Un modelo de prediccin para el valor TRM: o Un acercamiento desde las redes neuronales articiales

Mauricio Ayala Snchez* a

Escuela de Matemticas a Universidad Sergio Arboleda

Bogot, Colombia. a Ruben Dario Castillo Serna**

Departamento de Administracin y Finanzas o Universidad del Valle

Cali - Colombia.

Resumen Se presenta un modelo de prediccin a un d del mercado de divisas en Colombia, o a basado en Redes Neuronales Articiales (RNA), el cual logr entender y predecir o ecientemente el mercado. Y aunque el modelo report resultados de entrenamiento o o ptimo similares tanto en una serie con 20 d precedentes, como en una serie con solo as 5 d precedentes al valor de la prediccin, la red neuronal con 5 entradas reporto una as o eciencia de validacin del 90 % comparado con una eciencia del 44 % en el otro caso o (Todo esto, en el mismo conjunto Test y con un error de aprendizaje inferior al 1 %). En ambos casos fue ms importante y sensible a la prediccin el valor TRM del d a o a anterior, cuanticadores que decrecen en la medida que los d se alejan hacia atrs del as a d a predecir. Adicionalmente, usando la red con 5 entradas se mostr que el modelo de a o RNA es mucho ms eciente para hacer predicciones a 1 d que a 50 d seguidos; con a a as una eciencia promedio de 48 % y 28,5 % en el primer y segundo caso respectivamente y un error de aprendizaje inferior o igual al 2 %. Por otro lado, se busc una validacin (segn RNA) del anlisis tcnico en el mero o u a e cado local de divisas, usando como valor output el precio de cierre del dolar en un d a transaccional y como inputs: el d y mes de la prediccin, apertura, m a o nimo, mximo, a cierre, monto transado y nmero de operaciones de los tres d inmediatamente anteriu as ores. Se encontr que el parmetro signicativamente ms relevante para la prediccin o a a o fue el precio de cierre del d anterior, an as el modelo de RNA mostr ser coherente a u o con el anlisis de velas. Siendo muy interesante el 3er. lugar de importancia que la RNA a
* **

E-mail: mauricio.ayala@usa.edu.co E-mail: rcastillo@uniweb.net.co

Mauricio Ayala Snchez, Ruben Dario Castillo Serna a

le da al mes o poca del ao, indicndonos que el mercado por lo regular tiene una e n a tendencia segn la poca del ao. Sin embargo, tuvo poca o casi ninguna relevancia el u e n monto y el nmero de operaciones hechas en los 3 d anteriores, lo cual signica que el u as volumen no necesariamente sigue la tendencia. Aqu se us una base de datos sobre los o histricos que van desde enero/1995 hasta junio/2004 para un total 2271 d de anlisis. o as a Palabras claves: Redes Neuronales Articiales, Prediccin en series de tiempo, Valor o TRM.

1.

Introduccin o

En la actualidad, las Redes Neuronales Articiales o RNA, se reconocen como una de las herramientas matemticas de uso computacional que mejores resultados presenta a la hora a de modelar un problema, ya sea de: Aproximacin de funciones: como el diagnstico y control de maquinaria, en el control o o del piloto automtico de una aeronave, o en el control de un robot, etc. a Clasicacin: como el diagnstico mdico, reconocimiento de caracteres, deteccin de o o e o fraude o clasicacin de riesgo crediticio, etc. o Prediccin de series de tiempo: como la prediccin del mercado de capitales, quiebra o o bancaria, prediccin de ventas, prediccin del consumo energtico, etc. o o e Procesamiento de datos: en ltrado de ruido o encriptando informacin, etc. o En particular son las redes perceptrn multicapa o rpm las que han mostrado resultados o satisfactorios en la econom como es el caso de la prediccin del mercado de valores[3, 4, a, o 10, 14], la clasicacin de riesgo crediticio[6], en el anlisis de solvencia de una compa o a na[7], prediccin de la quiebra bancaria[13], as como su aplicacin en modelos de inacin en la o o o econom colombiana[8, 9]. a A pesar que, la idea de RNA surgi por McCulloch & Pitts en 1943, esta tcnica solo vino o e a tener una fuerte aplicacin en problemas concretos en la ultima dcada, debido en parte o e al creciente desarrollo en los 90s de las computadores, las cuales hicieron posible implementar estos modelos. Y aunque se tiene indicios de que la mayor de las aplicaciones que a se desarrollan con RNA pueden ser desarrolladas con los mtodos estad e sticos standard[12], estos modelos han mostrado que pueden ser superiores a otras tcnicas de anlisis multie a variado, llegando a mejores resultados de prediccin que otros mtodos estandard[2, 9, 16]. o e Esto debido a que las RNA se pueden adaptar muy bien tanto a problemas lineales, como en problemas no lineales, y es aqu donde las RNA tiene un potencial que otros modelos no poseen. Adems, la tcnica de redes neuronales tiene un atractivo que las hace an a e u ms interesantes y es su habilidad para aprender, re-aprender y generalizar el conocimiento a adquirido a nuevas observaciones, es decir este es un modelo que tiene memoria. Por otro 164

