S0300893221002748
Mendieta., P. M & Sotolongo., L. C. (2019). El pronóstico y su importancia en la práctica clínica. Obtenido de: http://scielo.sld.cu/pdf/med/v58n3/1561-302X-med-58-03- e1322.pdf
Millea., A. (2021). Deep Reinforcement Learning For Trading. A Critical Survey. Obtenido de: https://www.researchgate.net/publication/356279401_Deep_Reinforcement_Learn ing_For_Trading-A_Critical_Survey
Moreno, R. N. (2018). Aplicaciones de la Analítica y la Minería de Datos en la Gestión de Recursos Humanos. Trabajo de grado - Maestría. Universidad Nacional de Colombia. Facultad de Minas, Departamento de Ingeniería de la Organización. Medellín, Colombia. Obtenido de: https://repositorio.unal.edu.co/handle/unal/68928
Moreno., A, Armengol., E, Béjar., J, Belanche., L, Cortés., U, Gavaldá., R, Gimeno., J. M, López., B, Martín., M y Sánchez., M. (1994). Aprendizaje automático. Ediciones de la Universidad Politécnica de Catalunya, SL Jordi Girona Salgado. Barcelona. Obtenido de: https://upcommons.upc.edu/bitstream/handle/2099.3/36157/9788483019962.pdf
Nieto., C. E. (2006). Manufactura y automatización. Ingeniería e Investigación, vol. 26, núm. 3, pp. 120-128. Obtenido de: https://www.redalyc.org/pdf/643/64326315.pdf
Nipun., D. N, Chaspari., T y Behzadan., H. A. (2018). Automated ergonomic risk monitoring using body-mounted sensors and machine learning. Obtenido de: https://www.sciencedirect.com/science/article/am/pii/S1474034618300454
Pérez., P. A, Cruz., J, Guatemala., V. A, Juárez., F. V. (2018). Importancia de los pronósticos en la toma de decisiones en las MIPYMES. Obtenido de: https://revistageon.unillanos.edu.co/index.php/geon/article/view/17/11
Poddubnaya., A.A y Keller., A.V. (2020). "forecast" - Adaptive forecast diagnostic intelligent system for vehicles. IOP Conference Series: Materials Science and Engineering, 819 (1), art. no. 012008. Obtenido de: DOI: 10.1088/1757- 899X/819/1/012008
Pouls, M., Ahuja, N., Glock, K., Meyer, A. (2022). Adaptive forecast-driven repositioning for dynamic ride-sharing. Obtenido de: DOI: 10.1007/s10479-022-04560-3
Ramírez., H. D. (2018). El machine Learning a través de los tiempos, y los aportes a la humanidad. Universidad Libre Seccional Pereira. Facultad De Ingenierías. Programa De Ingeniería De Sistemas. Obtenido de: https://repository.unilibre.edu.co/bitstream/handle/10901/17289/EL%20MACHINE %20LEARNING.pdf?sequence=1
Rico., P. A y Sánchez., G. D. (2018). Diseño de un modelo para automatizar la predicción del rendimiento académico en estudiantes del IPN. Revista Iberoamericana para la investigación y el desarrollo educativo, ISSN 2007-7467. Obtenido de: https://www.scielo.org.mx/pdf/ride/v8n16/2007-7467-ride-8-16-00246.pdf
Sampieri, H. R. (2014). Metodología de la investigación. McGraw-Hill / Interamericana editores, S.A. de C.V. México D.F. ISBN: 978-1-4562-2396-0. Obtenido de: https://www.uca.ac.cr/wp-content/uploads/2017/10/Investigacion.pdf
Sánchez., M. J. (2010). Cómo realizar una revisión sistemática y un meta-análisis. Obtenido de: http://www.um.es/metaanalysis/pdf/5030.pdf
Shahvaroughi Farahani M & Razavi Hajiagha S.H. (2021). Forecasting stock price using integrated artificial neural network and metaheuristic algorithms compared to time series models. Obtenido de: https://link.springer.com/article/10.1007/s00500-021- 05775-5
Suarez., B. L. (2018). Modelo de pronóstico de series de tiempo basado en técnicas de analítica predictiva en la mejora del proceso de definición del plan y presupuesto de ventas. Obtenido de: https://repositorio.escuelaing.edu.co/bitstream/handle/001/798/Luis%20Carlos%2 0Suarez%20Bernal.pdf?sequence=2&isAllowed=y
Sun-Hee, K. Christos, F & Hyung, J. Y. (2013). Coercively Adjusted Auto Regression Model for Forecasting in Epilepsy EEG. Computational and Mathematical Methods in Medicine, Volume 2013. Article ID 545613. Obtenido de: https://doi.org/10.1155/2013/545613
Tieleman., T & Hinton., G. (2012). Lecture 6.5-rmsprop: Divide the gradient by a running average of its recent magnitude. COURSERA: Neural Networks for Machine Learning, 4, 2012.
