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

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 predicci...

Full description

Autores:: Sánchez Anzola, Nicolás

Tipo de recurso:: Article of journal

Fecha de publicación:: 2015

Institución:: Universidad Externado de Colombia

Repositorio:: Biblioteca Digital Universidad Externado de Colombia

Idioma:: spa

id	uexternad2_96cbbda84029c8cdbb625849df4ff1ca
oai_identifier_str	oai:bdigital.uexternado.edu.co:001/7517
network_acronym_str	uexternad2
network_name_str	Biblioteca Digital Universidad Externado de Colombia
repository_id_str
dc.title.spa.fl_str_mv	Máquinas de soporte vectorial y redes neuronales artificiales en la predicción del movimiento USD/COP spot intradiario
dc.title.translated.eng.fl_str_mv	Máquinas de soporte vectorial y redes neuronales artificiales en la predicción del movimiento USD/COP spot intradiario
title	Máquinas de soporte vectorial y redes neuronales artificiales en la predicción del movimiento USD/COP spot intradiario
spellingShingle	Máquinas de soporte vectorial y redes neuronales artificiales en la predicción del movimiento USD/COP spot intradiario redes neuronales artificiales máquinas de soporte vectorial kernels tasas de cambio clasificación indicadores técnicos predicción
title_short	Máquinas de soporte vectorial y redes neuronales artificiales en la predicción del movimiento USD/COP spot intradiario
title_full	Máquinas de soporte vectorial y redes neuronales artificiales en la predicción del movimiento USD/COP spot intradiario
title_fullStr	Máquinas de soporte vectorial y redes neuronales artificiales en la predicción del movimiento USD/COP spot intradiario
title_full_unstemmed	Máquinas de soporte vectorial y redes neuronales artificiales en la predicción del movimiento USD/COP spot intradiario
title_sort	Máquinas de soporte vectorial y redes neuronales artificiales en la predicción del movimiento USD/COP spot intradiario
dc.creator.fl_str_mv	Sánchez Anzola, Nicolás
dc.contributor.author.spa.fl_str_mv	Sánchez Anzola, Nicolás
dc.subject.spa.fl_str_mv	redes neuronales artificiales máquinas de soporte vectorial kernels tasas de cambio clasificación indicadores técnicos predicción
topic	redes neuronales artificiales máquinas de soporte vectorial kernels tasas de cambio clasificación indicadores técnicos predicción
description	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.
publishDate	2015
dc.date.accessioned.none.fl_str_mv	2015-07-01 00:00:00 2022-09-08T13:39:10Z
dc.date.available.none.fl_str_mv	2015-07-01 00:00:00 2022-09-08T13:39:10Z
dc.date.issued.none.fl_str_mv	2015-07-01
dc.type.spa.fl_str_mv	Artículo de revista
dc.type.coar.fl_str_mv	http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.coar.spa.fl_str_mv	http://purl.org/coar/resource_type/c_6501 http://purl.org/coar/resource_type/c_6501
dc.type.coarversion.spa.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.content.spa.fl_str_mv	Text
dc.type.driver.spa.fl_str_mv	info:eu-repo/semantics/article
dc.type.local.eng.fl_str_mv	Journal article
dc.type.redcol.spa.fl_str_mv	http://purl.org/redcol/resource_type/ARTREF
dc.type.version.spa.fl_str_mv	info:eu-repo/semantics/publishedVersion
format	http://purl.org/coar/resource_type/c_6501
status_str	publishedVersion
dc.identifier.doi.none.fl_str_mv	10.18601/17941113.n9.04
dc.identifier.eissn.none.fl_str_mv	2346-2140
dc.identifier.issn.none.fl_str_mv	1794-1113
dc.identifier.uri.none.fl_str_mv	https://bdigital.uexternado.edu.co/handle/001/7517
dc.identifier.url.none.fl_str_mv	https://doi.org/10.18601/17941113.n9.04