Un modelo de prediccin para el valor TRM o lado, las RNA consideran a cada conjunto de parmetros de un objeto de estudio, como a una unidad que debe ser reproducida, y correlacionado con sus semejantes, a diferencia de los modelos tradicionales que se enfocan solo en la correlacin entre parmetros y no entre o a objetos de estudio. Cuando se aplica un modelo de aprendizaje supervisado de una RNA a un conjunto de datos, estos se dividen en dos grupos separados: un conjunto de datos de entrenamiento y un conjunto de test que validar el modelo. En su mayor las aplicaciones de RNA en series a a, de tiempo, los datos son distribuidos en per odos separados y prolongados, lo cual aumenta la probabilidad de error, dado que las condiciones del mercado estn variando d a d y a a a no siempre es posible saber con precisin como va a ser el mercado la semana siguiente o o el mes siguiente. Aqu nosotros consideramos que esto no tiene mucho sentido y nuestro , planteamiento es hacer predicciones a muy corto plazo (un d una semana, etc.) de tal a, manera que se reduzca el error y el modelo ofrezca una utilidad prctica para el mercado. a Siendo las RNA un mtodo de caja negra, las redes neuronales son una herra-mienta e adecuada para encontrar una relacin causal entre diferentes parmetros. En particular o a pueden ser muy utiles para encontrar las variables de prediccin relevantes en una serie o de tiempo nanciera, ya que no asumen alguna estructura de la econom su objetivo a, primordial antes que suponer cualquier relacin funcional preconcebida, es encontrar una o relacin causal entre los parmetros de entrada y la salida deseada. o a Por un lado se puede pensar que una serie de tiempo de un mercado de valores es algo que tiene un comportamiento no predecible; no siempre es posible saber con anticipacin o que va a suceder un tiempo despus. Sin embargo, la existencia de mtodos de anlisis e e a bursatil son un claro indicio que existe un comportamiento subyacente en los mercados de valores, al describir las tendencias impl citas. Por consiguiente surge la pregunta de cual es el caracter dominante en un mercado de valores?, en particular el mercado colombiano, el cual nos corresponde. Con este interrogante a resolver, tomamos el mercado de divisas en Colombia como objeto de estudio, que es uno de los items en el mercado bursatil con mayor liquidez, y de mayor relevancia en las exportaciones colombianas. Con este propsito, o usando la tcnica de redes neuronales, estudiamos aqu el comportamiento del valor TRM e (Tasa Representativa del Mercado)1, adems del precio de cierre del dlar en el mercado a o regulado.

165

Mauricio Ayala Snchez, Ruben Dario Castillo Serna a

2.

Redes perceptrn multicapa o

Por analog con las redes neuronales celulares, las RNA consisten de un conjunto nito a de unidades interconectadas entre si, llamadas neuronas. Cada neurona Ni es modelada por un conjunto de datos de entrada Yj , los cuales tendrn cada uno un peso Wij que nos a indica el factor de importancia de conexin entre la neurona i con la neurona j. Asociado o a una neurona Ni siempre hay valor de salida Yi que podr ser la entrada a otra neurona a o el valor de salida de la red neuronal (respuesta de la red), el cual se encuentra al evaluar la funcin de activacin f (Si ), donde Si es denido como la suma de un valor bias i o o (factor de corrimiento) ms la suma de todos las entradas a la neurona multiplicados por a los correspondientes pesos sinpticos, es decir a Si =
j

Yj Wji + i

La funcin de activacin puede tener mltiples formas, una de las ms utilizadas es la funcin o o u a o sigmoidal (ver [11] para ms detalles) Al construir una red neuronal, esta debe poseer un a conjunto de neuronas que recibirn los parmetros de entrada (input), y un conjunto de a a neuronas que reportarn el valor predicho (output). La literatura clasica las RNA en dos a tipos: Recurrentes: Pueden haber neuronas que son ambos: input & output. Ej. Redes autoasociadas (estas pueden presentar un comportamiento catico). Ver gura 3. o Dirigidas: Las neuronas input son diferentes de las neuronas output y la informacin o siempre viaje unidireccionalmente de las neuronas input a las neuronas output. Ej. Redes perceptrn. Ver gura 3. o Las estructuras de RNA ms estudiadas y usadas en diferentes problemas, son las redes a perceptrn debido a su estabilidad y a su eciencia para minimizar el error. Estas pueden o ser simples o multicapas (rpm), y se caracterizan porque sus neuronas estn dispuestas en a capas o niveles, siendo la primera capa, la capa de entrada de datos o neuronas input, la ultima capa representa las neuronas de salida o output, y entre estos se encuentran (si las hay) las capas ocultas o hidden. En estas topolog las neuronas input estn conectados as a con la primera capa oculta (si la hay), la cual conecta con la segunda capa oculta (si la hay) y as sucesivamente hasta las neuronas output. Las RNA adquieren el conocimiento a travs de un proceso de instruccin, que puede ser e o de dos formas:
1 La TRM se calcula como el promedio ponderado de las operaciones de compra y venta de dlares sin o incluir las operaciones de ventanilla (conocidas como aquellas que se realizan en el next day o mercado de compra y venta de dlares que funciona entre las 14:30 y 16:30 horas) y de derivados sobre divisas que llevan o a cabo los establecimientos de crdito (sin incluir las compa de nanciamiento comercial) en las cuatro e nas principales ciudades del pa (Bogot, Medell Cali y Barranquilla). ver[15] s a n,

