¿Qué es un pronóstico?

En el ámbito de los negocios un pronóstico es una herramienta que permite hacer

una estimación acerca de la probabilidad de los eventos futuros. Aunque existen
diferentes métodos para la elaboración de un pronóstico, siempre se debe seguir
un proceso lógico que consta de los siguientes pasos:

• Formular el problema y recolectar datos

• Manipular y limpiar datos

• Construir y evaluar el modelo

• Aplicar el modelo

• Evaluar el pronóstico

A través de la planeación, se pretende alterar de una manera consciente los

eventos futuros, en tanto que usamos los pronósticos para predecirlos. Una buena
planeación emplea un pronóstico como insumo; si éste no es aceptable, en
ocasiones, puede diseñarse un plan para modificar el curso de los eventos.
Incluso los buenos pronósticos tendrán algún error, pero el logro del error más
pequeño posible es la meta consistente con los costos razonables de la
preparación de pronósticos. En reconocimiento de los errores inherentes a los
pronósticos, todo pronóstico debe contar con, por lo menos, dos cálculos: uno
para la mejor estimación de la demanda y el otro para el error del pronóstico.

¿Por qué es importante hacer pronósticos?

Disminuyen la incertidumbre sobre el futuro.

Juegan un papel muy importante en el proceso de planificación de una

organización.

Todos requieren los pronósticos.

La necesidad de pronósticos está en todas las líneas funcionales, así como en

todos tipos de organizaciones. Los pronósticos son absolutamente necesarios
para avanzar en el ambiente de negocios actual, siempre cambiante y altamente
dinámico.

Métodos causales

En general, los métodos causales de pronóstico desarrollan un modelo de causa y

efecto entre variables; por ejemplo: la demanda de los helados puede relacionarse
con la población, la temperatura promedio del verano y la hora. Pueden
recopilarse datos sobre estas variables y realizarse un análisis para determinar la
validez del modelo propuesto.

Método de pronóstico causal- análisis de regresión

El análisis de regresión es una técnica estadística que se puede utilizar para

desarrollar una ecuación matemática que muestre cómo se relacionan las
variables. En la terminología de regresión, la variable a predecir se llama variable
dependiente o de respuesta. La variable o variables que se utilizan para predecir
el valor de la variable dependiente se llaman variables independientes o
pronosticadoras. El análisis de regresión que involucra una variable independiente
y una variable dependiente para el cual la relación entre las variables se aproxima
por medio de una recta se llama regresión lineal simple. El análisis de regresión
que integra dos o más variables independientes se conoce como análisis de
regresión múltiple.

Los modelos de pronóstico causal generalmente consideran algunas variables que

están relacionadas con la variable que se predice. Una vez que estas variables
relativas se han encontrado, se construye y utiliza un modelo estadístico para
pronosticar la variable de interés. Este intento es más poderoso que los métodos
de serie de tiempo que únicamente utilizan los datos históricos para pronosticar la
variable.

Se pueden considerar muchos factores en un análisis causal. Por ejemplo, las

ventas de un producto pueden estar relacionadas con el presupuesto de
publicidad de la empresa, los precios de competidores y las estrategias
promociónales, o aun las tasas económicas y de desempleo. En este caso, las
ventas serían llamadas variable dependiente y otras variables serían llamadas
variables independientes. El trabajo del administrador es de desarrollar la mejor
relación estadística entre las ventas y las variables independientes. El modelo de
pronóstico causal cuantitativo más común es el análisis de regresión lineal.

• Uso del análisis de regresión para pronosticar Se puede utilizar el mismo modelo
matemático que se empleó en el método de mínimos cuadrados para proyectar la
tendencia, al llevar a cabo el análisis de regresión lineal.

Las variables dependientes que se desean pronosticar seguirán siendo las y. Pero
ahora la variable independiente, x, no es el tiempo. y = a + b x Donde: y = valor de
la variable dependiente, en este caso ventas a = intersección en el eje y b =
pendiente de la línea de regresión x = la variable independiente

Ejemplo:
Carvajal suministra oficinas en el territorio colombiano. Al paso del tiempo, la
compañía se ha percatado que el volumen en pesos de su trabajo de renovación
es dependiente de la nómina de sus clientes en Colombia. La siguiente tabla
enumera ingresos y la cantidad de dinero ganada por los trabajadores asalariados
en Colombia durante los años 2.004-2005:

Ventas de Carvajal Nómina ($000.000.000.000) 2.000.000.000.oo 1

3.000.000.000.oo 3 2.500.000.000.oo 4 2.000.000.000.oo 2 2.000.000.000.oo 1
3.500.000.000.oo 7

La administración de Carvajal desea establecer una relación matemática que

ayude a predecir las ventas. Primero, necesitan determinar si existe una relación
de línea recta (lineal) entre la nómina y las ventas, se graficarán los datos.