identifier_str_mv	10.18601/17941113.n9.04 2346-2140 1794-1113
url	https://bdigital.uexternado.edu.co/handle/001/7517 https://doi.org/10.18601/17941113.n9.04
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.bitstream.none.fl_str_mv	https://revistas.uexternado.edu.co/index.php/odeon/article/download/4414/5004 https://revistas.uexternado.edu.co/index.php/odeon/article/download/4414/5256
dc.relation.citationedition.spa.fl_str_mv	Núm. 9 , Año 2015
dc.relation.citationendpage.none.fl_str_mv	172
dc.relation.citationissue.spa.fl_str_mv	9
dc.relation.citationstartpage.none.fl_str_mv	113
dc.relation.ispartofjournal.spa.fl_str_mv	Odeon
dc.relation.references.spa.fl_str_mv	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.
dc.rights.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.uri.spa.fl_str_mv	https://creativecommons.org/licenses/by-nc-sa/4.0/
eu_rights_str_mv	openAccess
rights_invalid_str_mv	http://purl.org/coar/access_right/c_abf2 https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.format.mimetype.spa.fl_str_mv	application/pdf text/html
dc.publisher.spa.fl_str_mv	Facultad de Finanzas, Gobierno y Relaciones Internacionales
dc.source.spa.fl_str_mv	https://revistas.uexternado.edu.co/index.php/odeon/article/view/4414
institution	Universidad Externado de Colombia
bitstream.url.fl_str_mv	https://bdigital.uexternado.edu.co/bitstreams/6807bb22-a3a1-4b51-90a7-b86059fb33d2/download
bitstream.checksum.fl_str_mv	701aee7f922a9a40a5f206b4e0b4b022
bitstream.checksumAlgorithm.fl_str_mv	MD5
repository.name.fl_str_mv	Universidad Externado de Colombia
repository.mail.fl_str_mv	metabiblioteca@metabiblioteca.org
_version_	1814100370540986368
spelling	Sánchez Anzola, Nicolásdf1d5dc0-1bc9-4bd0-bb63-ad00059575152015-07-01 00:00:002022-09-08T13:39:10Z2015-07-01 00:00:002022-09-08T13:39:10Z2015-07-01La 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. application/pdftext/html10.18601/17941113.n9.042346-21401794-1113https://bdigital.uexternado.edu.co/handle/001/7517https://doi.org/10.18601/17941113.n9.04spaFacultad de Finanzas, Gobierno y Relaciones Internacionaleshttps://revistas.uexternado.edu.co/index.php/odeon/article/download/4414/5004https://revistas.uexternado.edu.co/index.php/odeon/article/download/4414/5256Núm. 9 , Año 20151729113OdeonAbe, 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.info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2https://creativecommons.org/licenses/by-nc-sa/4.0/https://revistas.uexternado.edu.co/index.php/odeon/article/view/4414redes neuronales artificialesmáquinas de soporte vectorialkernelstasas de cambioclasificaciónindicadores técnicospredicciónMáquinas de soporte vectorial y redes neuronales artificiales en la predicción del movimiento USD/COP spot intradiarioMáquinas de soporte vectorial y redes neuronales artificiales en la predicción del movimiento USD/COP spot intradiarioArtículo de revistahttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1http://purl.org/coar/version/c_970fb48d4fbd8a85Textinfo:eu-repo/semantics/articleJournal articlehttp://purl.org/redcol/resource_type/ARTREFinfo:eu-repo/semantics/publishedVersionPublicationOREORE.xmltext/xml2640https://bdigital.uexternado.edu.co/bitstreams/6807bb22-a3a1-4b51-90a7-b86059fb33d2/download701aee7f922a9a40a5f206b4e0b4b022MD51001/7517oai:bdigital.uexternado.edu.co:001/75172023-08-14 15:05:31.226https://creativecommons.org/licenses/by-nc-sa/4.0/https://bdigital.uexternado.edu.coUniversidad Externado de Colombiametabiblioteca@metabiblioteca.org

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

Publicaciones similares