166

Un modelo de prediccin para el valor TRM o Supervisado: cada conjunto de parmetros de entrada tiene asociado un conjunto a de parmetros de salida deseado (un profesor). De otra manera, despus del entrea e namiento, la RNA debe reportar la salida deseada para cada conjunto de parmetros a de entrada. No supervisado: Los datos son distribuidos en una malla n-dimensional, de tal forma que despus del entrenamiento cada conjunto de observacin se ubicar al lado de e o a sus semejantes, es decir al lado de aquellos elementos con quienes las diferencias sean m nimas. En nuestro caso, el cual es un problema de prediccin en series de tiempo, el aprendizaje o supervisado es el que mejor se adapta a nuestras necesidades, debido a que siempre es posible disponer de un conjunto profesor. Este aprendizaje se obtiene al minimizar la funcin de o Error cuadrtico medio: a 1 E= (d0 Y0 )2, 2 p siendo d0, Y0 respectivamente el valor deseado y el valor output de la RNA para cada caso de estudio p. Tenga en cuenta que Y0 depende de la salida de las neuronas que le preceden y de los pesos de conexin correspondientes, valores (salidas) que a su vez dependen de la o salida y peso de conexin con las neuronas precedentes y as sucesivamente hasta los valores o input. Luego, son los pesos Wij de la conexin interneuronal junto con los parmetros i , o a los usados para obtener el conocimiento, ya que estos son los unicos valores libres en la red; estos representan la memoria de una red neuronal articial que ha sido entrenada. Por lo tanto, minimizar la funcin Error signica buscar unos valores Wij , i para cada o neurona que logren este objetivo, lo cual se logra despus de un nmero nito de ciclos de e u entrenamiento. Esto conlleva a la siguiente perturbacin que se itera para los valores Wij o en cada ciclo, + Wij = j Yi + Wij , (1)
+ siendo Wij la iteracin anterior y Wij la iteracin siguiente2. Tenga en cuenta que en el o o primer ciclo de entrenamiento no hay una iteracin precedente, por lo tanto Wij = 0. Los o parmetros y normalizados entre [0, 1], son una rata de aprendizaje y un momentum a respectivamente3 .
2

La primera parte del lado derecho de la ecuacin (1) se obtiene al aplicar la condicin o o
+ Wij = Wij E,

la cual es una condicin de gradiente que nos indica la direccin en que la funcin Error se minimiza. La o o o segunda parte, es una factor de correccin que mantiene una memoria de la direccin de minimizacin en o o o nimos que pueda tener la funcin Error. o los parmetros Wij , esto debido a deformaciones locales o falsos m a 3 El parmetro se puede interpretar como: que tan aprisa queremos que la red aprenda o avance en a la direccin de minimizacin. Por lo tanto, si este coeciente toma valores cercanos a 1, signica que la o o red intentar asimilar el conocimiento lo ms rpido posible con el inconveniente que puede aprender no a a a

167

Mauricio Ayala Snchez, Ruben Dario Castillo Serna a Aqu j toma valores diferentes si se aplica a una neurona input, hidden u output. Por ejemplo, tomando como funcin de activacin la funcin sigmoidal, se tiene que: o o o o = (do Yo )Yo (1 Yo ), (2)

si el peso Wij que se modica conecta a una neurona output. Si Wij conecta dos neuronas hidden o una neurona hidden con una neurona input, entonces se aplica la siguiente regla, para el caso de la funcin sigmoidal o
No

h = Yh (1 Yh )
o=1

o Who

(3)

Esta regla se conoce como la regla Back-propagation (ver detalles en [11]). Tenga en cuenta que si la red neuronal alcanza un aprendizaje completo en el n-simo ciclo (es decir e d0 = Y0 ), se tiene entonces que las ecuaciones (2), (3) toman valor cero y por lo tanto + Wij = 0, lo cual indica que el entrenamiento se ha terminado.

3.