Vaswani., A, Shazeer., N, Parmar., N, Uszkoreit., J, Jones., L, Gomez., A, Kaiser., L, & Polosukhin., I. (2017). Attention Is All You Need. 31st Conference on Neural Information Processing Systems (NIPS), Long Beach, CA, USA. Obtenido de: https://proceedings.neurips.cc/paper_files/paper/2017/file/3f5ee243547dee91fbd0 53c1c4a845aa-Paper.pdf
Visme. (2024). Editor de contenido e imágenes. Obtenido de: https://my.visme.co/editor
Ye J., Gu J., Dash A., Deek F.P & Wang G.G. (2023). Prediction with Time-Series Mixer for the S&P500 Index. Obtenido de: DOI: 10.1109/ICDEW58674.2023.00008
Yu, N., Chen, J. (2022). Design of Machine Learning Algorithm for Tourism Demand Prediction. Obtenido de: DOI: 10.1155/2022/6352381
Zhou Q., Qu T., Han Y., Duan F & Zhou, Qibin. (2023). Deep Reinforcement Learning with Comprehensive Reward for Stock Trading. Obtenido de: DOI: 10.1007/978- 981-99-1648-1_44
Zhou., H, Zhang., S, Peng., J, Zhang., S, Li., J, Xiong., H, & Zhang., W. (2021). Informer: Beyond effcient transformer for long sequence timeseries forecasting. In AAAI, 2021.
Zúñiga., Q. L. (2021). Desarrollo de un modelo predictivo para un sistema de manufactura orientado a la industria 4.0. Pontificia Universidad Javeriana de Colombia, Facultad de Ingeniería, Maestría en Ingeniería Industrial, Bogotá D.C. Obtenido de: https://repository.javeriana.edu.co/bitstream/handle/10554/55631/123-attachment 1627079269Lina%20Zu%C3%B1iga%20- %20Trabajo%20de%20Grado.pdf?sequence=4
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.license.spa.fl_str_mv Atribución-NoComercial-SinDerivadas 4.0 Internacional
dc.rights.uri.spa.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv Atribución-NoComercial-SinDerivadas 4.0 Internacional
http://creativecommons.org/licenses/by-nc-nd/4.0/
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.spa.fl_str_mv 91 páginas
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.spa.fl_str_mv Universidad Nacional de Colombia
dc.publisher.program.spa.fl_str_mv Medellín - Minas - Maestría en Ingeniería - Analítica
dc.publisher.faculty.spa.fl_str_mv Facultad de Minas
dc.publisher.place.spa.fl_str_mv Medellín, Colombia
dc.publisher.branch.spa.fl_str_mv Universidad Nacional de Colombia - Sede Medellín
institution Universidad Nacional de Colombia
bitstream.url.fl_str_mv https://repositorio.unal.edu.co/bitstream/unal/86576/1/license.txt
https://repositorio.unal.edu.co/bitstream/unal/86576/2/1035872765.2024.pdf
https://repositorio.unal.edu.co/bitstream/unal/86576/3/1035872765.2024.pdf.jpg
bitstream.checksum.fl_str_mv eb34b1cf90b7e1103fc9dfd26be24b4a
4d1eb67e5ffa1e2baf1463320ec2ff3b
24ede7b5bbf6288b8ec6289d1501efd3
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad Nacional de Colombia
repository.mail.fl_str_mv repositorio_nal@unal.edu.co
_version_ 1814089607690584064
