Red neuronal autorregresiva difusa tipo Sugeno con funciones de membresía triangular y trapezoidal: una aplicación al pronóstico de índices del mercado bursátil

Resumen

La presente investigación desarrolla una comparación entre la nueva Red Neuronal Autorregresiva no Lineal Difusa y la Red Neuronal Autorregresiva para evaluar el pronóstico de Índices bursátiles. Para ello se aplica la metodología a la rentabilidad de cuatro índices accionarios, IPC, IBEX 35, S&P 500 y el Nikkei 225 en formato diario  desde enero de 2015 hasta diciembre de 2018, adjuntando los primeros cinco días de enero de 2019 para pronóstico fuera de muestra. Se estimó una Red Neural Autorregresiva No Lineal con tres rezagos y con algoritmo de aprendizaje Bayesiano y la Red Neuronal Difusa fue estimada con tres rezagos y con el algoritmo Backpropagation. Los resultados muestran que los modelos propuestos generan un mejor pronóstico dentro y fuera de la muestra en comparación con la Red Neuronal Autorregresiva No Lineal. Lo anterior es consecuencia de que las redes neuronales pueden aprender de la dinámica de las series temporales y si se añade la teoría difusa, también pueden aprender de la incertidumbre inherente a las variables financieras, esta situación hace que el método propuesto sea mejor que la red neuronal tradicional.

DOI: https://doi.org/10.24275/uam/azc/dcsh/efr/2020v10n1/Medina