Modelo

La prediccin de series de tiempo, es algo que ha ocupado mucho a investigadores de diso tintas disciplinas, pero son las series de tiempo nancieras las que ms inters obtienen, a e en parte debido a la complejidad de los sistemas nancieros, y a la alta no-linealidad de su comportamiento uctuante y a veces caprichoso. Sin embargo, las RNA han tenido aqu un xito que otras tcnicas no han logrado. Diferentes modelos de redes neuronales e e han sido desarrollados para la prediccin de mercados, algunos se enfocan en la prediccin o o del precio futuro de un valor o en modelar la rentabilidad de una accin, otros son aplio cados para reconocer ciertos patrones de precios del mercado. Sin embargo, aunque una RNA tenga la habilidad de entender el comportamiento de una secuencia (aprender) y de predecir la serie un tiempo despus, el aprendizaje y la prediccin no necesariamente estn e o a relacionados entre si. Se han encontrado secuencias caticas que pudieron ser aprendidas o pero no predichas, y secuencias cuasiperidicas que pudieron ser predichas pero no apreno didas por una RNA[5], aunque este no ha sido el caso en muchos estudios aplicados a la econom a[3, 4, 10, 14]. Para nuestro modelo de prediccin, usamos como inputs, los valores de la serie de tiempo o anteriores al valor de la prediccin, tomando tantas entradas como se considere necesario o para hacer una prediccin aceptable (ver gura 4). o
muy ecientemente (recuerde que la funcin puede tener deformaciones locales abruptas). Si toma valores o cercanos a 0, puede signicar que la red aprende con mayor seguridad, pero esta vez lo hace muy lentamente, lo cual puede conllevar a que la red se estanque en su aprendizaje. Debido a estos inconvenientes se introduce un factor que se puede interpretar como: que tan enfocada en el entrenamiento queremos que la red se encuentre, el cual permite una convergencia ptima an en el caso que tome valores grandes. o u

168

Un modelo de prediccin para el valor TRM o

3.1.

Prediccin del valor TRM o

Para desarrollar nuestro modelo, escogimos una estructura que fuese versatil en el proceso de aprendizaje. Por esto partimos de un diseo perceptrn multicapa con un entrenamiento n o supervisado, usando como funcin de activacin la funcin sigmoidal y aplicando la regla o o o de aprendizaje Back-propagation antes comentada. Las restricciones que se le impuso a nuestro modelo de rpm, es que tuviese mximo 3 capas ocultas y m a nimo 1 capa oculta, es decir buscamos un diseo rpm(N:x:y:z:M)4. Luego, se exploraron diferentes estructuras de n rpm con estas condiciones, hasta encontrar una topolog ptima (es decir, con el menor a o error cuadrtico medio posible) para cada conjunto de datos expuestos a la red. a En el primer caso, se us como datos de entrada: el valor TRM de los 20 d precedentes o as al valor TRM del d de prediccin. Despus de explorar diferentes rpm, llegamos a una red a o e neuronal ptima con la siguiente estructura rpm(20:7:1), la cual alcanz un error normalo o 5 izado promedio de 0.003452 (o un error porcentual promedio de 0.34 %) despus de 7875 e ciclos de entrenamiento y 2271 casos de estudio. Aqu denimos la importancia de una neurona input k, como la suma del valor absoluto de los pesos Wkh que conectan esta neurona con la siguiente capa, es decir Imp(Tk ) =
h

|Wkh |.

Este valor es una medida de cuanto pesa cada neurona input en la red, o que tanta inuencia tiene esta en la misma. Por comodidad, reescalaremos este cuanticador en una Importancia Normalizada usando la siguiente frmula o ImpN (Ti) = Imp(Ti) j Imp(Tj )

Como es de notar en la anterior grca, este anlisis le ha dado una mayor relevancia a los 5 a a d precedentes al d de prediccin (T1 T5), siendo ms importante el d anterior (T1) as a o a a y en donde la importancia decrece en la medida que los d se alejan hacia atrs del d a as a a predecir (Ver los valores de importancia para esta red en la tabla No. 1 del apndice). Cabe e anotar que en todas las RNA que se exploraron, los parmetros de entrada ms relevantes a a para la prediccin del valor TRM fueron los 5 d anteriores al valor de la prediccin y o as o ordenados de la misma manera como el caso anterior, adems de que los d T6 T20 a as tuvieron poca relevancia en la prediccin en todos estos. o
Siendo N el nmero de inputs, M el nmero de outputs, x,y,z el nmero de neuronas en la primera, u u u segunda y tercera capa oculta posible. 5 El error normalizado promedio se dene como: 1 E= N
N 4

p=1

|d0 Y0 | . d0

169

Mauricio Ayala Snchez, Ruben Dario Castillo Serna a Despus de esto se explor diferentes rpm, pero esta vez con solo 5 parmetros de entrada e o a correspondientes al valor TRM de los 5 d anteriores a la prediccin. Encontramos una as o red ptima con una estructura rpm(5:9:1), la cual logr un error promedio normalizado o o de 0.003491 despus de 3100 ciclos de entrenamiento. Valor que es bastante cercano al e error alcanzado por la rpm(20:7:1), salvo que esta red necesit menos de la mitad de ciclos. o Nuevamente se encontr que el d ms importante para la prediccin era el d anterior o a a o a (T1), los otros 4 d se ubicaron en un orden descendente similar al que muestra el anlisis as a de importancia en el caso rpm(20:7:1). Para mostrar la relacin causa-efecto que puede haber entre las neuronas input-output, o denimos la sensibilidad de la entrada Tk (o la neurona input k-sima) como e
k k Se(Tk ) = |Yom YoM |,