A partir de los seis puntos de datos se puede apreciar que existe una ligera
relación positiva entre la variable independiente, la nómina y la variable
dependiente: las ventas. Mientras la nómina se incrementa, las ventas de Carvajal
tienden a ser mayores. Se puede encontrar una ecuación matemática al utilizar el
sistema de regresión por mínimos cuadrados. Ventas, y Nómina, x x2 x y 2.0 1 1
2.0 3.0 3 9 9.0 2.5 4 16 10. 2.0 2 4 4.0 2.0 1 1 2.0 3.5 7 49 24.5  = 15.0 18 80
51.5 x= x = 18 = 3 n 6 y= y = 15 = 2.5 n 6 b = x y – n x y = 51.5 – (6) (3) (2.5) =
0.25 x2 - nx2 80 – (6) (3)2

a= y- b x = 2.5 – (0.25) (3) = 1.75

La ecuación de regresión estimada, por lo tanto es:

y = 1.75 + 0.25x

Ventas = 1.75 + 0.25x

Si se predice que la nómina será de 6.000 millones para el próximo año, es

posible estimar las ventas de Carvajal con la ecuación de regresión: o Ventas =
1.75 + 0.25 (6) x ($000.000.000) o Ventas = $ 3.250´000.000

La regresión lineal para pronosticar la demanda

Dentro de los modelos causales o asociativos encontramos el análisis de

regresión o regresión lineal, que es un método con enfoque cuantitativo que nos
permite pronosticar la demanda. Agrupa una variable dependiente (la demanda)
con una o más variables independientes a través de una ecuación lineal.
Qué es la regresión lineal y cómo te ayudará en tu pronóstico de ventas

El objetivo del análisis de regresión como método causal es pronosticar la

demanda a partir de una o más causas (variables independientes), las cuales
pueden ser por ejemplo el tiempo, precios del producto o servicio, precios de la
competencia, economía del país, acciones del gobierno o fomentos publicitarios.

Algunos apuntes importantes sobre éste método son:

Puedes calcular series de tiempo y relaciones causales. En el primer caso, ubicas

la demanda histórica de tu bien o servicio para que cambie en función del tiempo.
El segundo caso es cuando la variable que pronosticas cambia en función de otra
(variable causal).

Lineal significa que los datos del periodo anterior y la proyección para el periodo
futuro que vas a obtener caen sobre una recta.

Si hablamos de una sola variable independiente, es una regresión lineal simple,

contrario a si son dos o más variables independientes, donde hablaríamos de
regresión lineal múltiple.

Cuándo utilizar la regresión lineal

El análisis de regresión es pertinente cuando se evidencia una tendencia en los

datos históricos del pronóstico. ¿Cómo? Dibuja los datos de meses anteriores, los
de la demanda real. Si lo estás haciendo en Excel 2010 o superior, da click
derecho sobre la serie de datos graficados y luego click en agregar línea de
tendencia. Si no, simplemente analiza la tendencia de los datos, ¿es creciente o
decreciente?

¿Cómo es la relación entre la demanda y el tiempo? Para responder esta

pregunta, haremos uso del coeficiente de correlación (r).

Este coeficiente, te permitirá entender qué tanta correlación existe entre la

demanda y el tiempo.

 Correlación perfecta: Cuando el resultado de coeficiente es igual a 1 o -1.

En este caso existe una relación directamente proporcional entre la
demanda y el tiempo.

 Correlación fuerte: Cuando el resultado es mayor a 0.5 y menor que 1

(correlación positiva) o menor a -0.5 y mayor que -1(correlación negativa).

 Correlación débil: Valores que están entre -0.5 y 0.5.

Entre más cercano se encuentre el coeficiente de correlación a +1 o -1 más fuerte
será la tendencia y más apropiado será aplicar un modelo de regresión lineal. Por
ejemplo si la correlación es igual a 1, observaremos que la relación entre las
variables es directamente proporcional, en el sentido que si uno aumenta, la otra
también lo hará.

