Application of neural networks to chaotic systems in economics. / Erick Santiago Guagua Torres ; tutor Duncan John Mowbray
Tipo de material: TextoIdioma: Inglés Idioma del resumen: Español Fecha de copyright: Urcuquí, 2023Descripción: 77 hojas : ilustraciones (algunas a color) ; 30 cm + 1 CD-ROMTema(s): Recursos en línea: Nota de disertación: Trabajo de integración curricular (Físico/a). Universidad de Investigación de Tecnología Experimental Yachay. Urcuquí, 2023 Resumen: El entendimiento de las fuerzas del mercado que impulsan la economía, como se ejemplifica en índices como el S&P 500, es de vital importancia para el modelado, predicción y dirección tanto de economías desarrolladas como emergentes. El conocimiento o la visión de las futuras actuaciones del mercado podrían reducir el riesgo y aumentar las ganancias para los inversores. Sin embargo, los anteriores intentos de encontrar un modelo predictivo para describir el desempeño del mercado de valores han encontrado éxitos limitados debido a la naturaleza estocástica, no linealidad y alto grado de complejidad de tales sistemas. Como primer paso hacia ese entendimiento del mercado, aquí analizamos la relación entre dos características fundamentales del mercado: el cambio diario en el precio y el volumen del S&P 500. Primero, usamos un análisis estadístico simple para demostrar el comportamiento no lineal del índice a corto plazo. Para cuantificar la dependencia del cambio diario en el precio de factores que no sean el cambio en el volumen, también hemos analizado la variación en el precio cuando el volumen es más o menos constante y encontramos que tales otros factores podrían describirse como ruido blanco débil. Finalmente, entrenamos un modelo de red neuronal de una sola capa con todas las neuronas densamente interconectadas y mostramos que, aunque puede reproducir los datos de entrenamiento, de acuerdo con el teorema de simulación universal, es incapaz de predecir los datos de prueba, incluso a un nivel semicalitativo. Estos resultados demuestran la necesidad de "deep learning" a través de redes neuronales de múltiples capas para describir el comportamiento de los índices del mercado de valores.Tipo de ítem | Biblioteca actual | Signatura | Copia número | Estado | Fecha de vencimiento | Código de barras | Reserva de ítems | |
---|---|---|---|---|---|---|---|---|
Tesis | Biblioteca Yachay Tech | ECFN0096 (Navegar estantería(Abre debajo)) | 1 | No para préstamo | T000516 |
Trabajo de integración curricular (Físico/a). Universidad de Investigación de Tecnología Experimental Yachay. Urcuquí, 2023
Incluye referencias bibliográficas (páginas 55-60)
Trabajo de integración curricular con acceso abierto
Texto (Hypertexto links)
El entendimiento de las fuerzas del mercado que impulsan la economía, como se ejemplifica en índices como el S&P 500, es de vital importancia para el modelado, predicción y dirección tanto de economías desarrolladas como emergentes. El conocimiento o la visión de las futuras actuaciones del mercado podrían reducir el riesgo y aumentar las ganancias para los inversores. Sin embargo, los anteriores intentos de encontrar un modelo predictivo para describir el desempeño del mercado de valores han encontrado éxitos limitados debido a la naturaleza estocástica, no linealidad y alto grado de complejidad de tales sistemas. Como primer paso hacia ese entendimiento del mercado, aquí analizamos la relación entre dos características fundamentales del mercado: el cambio diario en el precio y el volumen del S&P 500. Primero, usamos un análisis estadístico simple para demostrar el comportamiento no lineal del índice a corto plazo. Para cuantificar la dependencia del cambio diario en el precio de factores que no sean el cambio en el volumen, también hemos analizado la variación en el precio cuando el volumen es más o menos constante y encontramos que tales otros factores podrían describirse como ruido blanco débil. Finalmente, entrenamos un modelo de red neuronal de una sola capa con todas las neuronas densamente interconectadas y mostramos que, aunque puede reproducir los datos de entrenamiento, de acuerdo con el teorema de simulación universal, es incapaz de predecir los datos de prueba, incluso a un nivel semicalitativo. Estos resultados demuestran la necesidad de "deep learning" a través de redes neuronales de múltiples capas para describir el comportamiento de los índices del mercado de valores.
Textos en inglés con resúmenes en español e inglés
No hay comentarios en este titulo.