(4)

k k siendo Yom (YoM ) el valor que toma Yo cuando Tk toma el valor m nimo (Mximo). De otra a manera, la sensibilidad es una medida de como cambia el valor output en la RNA cuando la neurona input k-sima incrementa su valor desde el m e nimo hasta el valor mximo. Para a hacer esta evaluacin todos los dems inputs diferentes del k-simo se establecen en el valor o a e promedio. Para la rpm(5:9:1), se obtuvo que la prediccin es mucho ms sensible al valor o a del d anterior (T1) y en un claro orden descendente de los d precedentes a la prediccin, a as o similar al que reporta el anlisis de importancia. (Ver la tabla No. 2 en el apndice) a e Despus de esta fase de aprendizaje, se sometieron ambas RNA ptimas encontradas rpm(5:9:1) e o y rpm(20:7:1) a la prueba de validacin. La cual consiste en re-entrenar cada rpm, pero eso condindole 50 casos, que se presentar luego a la red como test de prediccin. Para esto, e an o sometimos ambas rpm a un entrenamiento de 54500 ciclos, logrando un error normalizado medio de 0.003275 y 0.003295 para rpm(5:9:1) y rpm(20:7:1) respectivamente, y con los siguientes resultados en el test de validacin. De aqu podemos observar que: la rpm(5:9:1) o es la que mejores resultados de prediccin y de aprendizaje6 mostr al modelar la serie de o o tiempo del valor TRM. Razn por la cual, sometimos esta red a la prueba de predicciones en o corto (predicciones a 1 d y en largo (predicciones a 50 d a) as). Encontramos una eciencia promedio de 28,5 % y un error medio de 0.030552 en las predicciones a 50 d consecutivos, as y una eciencia promedio del 48 % y un error de 0.004 para 50 casos aleatoriamente escogidos y no secuenciales. Esta prueba se implement con 1000 ciclos de entrenamiento para o cada caso, y un error de prediccin menor o igual al 2 %. o

3.2.

Prediccin del precio de cierre del dolar. o

Para este caso, implementamos una red perceptrn multicapa con caracter o sticas de aprendizaje similares al caso anterior. Los datos de entrada que se utilizaron fueron: la fecha del d de prediccin (d mes) y el precio de apertura, valor m a o a, nimo, valor mximo, precio de a cierre, monto transado y nmero de operaciones de los tres d inmediatamente anteriores. u as
6

La red con el mejor error ptimo o

170

Un modelo de prediccin para el valor TRM o Despus de explorar diferentes rpm, llegamos a una red neuronal ptima con la siguiente e o estructura rpm(20:14:1), la cual alcanz un error normalizado promedio de 0.003293 despus o e de 36250 ciclos de entrenamiento. En el anlisis de importancia y sensibilidad se encuena tr una fuerte dependencia del precio de cierre del dolar con respecto al precio de cierre del o d anterior (ver gura 9). a Los siguientes valores relevantes en el anlisis de sensibilidad fueron: el valor de apertura del a d anterior y el valor m a nimo, la apertura y el valor de cierre del d 3, lo cual indica que a el modelo de redes neuronales es coherente con el anlisis de velas, en donde el cierre y los a valores mximo, m a nimo y apertura permiten predecir una tendencia, siendo ms relevante a la vela del d anterior y luego la vela del 3er d a a. Por otro lado, en el anlisis de importancia despus del precio de cierre del d anterior, a e a los valores con mayor peso fueron: el valor mximo y m a nimo del d anterior junto con a el mes en el que se hace la prediccin. Tanto en el anlisis de importancia como en el o a anlisis de sensibilidad, el monto y el nmero de operaciones hechas en los 3 d anteriores a u as no muestran mucha relevancia o casi ninguna, lo que signica que en el mercado local de divisas el volumen no necesariamente sigue la tendencia. Es muy interesante el tercer lugar de importancia que la RNA le da al mes de la prediccin (ver apndice: tabla 3), o e indicndonos entonces que la dinmica del mercado de dlares en Colombia depende de la a a o poca del ao y no siendo relevante el d del mes. e n a Como el lector puede notar, la importancia es un valor siempre mayor que cero, de tal manera que si una entrada a la red tiene un alto valor de importancia, implica que las decisiones que tome la red neuronal estarn fuertemente inuenciadas por el valor que tome esta a entrada en particular. Por otro lado, la sensibilidad de una entrada es siempre un valor mayor o igual a cero. Luego, si este parmetro es grande para un input en particular, entonces a pequeos cambios en esta entrada implicarn cambios proporcionales en la respuesta de la n a red neuronal, de otra manera se dice que la respuesta de la red es sensible a este input particular, lo que signica que la sensibilidad puede ser una medida de relacin causal entre o dos parmetros. a Por consiguiente, sensibilidad e importancia son cuanticadores que no signican lo mismo. Por ejemplo, en nuestro caso el mes de prediccin es una variable importante para tomar o decisiones sobre como se va a comportar el dolar. Sin embargo, el hecho de que se tenga un cambio de mes en la prediccin, no signica que esto afecte el comportamiento del dolar, o como puede ser por ejemplo el cambio de diciembre a enero. El caso contrario, en donde la entrada ocupa un lugar ms destacado en sensibilidad que en importancia; como es el a caso del valor mnimo3, el cual ocupa el sexto lugar en importancia pero el segundo en sensibilidad, se tiene que la red neuronal responder sensiblemente a pequeos cambios en a n este parmetro, pero este no afectar tanto a las otras entradas al momento de tomar a a decisiones, de otra manera mnimo3 no tiene gran inuencia sobre los otros parmetros en a el momento de hacer una prediccin. o Otro caso es la variable cierre1, la cual tiene la mayor importancia y sensibilidad en la rpm 171

