Procedimiento para la previsión de tipos de cambio. Aplicación de redes neuronales artificiales EUR/USD
DOI:
https://doi.org/10.33936/eca_sinergia.v13i2.4149Palabras clave:
inteligencia artificial, pronósticos, redes neuronales recurrentes, series de tiempo.Resumen
La previsión del tipo de cambio constituye un elemento fundamental en la estrategia de cobertura frente al riesgo cambiario, lo que impulsa la búsqueda de nuevas técnicas que sean más eficaces. Con el objetivo de facilitar el uso de algoritmos de inteligencia artificial para este propósito, se creó el procedimiento expuesto en este trabajo. Este procedimiento está basado en el uso de métodos cuantitativos para la obtención de la previsión, siendo el más importante la utilización de las redes neuronales artificiales, concretamente las denominadas long short-term memory. Se lleva a cabo la construcción de distintos modelos de los cuales se elige el óptimo usando como criterio de selección la raíz cuadrada del error cuadrático medio. Tras la obtención de modelos que se desempeñan con una efectividad comprendida en el rango de 97.28% - 99.55% se demostró la eficacia del procedimiento. Palabras clave: inteligencia artificial, pronósticos, redes neuronales recurrentes, series de tiempo.Descargas
La descarga de datos todavía no está disponible.
Citas
Allaire, J. J., & Chollet, F. (2020). keras: R Interface to 'Keras'. R package version 2.3.0.0. https://CRAN.R-project.org/package=keras
Allaire, J. J., & Tang,Y. (2020). tensorflow: R Interface to 'TensorFlow'. R package version 2.2.0. Recuperado de: https://CRAN.R-project.org/package=tensorflow
Brownlee, J. (2016). «Time series forecasting as Supervised Learning». Machine Learning Mastery. Recuperado de de: https://machinelearningmastery.com/time-series-forecasting-supervised-learning/
Brownlee, J. (2017). «How to use timesteps in LSTM networks for time series forecasting». Machine Learning Mastery. Reccuperado de: https://machinelearningmastery.com/use-timesteps-lstm-networks-time-series-forecasting/
Brownlee, J. (2018). «Difference Between a Batch and an Epoch in a Neural Network». Machine Learning Mastery. Recuperado de: https://machinelearningmastery.com/difference-between-a-batch-and-an-epoch/
Brownlee, J. (2019). «The promise of recurrent neural networks for time series forecasting». Machine Learning Mastery. Recuperado de: https://machinelearningmastery.com/promise-recurrent-neural-networks-time-series-forecasting/
Chollet, F., & Allaire, J. J. (2018). Deep Learning with R. Manning Publication.
De la Oliva, F.,& García, A.(2020). «Procedimiento para un pronostico de la tasa de cambio euro-dólar». Revista CoFin Habana, 1. Recuperado de: http://www.cofinhab.uh.cu/index.php/RCCF/articledownload/387/377
Duncan, E.W. (2020). «A Guide to (Re-)Installing R and Related Software». Rpubs. Recuperado de: https://rpubs.com/Earlien/guide-to-installing-R
Hirekerur, R. (2020). «A Comprehensive Guide To Loss Functions – Part1:Regression». Medium. Obtenido de: https://medium.com/analytics-vidhya/a-comprehensive-guide-to-loss-functions-part-1-regression-ff8b847675d6
Hyndman, R., Athanasopoulos, G., Bergmeir, C., Caceres, G., Chhay, L., O'Hara-Wild, M., Petropoulos, F., Razbash, S., Wang, E., & Yasmeen, F. (2020). _forecast: Forecasting functions for time series and linear models_. R package version 8.12. Recuperado: http://pkg.robjhyndman.com/forecast.
Hyndman, RJ., & Khandakar ,Y. (2008). “Automatic time series forecasting: the forecast package for R.” _Journal of Statistical Software_, *26*(3), 1-22. Recuperado de: http://www.jstatsoft.org/article/view/v027i03.
Keydana, S. (23 de mayo de 2017). RPubs. «Time series forecasting - with deep learning». Rpubs. Recuperado de: https://rpubs.com/zkajdan/279967
Olah, C. (27 de agosto de 2015). «Understanding LSTM networks». Colah's blog. Recuperado de: https://colah.github.io/posts/2015-08-Understanding-LSTMs/
Phillips, N.D (2018). YaRrr! The Pirate’s Guide to R. Bookdown. Se encuentra en: Recuperado de https://bookdown.org/ndphillips/YaRrr/
R Core Team (2020). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. Recuperado de https://www.R-project.org/
RStudio Team (2019). RStudio: Integrated Development for R. RStudio, Inc., Boston, MA. Recuperado de http://www.rstudio.com/.
