Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
• Aplicar el modelo
• Evaluar el pronóstico
Métodos causales
• 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:
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
y = 1.75 + 0.25x
Lineal significa que los datos del periodo anterior y la proyección para el periodo
futuro que vas a obtener caen sobre una recta.
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.
La b es la inclinación de la recta.
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?
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
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.
En otras palabras, nos conviene seguir usando este método de pronóstico para
futuros períodos.
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.
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.
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
Proceso de Aprendizaje
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 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.
CONCLUSIONES
. 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
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.