Mauricio Ayala Snchez, Ruben Dario Castillo Serna a implementada. Lo que nos indica que la red responder sensiblemente a este parmetro, y a a a su vez este afectar fuertemente las otras entradas en el momento de hacer una prediccin. a o Caso contrario es por ejemplo; el da, nmero de operaciones en los d 2 y 3 o el monto u as transado en los 3 dias anteriores, los cuales no logran afectar la respuesta de la red neuronal, ni alcanzan a inuenciar las decisiones que tome la red neuronal sobre los otros parmetros. a

4.

Discusin y conclusiones o

Si bien, la capacidad que poseen las RNA para aprender y predecir no estn generalmente a correlacionados, este no es el caso para el mercado de divisas en Colombia. En el cual se pudo implementar con muy buenos resultados una red de tipo perceptrn con una capa o oculta para cada problema de aprendizaje y prediccin planteado. o Para el caso de prediccin del valor TRM, aunque el modelo perceptrn obtuvo unos reo o sultados de aprendizaje ecientes tanto en una red con 5 entradas como en una red con 20 entradas (correspondientes al valor TRM de los 20 d anteriores), la primera logr una as o eciencia del 90 % comparado con un 44 % en el otro caso (en el mismo Test y un error de prediccin inferior o igual al 1 %). Lo que nos sugiere que el exceso de informacin no signio o ca necesariamente mayor comprensin del mercado. Adicionalmente, conrmamos nuestra o sospecha para este caso de prediccin, que los modelos de RNA son mucho ms ecientes o a haciendo predicciones a corto plazo que sobre per odos largos de tiempo, con una eciencia de 48 % y 28.5 % en el primer y segundo caso respectivamente (Esto en 1000 ciclos de aprendizaje y un error de prediccin inferioral 2 %). o En el anlisis de importancia y sensibilidad, el modelo report que el d con mayor peso a o a para el mercado es el anterior a la prediccin, relevancia que disminuye a medida que los o d se alejan hacia atrs del d a predecir. Dicho de otra forma, el valor TRM de maana as a a n depende fuertemente del valor TRM de hoy, dependencia que disminuye en la medida que los d se alejan hacia atrs. Indicndonos entonces que; entre ms lejos est un d de la as a a a e a prediccin, menores sern sus posibilidades de afectar el futuro. Adicionalmente, el anlisis o a a de importancia y sensibilidad indica que si es posible predecir el mercado siguiendo la tendencia, sin embargo no todos los d son pesados de la misma manera, lo que nos as lleva a considerar que un anlisis de promedios mviles ponderados o exponenciales es ms a o a acertado para estudiar las tendencias, que un anlisis de promedios mviles simples (pms) a o en donde todos los valores tienen el mismo peso. De hecho, proponemos una mejora e estos, deniendo un promedio mvil de tipo neuronal (pmn), en donde cada d es pesado segn el o a u anlisis de importancia que reporta la red y que ha sido previamente normalizado, es decir a
n

pmn(n) =
k=1

ImpN (Tk )Tk ,

donde n indica el nmero de d que se consideran en el promedio mvil. Al hacer un u as o 172

Un modelo de prediccin para el valor TRM o anlisis comparativo entre los pms y los pmn, encontramos que los segundos anticiparon el a cambio de tendencia 2 o 3 d antes que los primeros para el per as odo comprendido en la gura 10. Lo que indica nuevamente que la informacin ms relevante en relacin con el o a o cambio de tendencia est en los valores ms recientes. a a Cabe anotar aqu que todas las RNA implementadas para la prediccin del valor TRM , o obtuvieron resultados en el entrenamiento con un error de prediccin inferior al 2.5 % salvo o en 2 d de operaciones (ver apndice: tabla 4): as e

1. (2, sept/98 el dolar subi 6.18 %): la prediccin obtuvo siempre un error superior o o al 4.1 % y aunque predice bien un alza, est por debajo del valor deseado. a