Bien vale aclarar que este método es más útil cuando se enfoca en periodos de
largo plazo. Esto aunado a su utilidad para estimar la demanda en función de
variables independientes.

Veamos entonces de que va el análisis de regresión.

El análisis de regresión en el pronóstico de demanda

Esta es la ecuación de la recta. En ella:

 La b es la inclinación de la recta.

 La a es la secante o la altura en la que la recta corta al eje y.

 La X es nuestra variable independiente.

 La Y es nuestra variable dependiente, nuestro pronóstico calculado para un

periodo.

Como hacer una regresión lineal

Un ejemplo de regresión lineal para pronosticar la demanda:

Las ventas de la empresa IngE durante los últimos 10 trimestres son las
siguientes:
¿Cómo pronosticar la demanda de los trimestres 13, 14 y 15 a través de
un análisis de regresión lineal?

Lo primero es estimar los parámetros. Lo podemos lograr con el método de

mínimos cuadrados, que nos permite encontrar la recta que mejor se ajusta a un
conjunto de datos dados. En nuestro caso, este conjunto está dado por las ventas
trimestrales (variable dependiente). La variable independiente es el tiempo. Vamos
entonces a la siguiente fórmula para determinar a y b:

 La y “minúscula” es el valor y de cada punto de datos.

 La n es el número de punto de datos.

Conocidas las ecuaciones y el papel de las variables, vamos a calcular el
pronóstico con regresión lineal:

En la siguiente se encuentran los cálculos realizados para los 12 trimestres según

lo requerido por las ecuaciones:

Con los valores de la última fila de la tabla, podemos calcular a y b, con los cuales
logramos calcular los valores de la última columna (Y) que es la recta que más se
ajusta a la demanda y.

Veamos entonces:

Fíjate que el valor de «b» varía de 63,64 a 63,657 siendo este último el resultado
si se toman todos los decimales de las variables que participan en su cálculo. Para
tener resultados más fiables usamos el valor de «b» calculado con todos los
decimales, tal como lo aprecias cuando hallamos «a». Fíjate además que pasa lo
mismo con el valor calculado de «a» y el valor que se obtiene cuando en la
operación están todos los decimales.

Con esta aclaración, puedes ver cómo se realiza el pronóstico de producción del
trimestre 13. Procedemos igual para los demás trimestres.

Y=63,657(14)+72,894=964.09

Y=63,657(15)+72,894=1027.75

Eso tiene el siguiente aspecto:

Cuando pronosticamos, siempre queremos saber qué tan exacto es el método que
estamos utilizando, igual que una medida de error de pronóstico.

Para eso hay diferentes medidas que nos dan el grado de error en un pronóstico.

Una medida apropiada para medir el error en regresión lineal es el error estándar
de estimación (Sy,x), que nos permite determinar la variabilidad en torno a la recta
de regresión.

Con los datos obtenidos en nuestra tabla, reemplazamos en la formula y

obtenemos:

Error estándar del estimado Sy,x: 54,79

Esto lo interpretamos como una medida de la variabilidad o dispersión de los

valores observados alrededor de nuestra línea de regresión.
Otro análisis que si o si debemos realizar cuando trabajamos con un análisis de
regresión, no importa si es con un fin de pronóstico, es el cálculo del coeficiente de
correlación.

Como lo dijimos anteriormente, el coeficiente de correlación dará una medida de

asociación entre las variables X y Y.

Dicho de otra forma, el coeficiente correlación en la división entre la covarianza y

el producto de las desviaciones estándar de ambas variables.

Así pues, si queremos ver la correlación entre la demanda y lo pronosticado en

periodos anteriores (desde el periodo 1 hasta el 12), usamos la
función COEF.DE.CORREL de excel.

La función requiere dos datos de entrada:

 Matriz 1: Señalamos las demandas por mes.

 Matriz 2: Señalamos los pronósticos por mes.

El resultado de este ejercicio es r=0,975. Esto indica que la correlación es muy

fuerte y positiva porque está cercana a 1.

En otras palabras, nos conviene seguir usando este método de pronóstico para
futuros períodos.

REDES NEURONALES ARTIFICIALES

Una red neuronal es un sistema que permite establecer una relación lineal o no
lineal entre las salidas y las entradas. Sus características están inspiradas en el
sistema nervioso lo que les da varias ventajas tales como su capacidad de
aprendizaje adaptativo, son auto-organizativas, pueden funcionar en paralelo en
tiempo real y ofrecen tolerancia a fallos por la codificación redundante de la
información.

