Financial time series forecasting applying deep learning algorithms /
Solís Garcés, Erik David
Financial time series forecasting applying deep learning algorithms / Erik David Solís Garcés ; tutor Erick Eduardo Cuenca Pauta - 78 hojas : ilustraciones (algunas a color) ; 30 cm + 1 CD-ROM
Trabajo de integración curricular
Incluye referencias bibliográficas (páginas 49-54)
Trabajo de integración curricular con acceso abierto
Texto (Hypertexto links)
Este proyecto presenta un algoritmo de aprendizaje profundo para el pronóstico de los precios de acciones de Amazon, Inc. Los métodos de aprendizaje profundo son capaces de identificar y analizar patrones complejos e interacciones presentes en el conjunto de datos utilizado, esto permite la optimización de los procesos de inversión. Este estudio se enfoca en el análisis de arquitecturas profundas como redes neuronales convolucionales, redes neuronales recurrentes y redes neuronales profundas. Los resultados del método propuesto han demostrado que la combinación de estas arquitecturas proveen un buen desempeño al pronosticar series de tiempo no estacionarias. La evaluación del método propuesto ha arrojado un error absoluto medio de 6.7 para predicciones de un paso por delante y un error absoluto medio de 9.94 para predicciones de cuatro pasos por delante.
Textos en inglés con resúmenes en español e inglés
Deep learning
Convolutional Neural Networks
Densely-connected neural networks
Tecnologías de la Información--Trabajos y disertaciones académicas
Financial time series forecasting applying deep learning algorithms / Erik David Solís Garcés ; tutor Erick Eduardo Cuenca Pauta - 78 hojas : ilustraciones (algunas a color) ; 30 cm + 1 CD-ROM
Trabajo de integración curricular
Incluye referencias bibliográficas (páginas 49-54)
Trabajo de integración curricular con acceso abierto
Texto (Hypertexto links)
Este proyecto presenta un algoritmo de aprendizaje profundo para el pronóstico de los precios de acciones de Amazon, Inc. Los métodos de aprendizaje profundo son capaces de identificar y analizar patrones complejos e interacciones presentes en el conjunto de datos utilizado, esto permite la optimización de los procesos de inversión. Este estudio se enfoca en el análisis de arquitecturas profundas como redes neuronales convolucionales, redes neuronales recurrentes y redes neuronales profundas. Los resultados del método propuesto han demostrado que la combinación de estas arquitecturas proveen un buen desempeño al pronosticar series de tiempo no estacionarias. La evaluación del método propuesto ha arrojado un error absoluto medio de 6.7 para predicciones de un paso por delante y un error absoluto medio de 9.94 para predicciones de cuatro pasos por delante.
Textos en inglés con resúmenes en español e inglés
Deep learning
Convolutional Neural Networks
Densely-connected neural networks
Tecnologías de la Información--Trabajos y disertaciones académicas