spelling Atribución-NoComercial-SinDerivadas 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Torres Madroñero, María Constanza91e56458c78d3d2e63282c4a7c9537c8Murillo Ospina, Samuel060044796be7784b29eb56daab5c96912024-07-19T15:05:09Z2024-07-19T15:05:09Z2024-07-09https://repositorio.unal.edu.co/handle/unal/86576Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/Ilustraciones, gráficosLa realización de pronósticos precisos es crucial en la sociedad y en la ciencia, debido a que permiten anticipar tendencias y comprender el impacto de las variables consideradas en el comportamiento futuro de un fenómeno de interés. Este trabajo aborda el desafío de mejorar el desempeño de los modelos predictivos. Para ello, se llevó a cabo una investigación cuantitativa con el objetivo de evaluar la predicción del precio de cierre del índice bursátil S&P500 mediante la aplicación de un modelo Transformer, integrando técnicas de autoaprendizaje. Acorde con lo anterior, se realizó la implementación y optimización del modelo, logrando un error porcentual promedio del 1,52% y un máximo del 4,04% en la predicción de los próximos 60 valores del S&P500. Para mejorar el desempeño se incorporó autoaprendizaje basado en la distancia de Mahalanobis. Así se mejoró el rendimiento al reducir el error a 1,22%, que corresponde a una disminución de 19,67% con respecto al valor antes de incorporar el método mencionado. Comparado con métodos tradicionales, el Transformer demostró una precisión superior, capturando patrones complejos y fue posible ajustar sus resultados automáticamente a través de la distancia de Mahalanobis. Los hallazgos resaltan la importancia de la investigación continua en la predicción de series de tiempo utilizando inteligencia artificial en combinación con técnicas que permitan ajustar los modelos de acuerdo con información histórica y los registros de desempeño. (Tomado de la fuente)The realization of accurate forecasts is crucial in society and science, as they allow to anticipate trends and understand the impact of variables considered on the future behavior of an interest phenomenon. This work takes the challenge of improving the performance of predictive models. To achieve this, a quantitative research was developed with the objective of evaluating the prediction of the closing price of the S&P500 stock index using a Transformer model, integrating self-learning techniques. In accordance with the above, the implementation and optimization of the model were carried out, achieving an average percentage error of 1.52% and a maximum of 4.04% in the prediction of the next 60 values of the S&P500. To improve performance, self-learning based on Mahalanobis distance was incorporated. Thus, performance was improved by reducing the error to 1.22%, which corresponds to a 19.67% decrease compared to the value before incorporating the mentioned method. Compared to traditional methods, Transformer demonstrated superior accuracy, capturing complex patterns, and it was possible to automatically adjust its results through the Mahalanobis distance. The findings highlight the importance of continuous research in time series prediction using artificial intelligence in combination with techniques that allow models to be adjusted according to historical information and performance records.MaestríaMagíster en Ingeniería - AnalíticaImplementación de arquitectura Transformer para pronóstico de series de tiempo e incorporación de técnicas de autoaprendizaje con base en distancia estadística - caso de estudio con el índice S&P500.Ingeniería De Sistemas E Informática.Sede Medellín91 páginasapplication/pdfspaUniversidad Nacional de ColombiaMedellín - Minas - Maestría en Ingeniería - AnalíticaFacultad de