Desde el punto de vista de solucionar problemas, las redes neuronales son

diferentes de los computadores convencionales que usan algoritmos secuenciales,
mientras que las redes neuronales actúan como el cerebro humano, procesando la
información en paralelo, y también pueden aprender y generalizar a situaciones no
incluidas en el proceso de entrenamiento. Las redes neuronales pueden procesar
información de forma más rápida que los computadores convencionales, pero
tienen la desventaja de que no podemos seguir su respuesta paso a paso como se
puede hacer al ejecutar un programa convencional en un ordenador por lo que no
resulta fácil detectar los errores.

Las redes neuronales artificiales son muy efectivas para resolver problemas
complicados de clasificación y reconocimiento de patrones. La más utilizada es la
llamada de propagación hacia delante. La figura 1 muestra una red de
propagación hacia delante con dos capas ocultas. El número de entradas es
directamente dependiente de la información disponible para ser clasificada
mientras que el número de neuronas de salida es igual al número de clases a ser
separadas. Las unidades de una capa se conectan unidireccionalmente con las de
la siguiente, en general todas con todas, sometiendo a sus salidas a la
multiplicación por un peso que es diferente para cada una de las conexiones.

Fig. 1: Red neuronal de propagación hacia adelante

Las Redes Neuronales Artificiales han sido empleadas para resolver numerosos
problemas. Entre estos están los económicos y financieros, destacando en gran
medida su aplicación en la predicción de series temporales y su capacidad para
detectar y explotar la no-linealidad existente en los datos, aun en condiciones
donde existen datos incompletos o la presencia de ruido; también se destacan por
su desempeño en la solución de problemas complejos, donde el reconocimiento
de modelos o comportamientos es importante.
REDES NEURONALES Y PRONÓSTICO DEL PRECIO DE ACCIONES

Para el desarrollo del modelo se procedió a recopilar los datos históricos del precio
de las acciones de Ecopetrol y preferencial Bancolombia, las cuales se negocian
simultáneamente en las bolsas de valores de Colombia y Nueva York. Esta
información fue obtenida del sitio web de la bolsa de valores de Colombia
(www.bvc.com.co). Las variables de entrada corresponden a los precios de cierre
diarios en pesos colombianos y como salida única se tiene el precio a pronosticar
para el día siguiente.

La red que se utilizó fue el perceptrón multicapa con conexiones hacia adelante,
porque dentro del marco de las redes de neuronas, el perceptrón ha mostrado ser
una de las arquitecturas más útiles en la resolución de este tipo de problemas.
Esto es debido, fundamentalmente, a su capacidad como aproximador universal.
La arquitectura de esta red, se caracteriza porque tiene sus neuronas agrupadas
en capas de diferentes niveles. Cada una de las capas está formada por un
conjunto de neuronas y se distinguen tres tipos de capas diferentes: la capa de
entrada, la capa de salida y la capa oculta. Cada neurona posee su respectivo
nivel de umbral y la función de transferencia utilizada en todas las neuronas fue la
tangente hiperbólica.

Algoritmo de Aprendizaje

La regla o algoritmo de aprendizaje es el mecanismo mediante el cual se van

adaptando y modificando todos los parámetros de la red. En el caso del
perceptrón multicapa se trata de un algoritmo de aprendizaje supervisado; es
decir, la modificación de los parámetros se realiza para que la salida de la red sea
lo más próxima posible a la salida proporcionada por el supervisor o salida
deseada. Por tanto, el proceso de aprendizaje de la red es equivalente a encontrar
un mínimo de la función error. El algoritmo de aprendizaje utilizado fue del tipo
Levenberg Marquardt porque en general ha mostrado tener una convergencia más
rápida, es decir, requiere menor cantidad de iteraciones para llegar al nivel de
error especificado.

Proceso de Aprendizaje

El objetivo del aprendizaje o entrenamiento de la red, es ajustar los parámetros de

la red, pesos y umbrales, con el fin de que las entradas presentadas produzcan las
salidas deseadas, es decir con el fin de minimizar la función de error. En lo que
respecta al número de capas y neuronas por capa, no existe un método o regla
que determine el número óptimo de neuronas ocultas para resolver un problema
dado, generalmente se determinan por prueba y error, es decir partiendo de una
arquitectura ya entrenada, se realizan cambios aumentando y disminuyendo el
número de neuronas ocultas y el número de capas hasta conseguir la arquitectura
que se ajuste a la solución del problema. La selección de la mejor estructura en
este trabajo se determinó por medio de las medidas tradicionales de evaluación
del pronóstico dentro y fuera de la muestra, descritas en la siguiente sección.

