Redes neuronales

Solo disponible en BuenasTareas
  • Páginas : 40 (9998 palabras )
  • Descarga(s) : 0
  • Publicado : 23 de enero de 2012
Leer documento completo
Vista previa del texto
UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS ECONÓMICAS Y ADMINISTRATIVAS ESCUELA DE ECONOMÍA Y ADMINISTRACIÓN

“Administración de carteras con redes neuronales mediante metodología Rolling”
Seminario para optar al título de ingeniero comercial

Profesor guía: Antonino Parisi Fernández Autor: Marcelo Gutiérrez Márquez

Santiago de Chile Diciembre 2004

A mi familia por su amor y apoyoconstante A María Inés Campo por su compañía, apoyo y ánimo incondicionales A Antonino Parisi, por confiar en mí para este tema, por su guía y su optimismo constante A David Díaz, Julio Rebolledo Y Edinson Cornejo por su excelente disposición y generosa y desinteresada colaboración Y a mi abuelo, por inculcarme el amor por la Universidad de Chile y por el conocimiento

1

“Administración decarteras con redes neuronales mediante metodología Rolling”

Marcelo Gutiérrez Márquez Profesor Guía: Antonino Parisi Fernández Abstracto Este trabajo persigue evaluar la rentabilidad que habría obtenido un inversionista que hubiese seguido las recomendaciones de Redes Neuronales Artificiales para la conformación semanal de sus carteras durante casi 4 años. Lo que se busca es ver no sólo si laproyección de las RNA constituyen una mejor predicción del retorno de las acciones que el promedio histórico de estos, si no que además busca ver si al usar una metodología Rolling para las predicciones se puede lograr un mejor desempeño de las RNA y por ende una mayor rentabilidad de la conformación de carteras. Para esto se usa una red Ward que se vuelve a entrenar con los nuevos datos cada vezque se quiere proyectar una nueva semana (Método Rolling). En este estudio se usaron datos de 29 de las 30 acciones del Dow Jones Industrial Average para el período comprendido entre el 4 de febrero de 1994 y el 10 de septiembre del 2004. Como Benchmark para el método propuesto se usó la metodología tradicional de conformación de carteras tomando el coeficiente Beta de correlación con el mercadocomo medida del riesgo y el promedio de los retornos históricos como medida del retorno esperado, este método se denominará como portfolios por Betas. En este trabajo se encontró que la red Ward tenía excelente capacidad predictiva para el signo que seguirá el cambio del precio de una acción. También se mostró que cuando se permite venta corta la estrategia por RNA obtiene mayor rentabilidadacumulada en promedio que la estrategia por Betas. En cambio, cuando no se permite la venta corta los portfolios por Betas superan a los de RNA en este mismo indicador.

2

INDICE Parte I I.1 Introducción…………………………………………………………….………5 I.2 Marco Teórico………………………………………………………………….6 I.2.1 Redes Neuronales Artificiales (RNA)……………………………...9 I.2.1.a RNA: Sistemas paralelos, distribuidos yadaptativos……......10 I.2.1.b LA Neurona…………………………………………………….....11 I.2.1.c Funciones de activación…………………………………………14 I.2.1.d Arquitectura de RNA……………………………………………..16 I.2.1.e Proceso de aprendizaje……………………………………........18 I.2.1.f Generalización v/s memorización…………………………........19 I.2.1.g Síntesis sobre redes neuronales……………………..………...20 Parte II II.1 Metodología…………………………………………………………………..22 II.1.1 MétodoRolling……………………………………………………..22 II.1.2 RNA Utilizada………………………………………………………23 II.1.3 Modelo para la rentabilidad…………………………………........24 II.1.4 Conformación de portfolios…………………………………........24 II.1.4.a Según los betas……………………………………………........24 II.1.4.b Según RNA………………………………………………………26 II.1.5 Resultados comparables……………………………………........28 II.1.6 Validación y capacidad predictiva de los modelos…………….29 II.1.7Datos………………………………………………………………..31 Parte III III.1 Resultados…………………………………………………………………..33 III.1.1 Capacidad predictiva……………………………………………..33 III.1.2 Portfolios…………………………………………………………...34

3

Parte IV IV.1 Conclusiones………………………………………………………………..37 Anexo 1: “Evolución del Dow Jones diciembre 2000 a diciembre 2004”…...…….39 Referencias……………………………..…………………………………………….…41

4

Parte I I.1...
tracking img