2. (9, agost/02 el dolar cay 3.06 %): la prediccin obtuvo siempre un error superior o o al 3.5 % y aunque predice bien una baja, est por encima del valor deseado. a

Para el otro caso, en el modelo de prediccin del precio de cierre del dolar, la rpm ptima o o encontrada logr resultados de entrenamiento similares al implementado para el valor TRM, o con un error de aprendizaje del orden de 0.33 % (o un error medio normalizado de 0.003293). Aqu la red neuronal le da mayor relevancia al precio de cierre del d anterior, dicindonos a e que el precio de cierre del dolar en el d de maana depende sensiblemente del precio de a n cierre del d de hoy. El modelo mostr ser coherente con el anlisis de velas, siendo ms a o a a relevante la vela del d anterior y luego la vela del 3er d Sin embargo, tuvo poca o casi a a. ninguna relevancia el monto y el nmero de operaciones hechas en los 3 d anteriores, lo u as cual signica que el volumen no necesariamente sigue la tendencia. De otra manera, hay un mercado que se mantiene, as el dolar est a la baja o al alza. En cuanto al tercer lugar e de importancia para la prediccin que la RNA le da al mes, se puede explicar en la siguiente o gura, si se observa que en la ultima dcada el mercado de divisas ha tenido por lo regular: e un comportamiento alcista en agosto, septiembre y la primera mitad de octubre; de soporte en la segunda mitad de enero, febrero, marzo y la primera mitad de abril; y con tendencia a la baja en noviembre para algunos aos. Conrmando esto, que el mercado local se inclina n a mantener un tendencia diaria promedio segn la poca del ao. u e n

Agradecimientos
Los autores desean expresar su gratitud a Anglica Muoz Castellanos por los comentarios e n y apuntes hechos a este trabajo. 173

Mauricio Ayala Snchez, Ruben Dario Castillo Serna a

Apndice e
Input T1 T2 T3 T4 T5 Imp(Tk ) 26,2192 11,1907 9,6431 6,9008 5,8021 Input T10 T6 T7 T8 T9 Imp(Tk) 5,1517 4,8318 4,7153 4,6177 4,5606 Input T11 T20 T16 T19 T12 Imp(Tk) 4,3367 4,1090 3,6412 3,4698 3,4160 Input T14 T18 T13 T17 T15 Imp(Tk) 3,3288 3,1449 3,0937 3,0105 2,8026

Tabla 1. Anlisis de importancia para la rpm(20:7:1) despus de 7875 ciclos de entrenamiento. a e

Input T1 T2 T3 T4 T5

Imp(Tk ) 54,7192 21,0239 18,5255 17,7955 16,6489

Se(Tk ) 0,85320009 0,30630508 0,17117343 0,12403183 0,05204189

Tabla 2. Anlisis de importancia y sensibilidad para la rpm(5:9:1). Aqu la sensibilidad es a normalizada entre [0, 1].

Input Imp(Tk ) Cierre T1 30,0303 Mximo T1 11,5078 a Mes T0 8,8992 M nimo T1 7,9616 Apertura T2 7,1335 M nimo T3 6,6437 Mximo T2 6,4983 a Operaciones T1 6,4167 Apertura T3 6,2216 Cierre T2 6,0085

Se(Tk ) 0,75117491 0,04475237 0,00660025 0,05740495 0,04006379 0,16020802 0,03892178 0,02897890 0,08257140 0,00297948

Input Imp(Tk ) M nimo T2 5,6872 Cierre T3 5,6549 Mximo T3 5,4704 a Apertura T1 4,8666 Monto T1 4,2152 Monto T3 3,8760 Operaciones T2 3,4267 Operaciones T3 3,4099 Monto T2 3,2193 D T0 2,2907 a

Se(Tk ) 0,06073493 0,07689388 0,04454920 0,12317505 0,01681221 0,00264038 0,02813428 0,01337309 0,00592695 0,00056303

Tabla 3. Anlisis de importancia y sensibilidad para la validacin del anlisis tcnico bursatil en a o a e una rpm(20:14:1).

T5 T4 T3 T2 T1 T0 deseado T0 predicho 2/09/98 1431, 52 1438, 94 1441, 20 1442, 15 1443, 30 1532, 46 1450,30 9/08/02 2641, 12 2643, 10 2662, 90 2670, 64 2651, 88 2570, 81 2644,71
Tabla 4. Prediccin del valor TRM para los d con el error ms alto encontrado. o as a