Modelo de pronóstico con redes neuronales

En este trabajo se probaron diferentes estructuras de redes neuronales con una

capa oculta, partiendo de un número de neuronas igual al promedio entre el
número de entradas y el número de salidas. Luego se incrementó gradualmente el
número de neuronas en dicha capa hasta obtener la estructura más recomendable
para el pronóstico del precio de las acciones estudiadas. La selección de la mejor
estructura de red, se realiza considerando las siguientes medidas de evaluación
dentro y fuera de la muestra: RMSE (Raiz del error medio cuadrático) y el MAPE
(Error absoluto porcentual promedio), calculados mediante las ecuaciones 1 y 2.

Donde n es el número de observaciones consideradas, y es el precio real y y't es

el precio estimado por el modelo.

Este trabajo está dirigido a las necesidades de un swing trader operando en la

bolsa de valores de Colombia, cuyo objetivo fundamental es tener una idea del
valor futuro de una acción en los próximos días; de esta forma se escogió un
horizonte de predicción de un mes para el cual se encontró que la red neuronal se
entrenaba adecuadamente con los datos de los cinco meses anteriores. En
la tabla 1 se presentan los resultados para las acciones de Ecopetrol y
Preferencial Bancolombia respectivamente con las medidas de evaluación dentro
y fuera de la muestra de las diferentes estructuras de red entrenadas; donde r
corresponde al número de rezagos considerados y nn el número de neuronas en
la capa oculta. De un conjunto total de 124 datos de precios de cierre diarios
correspondientes a seis meses de negociación comprendidos entre el 1 de abril de
2011 y el 30 de septiembre 2011, se tomaron 102 para entrenamiento (cinco
meses) y se dejaron 22 datos correspondientes a un mes completo para
pronóstico fuera de la muestra.

Tabla 1: Desempeño del valor de las acciones con una variable de entrada
Los resultados de la tabla 1 muestran en general un buen desempeño de las
estructuras de redes estudiadas para modelar el comportamiento de ambas
acciones, sin embargo, se destacan los indicadores de la estructura 2/8/1 con dos
rezagos de tiempo en la capa de entrada y 8 neuronas en la capa oculta donde se
tienen unos errores bajos tanto dentro como fuera de la muestra. Se aprecia como
una misma estructura de red es suficiente para describir ambas acciones.

Dado el impacto que tiene la situación económica de los países ricos sobre el
comportamiento de las bolsas de valores de las economías emergentes, se
involucra en el análisis una segunda variable de entrada que pretende medir dicho
efecto sobre las acciones analizadas. En este caso se escogió el índice del dólar
americano DXY, el cual pondera diariamente el comportamiento del dólar
estadounidense frente a una canasta de las seis monedas más importantes
(http://investigaciones.bancolombia.com/espanol/glosariobco/glosarioGrupo2.asp).
En la última década se ha podido apreciar que este índice ha mantenido una
buena correlación con el desempeño de la economía mundial, depreciándose en
épocas de alto crecimiento y apreciándose en temporadas de crisis o
incertidumbre, ya que en este último caso los inversionistas liquidan sus activos en
renta variable en las economías emergentes buscando refugio en el dólar
americano.

En la tabla 2 se muestran los resultados para las estructuras de red con dos
variables de entrada, observándose una leve mejoría en los indicadores de
desempeño para el caso de dos rezagos de tiempo. Se destaca que siguen siendo
coherentes los resultados de cada estructura para ambas acciones estudiadas. Un
número de rezagos de tiempo superior a dos, empeora el desempeño de la red
dado que se aprecia un incremento en los indicadores.