MinasMedellín, ColombiaUniversidad Nacional de Colombia - Sede Medellín000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadoresInteligencia artificial - Procesamiento de datosAprendizaje automático (Inteligencia artificial)Análisis de series de tiempoInteligencia artificialAutoaprendizajePronósticosDesempeñoAutoajusteArtificial intelligenceSelf-learningForecastsPerformanceSelf-adjustmentInteligencia artificial y autoaprendizaje para la mejora de modelos predictivos : caso de estudio con el índice S&P500Artificial intelligence and self-learning for enhancing predictive models : a case study with the S&P500 indexTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMLaReferenciaAhmad A. Al Sallab & Mohsen A. Rashwan. (2011). Self learning machines using Deep Networks. Cairo University. Obtenido de: https://www.researchgate.net/publication/241624295_Self_learning_machines_usi ng_Deep_NetworksAlvarado., R. E. (2015). Una mirada a la inteligencia artificial. Revista Ingeniería, Matemáticas y Ciencias de la Información, ISSN-e 2357-3716, Vol. 2, Nº. 3. Obtenido de: https://dialnet.unirioja.es/servlet/articulo?codigo=7894426Ashour., M.A.H y Ahmed., A.S. (2023). Bitcoin prediction with a hybrid model. Periodicals of Engineering and Natural Sciences Original Research Vol. 11, No. 1, pp.186- 196. Obtenido de: DOI: 10.21533/pen.v11i1.3452Avendaño., Q. J. (2020). Automatización del mecanismo de funcionamiento de la válvula grabber para manejo de tubería. Obtenido de: http://repositorio.uan.edu.co/bitstream/123456789/7333/3/2022_JohanAlexanderA venda%C3%B1oQuiroga.pdfAzarnejad., A y Khaloozadeh., H. (2022). Stock return system identification and multiple adaptive forecast algorithm for price trend forecasting. Obtenido de: DOI: 10.1016/j.eswa.2022.116685Barbaglia L., Consoli S., Wang S. (2021). Financial Forecasting with Word Embeddings Extracted from News: A Preliminary Analysis. Obtenido de: https://www.researchgate.net/publication/358703709_Financial_Forecasting_with_ Word_Embeddings_Extracted_from_News_A_Preliminary_AnalysisBase de datos Scopus. (2023). Advanced search. Disponible en: https://www-scopus com.ezproxy.unal.edu.co/searchBeyer D. S., Coussement K., De Caigny A., Pérez L.F & Creemers S. (2023). Do the US president's tweets better predict oil prices? An empirical examination using long short-term memory networks. Obtenido de: https://www.x mol.net/paper/article/16757165904832593Broz., R. D y Viego., N. V. (2014). Predicción de precios de productos de Pinus spp con modelos ARIMA. vol.20 no.1, ISSN 1405-0471. Obtenido de: https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1405- 04712014000100004Cadena., J. B, Ariza., M. J., y Palomo., R. J. (2018). La gestión de pronóstico en las decisiones empresariales: un análisis empírico. Revista Espacios, 39(13), 1-1. Obtenido de: https://www.cesa.edu.co/wp-content/uploads/2020/08/2020_Grupo de-Investigacion.pdfCai., B y Di., Q. (2023). Different Forecasting Model Comparison for Near Future Crash Prediction. Applied Sciences (Switzerland), 13 (2), art. no. 759. Obtenido de: DOI: 10.3390/app13020759Callejas, C. M & Vélez G. M. (2019). Predicción electoral usando un modelo híbrido basado en análisis sentimental: elecciones presidenciales de Colombia. Obtenido de: https://www.researchgate.net/publication/339581272_Prediccion_electoral_usand o_un_modelo_hibrido_basado_en_analisis_sentimental_y_seguimiento_a_encue stas_elecciones_presidenciales_de_ColombiaCastrillón., E. J, García., D. J, Anaya., T. M, Rodríguez., B. D, De la Rosa., B. D y Caballero., U. C. (2008). Bases de datos, motores de búsqueda e índices temáticos: herramientas fundamentales para el ejercicio médico. Salud Uninorte, vol. 24, núm. 1, pp. 95-119. Universidad del Norte Barranquilla, Colombia. Obtenido de: https://www.redalyc.org/pdf/817/81724111.pdfChen., K, Chen., G, Xu., D, Zhang., L, Huang., Y & Knoll., A. (2021). NAST: Non Autoregressive Spatial-Temporal Transformer for Time Series Forecasting. Obtenido de: https://www.researchgate.net/publication/349195112_NAST_Non Autoregressive_Spatial-Temporal_Transformer_for_Time_Series_ForecastingCheng., M. Y, Fang., Y. C y Wang., C. Y. (2021). Auto-tuning SOS Algorithm for Two Dimensional Orthogonal Cutting Optimization. KSCE Journal of Civil Engineering, 25 (10), pp. 3605-3619. Obtenido de: DOI: 10.1007/s12205-021-0522-yCong., N. B, Pérez., R. L & Morell. C. (2015). Aprendizaje supervisado de funciones de distancia: estado del arte. Obtenido de: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S2227-18992015000200002Correa., V. M. (2010). Inteligencia artificial para la predicción y control del acabado superficial en procesos de fresado a alta velocidad. Obtenido de: https://oa.upm.es/37172/1/TD_CORREA_%20VALENCIA_MARITZA.pdfDepartamento de ciencias de la computación e I. A (DECSAI). (s. f). Modelado de datos. Fundamentos de diseño de bases de datos. Universidad de Granada. Obtenido de: https://elvex.ugr.es/idbis/db/docs/intro/C%20Modelado%20de%20datos.pdfDerby., S. J. (2005). Design of Automatic Machinery. Obtenido de: https://www.researchgate.net/publication/329026602_Design_of_Automatic_Mach ineryDíaz., M. L. (2007). Estadística multivariada: inferencia y métodos. Universidad Nacional de Colombia. Sede Bogotá. Departamento de Estadística. Facultad de ciencias. Obtenido de: https://repositorio.unal.edu.co/bitstream/handle/unal/79907/Estad%C3%ADstica% 20Multivariada%209789587011951.pdf?sequence=2&isAllowed=yEspino., T. C. (2017). Análisis predictivo: técnicas y modelos utilizados y aplicaciones del mismo - herramientas Open Source que permiten su uso. Obtenido de: https://openaccess.uoc.edu/bitstream/10609/59565/6/caresptimTFG0117mem%C 3%B2ria.pdfGallegos., M. E. (2013). Métodos de pronósticos para negocios. Editorial digital Tecnológico de Monterrey. Instituto Tecnológico y de Estudios Superiores de Monterrey, México. Obtenido de: http://prod77ms.itesm.mx/podcast/EDTM/P196.pdfGil., R. M. (1994). La base de datos. Importancia y aplicación en educación. Perfiles Educativos, núm. 65. Obtenido de: https://www.redalyc.org/pdf/132/13206506.pdfGrudniewicz, J. (2023). Application of machine learning in algorithmic investment strategies on global stock markets. Obtenido de: https://www.sciencedirect.com/science/article/pii/S0275531923001782Guzmán., A. S y Hurtado., F. J. (2021). Predicción de la tendencia del indicador S&P500. Universidad de Antioquia, Facultad de Ingeniería, Departamento de Posgrados Medellín, Colombia. Obtenido de: https://bibliotecadigital.udea.edu.co/bitstream/10495/20116/7/GuzmanMarcelan_2 