174

Un modelo de prediccin para el valor TRM o

Bibliograf a
[1] Amat, Oriol; Puig, Xavier: Anlisis tcnico bursatil. Ediciones GESTION 2000, a e Barcelona: Espaa. (1993) n [2] Ayala, M; Moreno, E: Un modelo de diagnstico de PNF aguda mediante redes neuo ronales articiales. ICP XXIV, Mxico, 2004. e [3] Bosch, J; Garrido, Ll; Gmez, S: Prediccin de indices de futuros nancieros mediante o o redes neuronales. Swap & productos derivados 27 (1997) pp. 19-21. [4] Castiglione, Filippo: Forecasting price increments using an articial Neural Network. Adv. Complex Systems 1 (2002) pp. 1-12. [5] Freking, Ansgar; Wolfgang, Kinzel: Learning and predicting time series by neural networks. cond-mat/0202537. (Feb. 2002)7 [6] Jagielska, Ilona; Jaworski, Janusz: Neural Network for Predicting the Performance of Credit Card Accounts. Computational Economics 9(1) (1996) pp. 77-82. [7] Mart del Br B; Serrano, C: Self-Organizing Neural Networks: The Financial State n o, of Spanish Companies. Neural Networks in the Capital Markets, Ed Refenes, John Wiley & Sons, Cap tulo XXIII. (1995) [8] Misas M, Lpez E, Querub P: La inacin en Colombia: una aproximacin desde las o n o o redes neuronales, Ensayos sobre poltica econmica, Banco de la Repblica, No. 41-42, o u (Jun. 2002) [9] Misas, M; Lpez, E; Arango, C; Hernndez, J.N: La demanda de efectivo en Colombia: o a una caja negra a la luz de las Redes Neuronales, Ensayos sobre poltica econmica, Banco o de la Repblica, (Nov. 2003). u [10] Mizuno, H; Kosaka, M; Yajima, H: Stock Market Prediction System Based On Technical Analysis of Stock Index Using Neural Network, Proceedings of the 15th IMACS, (1997) pp. 49-54. [11] Krse, Ben; Van der Smagt, Patrick: An introduction to neural networks, University of o Amsterdam (1996). [12] Sarle, W.S: Neural Networks and Statistical Models, Proceedings of the Nineteenth Annual SAS Users Group International Conference, April 1994.
7

Ver el servidor de art culos e-print: http://arxiv.org

175

Mauricio Ayala Snchez, Ruben Dario Castillo Serna a [13] Serrano, C; Mart del Br B: Prediccin de la crisis bancaria mediante el empleo n o, o de redes neuronales articiales, Revista Espa ola de Financiacin y Contabilidad, vol n o XXII, No 74, (1993) pp 153-176. [14] Situngkir, H; Surya, Y: Neural Network Revisited: Perception on Modied Poincare Map of Financial Time Series Data. cond-mat/0403620. (Mar. 2004)7 [15] Superintendencia Bancaria: Funcionamiento del mercado cambiario. May. 2002 [16] Zirilli, Joseph S: Financial Prediction Using Neural Networks, International Thomson Publishing (1996).

176

Un modelo de prediccin para el valor TRM o

Figura 1: Estructura de una neurona articial en analog a una neurona celular. a

1 0.8 0.6

f (S) =

1 1+eS

0.4 0.2 0 -7.5 -5 -2.5 0 2.5 5 7.5

Figura 2: Denicin algebrica y el grco de la funcin sigmoidal o a a o

Figura 3: (a) Una rpm con 9 neuronas input, una primera capa oculta de 3 neuronas, una segunda
capa oculta de 6 neuronas y una capa de 5 neuronas output, la cual se abrevia como rpm(9:3:6.5). (b) Red auto-asociada, todas las neuronas son ambos: input & output

177

Mauricio Ayala Snchez, Ruben Dario Castillo Serna a

Figura 4: Implementacin de una rpm(9:3:1) en la prediccin de una serie de tiempo con 9 parmeto o a
ros de entrada precedentes, siendo T1 la entrada anterior a la prediccin y T9 la novena entrada antes o de la prediccin. T0 indica el valor a predecir. o

Figura 5: Anlisis de Importancia para la rpm(20:7:1) despus de 7875 ciclos de entrenamiento. a e

178

Un modelo de prediccin para el valor TRM o

Figura 6: Importancia normalizada y sensibilidad para la rpm(5:9:1) despus de 3100 ciclos de e

entrenamiento.

Figura 7: Nmero de aciertos para rpm(5:9:1) y rpm(20:7:1) que estn dentro del rango de error u a
marcado en el eje x. Aqu se observa una clara superioridad de la rpm(5:9:1) al hacer predicciones

179

Mauricio Ayala Snchez, Ruben Dario Castillo Serna a

Figura 8: Curva de eciencia para una prediccin en largo, tomando para cada caso de entrenamiento o
un conjunto de 50 d consecutivos como datos de validacin, que luego eran desplazados en 1 a as o la derecha, para el siguiente caso de validacin. La grca muestra que el modelo tuvo una buena o a eciencia solo en ciertas pocas. e

Figura 9: Anlisis de sensibilidad y de importancia normalizada para la rpm(20:14:1) despus de a e

36250 ciclos de entrenamiento.

180

Un modelo de prediccin para el valor TRM o

Figura 10: pmn para 5 y 20 d sobre el valor TRM entre: 29/mayo/03 y 14/noviembre/03. as

Figura 11: Mercado del dolar en Colombia segn la poca del ao desde 1995 hasta 2004. u e n

181