Tabla 2: Desempeño del valor de las acciones con dos variables de entrada
ANÁLISIS DE RESULTADOS

Las estructuras encontradas de redes neuronales mostraron un buen

comportamiento dentro y fuera de la muestra. Un número de neuronas en la capa
oculta superior a seis, ocasiona una disminución de los indicadores de error dentro
de la muestra a la par con un incremento de los mismos fuera de la muestra, lo
cual indica que en estos casos la red memoriza cada vez más los datos de
entrenamiento pero pierde la capacidad de generalización. Dado que la hipótesis
de un mejor desempeño de las redes al incorporar el índice del dólar
estadounidense DXY como segunda variable de entrada se cumplió parcialmente,
es decir, para el caso de dos rezagos de tiempo; se procedió a entrenar nuevas
estructuras de redes con diferentes rezagos de tiempo en el precio pero acotando
el índice DXY a dos rezagos.

En la tabla 3 se muestran las mejores estructuras encontradas tomando como

referencia los indicadores de desempeño fuera de la muestra. En el caso de
Ecopetrol se tiene una estructura con seis neuronas en la capa oculta, donde la
red RNA1 modela el comportamiento de la acción con cuatro rezagos de tiempo
en el precio como única variable de entrada, mientras que la red RNA2 incluye los
cuatro rezagos tanto en el precio como en el índice DXY; la red RNA3 restringe a
dos el número de rezagos en el índice DXY. Para la acción Preferencial
Bancolombia, las estructuras presentan cuatro neuronas en la capa oculta, donde
RNA4 trabaja sólo con cuatro rezagos de tiempo en el precio, RNA5 incluye cuatro
rezagos tanto en el precio como en el índice DXY y la red RNA6 limita a dos el
número de rezagos en el índice DXY.

Las figuras 2 y 3 muestran el desempeño de la red RNA3 tanto dentro como fuera
de la muestra (pronóstico) para el precio de la acción de Ecopetrol en pesos
colombianos (Col-$); en las figuras 4 y 5 se tienen los resultados en pesos
colombianos para la acción Preferencial Bancolombia (Pfbcolom) con la red RNA6.
En todos los caso se encuentra que los pronósticos arrojados son muy próximos a
la realidad.

Tabla 3: Comparación de resultados en estructuras con diferentes rezagos de

tiempo
Fig. 2: Pronóstico Ecopetrol dentro de la muestra

Fig. 3: Pronóstico Ecopetrol fuera de la muestra

Fig. 4: Pronóstico Pfbcolom dentro de la muestra

Fig. 5: Pronóstico Pfbcolom fuera de la muestra

CONCLUSIONES

Un error en los pronósticos financieros puede significar la inadecuada asignación

de recursos en la empresa: un inventario no vendido, disminución de las utilidades
y en caso extremo, la bancarrota. De allí, que sea necesario tener un control
permanente de los cambios en el contexto para replantear las estrategias.

. Se concluyen las ventajas de las redes neuronales al ser modelos más sencillos
de implementar y permitir obtener bajos errores en el pronóstico tanto dentro como
fuera de la muestra.
REFERENCIAS

Schroader R., Mayer S., Johnny M., Administración de Operaciones, Conceptos y

casos contemporáneos.

Mc Garw Hill. Quinta Edición 2011. • Hanje J., Wichern D. Pronósticos en los
Negocios.

Prentice Hall Pearson Educación. Novena Edición. 2010 • Torres MJ. Pronósticos,
una herramienta clave para la planeación de las empresas. Articulo.

Abdullah, Y. y G. Sevil, Forecasting world stock market volatility, International

Research Journal of Finance and Economics, 15, 159-174 (2008). [ Links ]

Atsalakis, G. S. y K. P. Valavanis, Surveying stock market forecasting techniques -

part II: soft computing methods, Expert Systems with Applications, 36, 5932-5941
(2009). [ Links ]

Bekiros, S. D. y D. A. Georgoutsos, Evaluating Direction of Change Forecasting:

Neurofuzzy Models vs. Neural Networks, Mathematical and Computer Modelling,
46, 38-46 (2007). [ Links ]

Chen, T., C. Su, C. Cheng y H. Chiang, A novel Price-pattern detection method

base don time series to forecast stock markets, African Journal of Business
Management, 5 (13), 5188-5198 (2011). [ Links ]

Fernández F. y S. Sosvilla, Testing Nonlinear Forecastibility in Time Series: Theory

and Evidence from EMS,Economic Letters, 59, 49-63 (1998). [ Links ]

García, I., A. Marbán, Y. M. Tenorio y J. G. Rodríguez, Pronóstico de la

concentración de oxono en Guadalajara-México usando redes neuronales
artificiales, Revista Información Tecnológica, 19 (3), 89-96 (2008). [ Links ]