021_PrediccionS%26P500.pdfHanke, J. E. and Wichern, D. W. (2014). Business Forecasting (9th ed.). Harlow, England: Pearson Education Limited. Obtenido de: https://pdfcoffee.com/qdownload/hanke-john-e-wichern-dean-w-business forecasting-pearson-2014-pdf-free.htmlHarford, T. (2014). Big data: are we making a big mistake? The Royal Statistical Society Journal, Volume 11, Issue 5, p. 18. Obtenido de: https://rss.onlinelibrary.wiley.com/doi/epdf/10.1111/j.1740-9713.2014.00778.xHestness., J, Narang., S, Ardalani., N, Diamos., G, Jun., H, Kianinejad., H, Patwary., M, Yang., Y & Zhou., Y. (2017). Deep Learning scaling is predictable, empirically. Baidu Research. Obtenido de: https://arxiv.org/pdf/1712.00409Hu., J. (2022). Intelligent Decisionmaking System through LSTM Prediction Model and DQN algorithm. Obtenido de: DOI: 10.1109/ICDSCA56264.2022.9988461Investing. (2023). Datos históricos S&P 500. Obtenido de: https://es.investing.com/indices/us-spx-500-historical-dataIrabaruta., J. (2021). Stock Trading with Machine Learning Methods and Technical Indicators. Obtenido de: https://www.researchgate.net/publication/357049879_Stock_Trading_with_Machin e_Learning_Methods_and_Technical_IndicatorsIyer., S y Mahajan., A. (2023). Short-term Adaptive Forecast Model for TEC over equatorial low latitude region. Dynamics of Atmospheres and Oceans, 101, art. no. 101347. Obtenido de: DOI: 10.1016/j.dynatmoce.2022.101347Jaramillo., R. L. (2012). Métodos cualitativos y cuantitativos versus métodos de inteligencia artificial. Obtenido de: https://repository.cesa.edu.co/bitstream/handle/10726/428/ADM2012- 00624.pdf?sequence=8&isAllowed=yKaeley., H, Qiao., Y & Bagherzadeh., N. (2023). Support for Stock Trend Prediction Using Transformers and Sentiment Analysis. Obtenido de: https://arxiv.org/pdf/2305.14368.pdfKim H., Park K., Jeon J., Song C., Bae J., Kim Y & Kang M. (2021). Candidate Point Selection using a Self-Attention Mechanism for Generating a Smooth Volatility Surface under the SABR model. Obtenido de: https://www.researchgate.net/publication/349192855_Candidate_Point_Selection_ using_a_Self Attention_Mechanism_for_Generating_a_Smooth_Volatility_Surface_under_the_S ABR_modelLiang. L & Cai. X. (2022). Time-sequencing European options and pricing with deep learning – Analyzing based on interpretable ALE method. Obtenido de: https://www.sciencedirect.com/science/article/abs/pii/S095741742101304XMaisueche C. A. (2019). Utilización del machine learning en la industria 4.0. Máster en ingeniería industrial, escuela de ingenierías industriales Universidad de Valladolid. Obtenido de: https://core.ac.uk/download/pdf/228074134.pdfManagement solutions. (2020). Auto Machine learning, hacia la automatización de los modelos. Obtenido de: https://www.managementsolutions.com/sites/default/files/publicaciones/esp/auto machine-learning-sp.pdfMatthew J. Pagea, Joanne E. McKenzie, Patrick M. Bossuyt, Isabelle Boutron, Tammy C. Hoffmann, Cynthia D. Mulrow, Larissa Shamseer, Jennifer M. Tetzlaff, Elie A. Akl, Sue E. Brennana, Roger Chou, Julie Glanville, Jeremy M. Grimshaw, Asbjørn Hróbjartsson, Manoj M. Lalu, Tianjing Li, Elizabeth W. Loder, Evan Mayo-Wilson, Steve McDonalda, Luke A. McGuinness, Lesley A. Stewart, James