Torres, J. (2018). «Learning process of a neural network». Medium. Se encuentra en: https://towardsdatascience.com/how-to-artificial-neural-networks-learn-773e46399fc7
Trapletti, T., & Hornik,K. (2019). tseries: Time Series Analysis and Computational Finance. R package version 0.10-47. Recuperado de https://CRAN.R-project.org/package=tseries
Wickham, H., & Seidel,D. (2020). scales: Scale Functions for Visualization. R package version 1.1.1. Recuperado de https://CRAN.R-project.org/package=scales
Allaire, J. J., & Tang,Y. (2020). tensorflow: R Interface to 'TensorFlow'. R package version 2.2.0. Recuperado de: https://CRAN.R-project.org/package=tensorflow
Brownlee, J. (2016). «Time series forecasting as Supervised Learning». Machine Learning Mastery. Recuperado de de: https://machinelearningmastery.com/time-series-forecasting-supervised-learning/
Brownlee, J. (2017). «How to use timesteps in LSTM networks for time series forecasting». Machine Learning Mastery. Reccuperado de: https://machinelearningmastery.com/use-timesteps-lstm-networks-time-series-forecasting/
Brownlee, J. (2018). «Difference Between a Batch and an Epoch in a Neural Network». Machine Learning Mastery. Recuperado de: https://machinelearningmastery.com/difference-between-a-batch-and-an-epoch/
Brownlee, J. (2019). «The promise of recurrent neural networks for time series forecasting». Machine Learning Mastery. Recuperado de: https://machinelearningmastery.com/promise-recurrent-neural-networks-time-series-forecasting/
Chollet, F., & Allaire, J. J. (2018). Deep Learning with R. Manning Publication.
De la Oliva, F.,& García, A.(2020). «Procedimiento para un pronostico de la tasa de cambio euro-dólar». Revista CoFin Habana, 1. Recuperado de: http://www.cofinhab.uh.cu/index.php/RCCF/articledownload/387/377
Duncan, E.W. (2020). «A Guide to (Re-)Installing R and Related Software». Rpubs. Recuperado de: https://rpubs.com/Earlien/guide-to-installing-R
Hirekerur, R. (2020). «A Comprehensive Guide To Loss Functions – Part1:Regression». Medium. Obtenido de: https://medium.com/analytics-vidhya/a-comprehensive-guide-to-loss-functions-part-1-regression-ff8b847675d6
Hyndman, R., Athanasopoulos, G., Bergmeir, C., Caceres, G., Chhay, L., O'Hara-Wild, M., Petropoulos, F., Razbash, S., Wang, E., & Yasmeen, F. (2020). _forecast: Forecasting functions for time series and linear models_. R package version 8.12. Recuperado: http://pkg.robjhyndman.com/forecast.
Hyndman, RJ., & Khandakar ,Y. (2008). “Automatic time series forecasting: the forecast package for R.” _Journal of Statistical Software_, *26*(3), 1-22. Recuperado de: http://www.jstatsoft.org/article/view/v027i03.
Keydana, S. (23 de mayo de 2017). RPubs. «Time series forecasting - with deep learning». Rpubs. Recuperado de: https://rpubs.com/zkajdan/279967
Olah, C. (27 de agosto de 2015). «Understanding LSTM networks». Colah's blog. Recuperado de: https://colah.github.io/posts/2015-08-Understanding-LSTMs/
Phillips, N.D (2018). YaRrr! The Pirate’s Guide to R. Bookdown. Se encuentra en: Recuperado de https://bookdown.org/ndphillips/YaRrr/
R Core Team (2020). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. Recuperado de https://www.R-project.org/
RStudio Team (2019). RStudio: Integrated Development for R. RStudio, Inc., Boston, MA. Recuperado de http://www.rstudio.com/.
Torres, J. (2018). «Learning process of a neural network». Medium. Se encuentra en: https://towardsdatascience.com/how-to-artificial-neural-networks-learn-773e46399fc7
Trapletti, T., & Hornik,K. (2019). tseries: Time Series Analysis and Computational Finance. R package version 0.10-47. Recuperado de https://CRAN.R-project.org/package=tseries
Wickham, H., & Seidel,D. (2020). scales: Scale Functions for Visualization. R package version 1.1.1. Recuperado de https://CRAN.R-project.org/package=scales
Descargas
Publicado
2022-05-20
Cómo citar
Oliva de Con, F. de la, Molina Fernández, R., & Díaz Rodríguez, D. (2022). Procedimiento para la previsión de tipos de cambio. Aplicación de redes neuronales artificiales EUR/USD. ECA Sinergia, 13(2), 107–117. https://doi.org/10.33936/eca_sinergia.v13i2.4149
Número
Sección
Artículos
Licencia
Derechos de autor 2022 Fidel Oliva
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