Thomas, Andrea C. Tricco, Vivian A. Welch, Penny Whitingq, David Moher. (2021). Declaración PRISMA 2020: una guía actualizada para la publicación de revisiones sistemáticas. Obtenido de: https://www.revespcardiol.org/es-declaracion-prisma 2020-una-guia-articulo-S0300893221002748Mendieta., P. M & Sotolongo., L. C. (2019). El pronóstico y su importancia en la práctica clínica. Obtenido de: http://scielo.sld.cu/pdf/med/v58n3/1561-302X-med-58-03- e1322.pdfMillea., A. (2021). Deep Reinforcement Learning For Trading. A Critical Survey. Obtenido de: https://www.researchgate.net/publication/356279401_Deep_Reinforcement_Learn ing_For_Trading-A_Critical_SurveyMoreno, R. N. (2018). Aplicaciones de la Analítica y la Minería de Datos en la Gestión de Recursos Humanos. Trabajo de grado - Maestría. Universidad Nacional de Colombia. Facultad de Minas, Departamento de Ingeniería de la Organización. Medellín, Colombia. Obtenido de: https://repositorio.unal.edu.co/handle/unal/68928Moreno., A, Armengol., E, Béjar., J, Belanche., L, Cortés., U, Gavaldá., R, Gimeno., J. M, López., B, Martín., M y Sánchez., M. (1994). Aprendizaje automático. Ediciones de la Universidad Politécnica de Catalunya, SL Jordi Girona Salgado. Barcelona. Obtenido de: https://upcommons.upc.edu/bitstream/handle/2099.3/36157/9788483019962.pdfNieto., C. E. (2006). Manufactura y automatización. Ingeniería e Investigación, vol. 26, núm. 3, pp. 120-128. Obtenido de: https://www.redalyc.org/pdf/643/64326315.pdfNipun., D. N, Chaspari., T y Behzadan., H. A. (2018). Automated ergonomic risk monitoring using body-mounted sensors and machine learning. Obtenido de: https://www.sciencedirect.com/science/article/am/pii/S1474034618300454Pérez., P. A, Cruz., J, Guatemala., V. A, Juárez., F. V. (2018). Importancia de los pronósticos en la toma de decisiones en las MIPYMES. Obtenido de: https://revistageon.unillanos.edu.co/index.php/geon/article/view/17/11Poddubnaya., A.A y Keller., A.V. (2020). "forecast" - Adaptive forecast diagnostic intelligent system for vehicles. IOP Conference Series: Materials Science and Engineering, 819 (1), art. no. 012008. Obtenido de: DOI: 10.1088/1757- 899X/819/1/012008Pouls, M., Ahuja, N., Glock, K., Meyer, A. (2022). Adaptive forecast-driven repositioning for dynamic ride-sharing. Obtenido de: DOI: 10.1007/s10479-022-04560-3Ramírez., H. D. (2018). El machine Learning a través de los tiempos, y los aportes a la humanidad. Universidad Libre Seccional Pereira. Facultad De Ingenierías. Programa De Ingeniería De Sistemas. Obtenido de: https://repository.unilibre.edu.co/bitstream/handle/10901/17289/EL%20MACHINE %20LEARNING.pdf?sequence=1Rico., P. A y Sánchez., G. D. (2018). Diseño de un modelo para automatizar la predicción del rendimiento académico en estudiantes del IPN. Revista Iberoamericana para la investigación y el desarrollo educativo, ISSN 2007-7467. Obtenido de: https://www.scielo.org.mx/pdf/ride/v8n16/2007-7467-ride-8-16-00246.pdfSampieri, H. R. (2014). Metodología de la investigación. McGraw-Hill / Interamericana editores, S.A. de C.V. México D.F. ISBN: 978-1-4562-2396-0. Obtenido de: https://www.uca.ac.cr/wp-content/uploads/2017/10/Investigacion.pdfSánchez., M. J. (2010). Cómo realizar una revisión sistemática y un meta-análisis. Obtenido de: http://www.um.es/metaanalysis/pdf/5030.pdfShahvaroughi Farahani M & Razavi Hajiagha S.H. (2021). Forecasting stock price using integrated artificial neural network and metaheuristic algorithms compared to time series models. Obtenido de: https://link.springer.com/article/10.1007/s00500-021- 05775-5Suarez., B. L. (2018). Modelo de pronóstico de series de tiempo basado en técnicas de analítica predictiva en la mejora del proceso de definición del plan y presupuesto de ventas. Obtenido de: https://repositorio.escuelaing.edu.co/bitstream/handle/001/798/Luis%20Carlos%2 0Suarez%20Bernal.pdf?sequence=2&isAllowed=ySun-Hee, K. Christos, F & Hyung, J. Y. (2013). Coercively Adjusted Auto Regression Model for Forecasting in Epilepsy EEG. Computational and Mathematical Methods in Medicine, Volume 2013. Article ID 545613. Obtenido de: https://doi.org/10.1155/2013/545613Tieleman., T & Hinton., G. (2012). Lecture 6.5-rmsprop: Divide the gradient by a running average of its recent magnitude. COURSERA: Neural Networks for Machine Learning, 4, 2012.Vaswani., A, Shazeer., N, Parmar., N, Uszkoreit., J, Jones., L, Gomez., A, Kaiser., L, & Polosukhin., I. (2017). Attention Is All You Need. 31st Conference on Neural Information Processing Systems (NIPS), Long Beach, CA, USA. Obtenido de: https://proceedings.neurips.cc/paper_files/paper/2017/file/3f5ee243547dee91fbd0 53c1c4a845aa-Paper.pdfVisme. (2024). Editor de contenido e imágenes. Obtenido de: https://my.visme.co/editorYe J., Gu J., Dash A., Deek F.P & Wang G.G. (2023). Prediction with Time-Series Mixer for the S&P500 Index. Obtenido de: DOI: 10.1109/ICDEW58674.2023.00008Yu, N., Chen, J. (2022). Design of Machine Learning Algorithm for Tourism Demand Prediction. Obtenido de: DOI: 10.1155/2022/6352381Zhou Q., Qu T., Han Y., Duan F & Zhou, Qibin. (2023). Deep Reinforcement Learning with Comprehensive Reward for Stock Trading. Obtenido de: DOI: 10.1007/978- 981-99-1648-1_44Zhou., H, Zhang., S, Peng., J, Zhang., S, Li., J, Xiong., H, & Zhang., W. (2021). Informer: Beyond effcient transformer for long sequence timeseries forecasting. In AAAI, 2021.Zúñiga., Q. L. (2021). Desarrollo de un modelo predictivo para un sistema de manufactura orientado a la industria 4.0. Pontificia Universidad Javeriana de Colombia, Facultad de Ingeniería, Maestría en Ingeniería Industrial, Bogotá D.C. Obtenido de: https://repository.javeriana.edu.co/bitstream/handle/10554/55631/123-attachment 1627079269Lina%20Zu%C3%B1iga%20- %20Trabajo%20de%20Grado.pdf?sequence=4InvestigadoresLICENSElicense.txtlicense.txttext/plain; charset=utf-85879https://repositorio.unal.edu.co/bitstream/unal/86576/1/license.txteb34b1cf90b7e1103fc9dfd26be24b4aMD51ORIGINAL1035872765.2024.pdf1035872765.2024.pdfTesis de Maestría en Ingeniería - Analíticaapplication/pdf2169671https://repositorio.unal.edu.co/bitstream/unal/86576/2/1035872765.2024.pdf4d1eb67e5ffa1e2baf1463320ec2ff3bMD52THUMBNAIL1035872765.2024.pdf.jpg1035872765.2024.pdf.jpgGenerated Thumbnailimage/jpeg5256https://repositorio.unal.edu.co/bitstream/unal/86576/3/1035872765.2024.pdf.jpg24ede7b5bbf6288b8ec6289d1501efd3MD53unal/86576oai:repositorio.unal.edu.co:unal/865762024-07-19 23:15:36.248Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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