scielo.org.pe:En 1981, el Dr.

White realiz un trabajo que ilustraba el uso de

las Redes Neuronales Artificiales en la prediccin de variables financieras.
Desde entonces, se ha incrementado el estudio de las aplicaciones de las
Redes Neuronales Artificiales en el campo de las finanzas. En tal sentido, se ha
aprovechado la caracterstica de las Redes Neuronales Artificiales, que
establece que stas pueden aprender.

Una Red Neuronal Artificial es un modelo matemtico compuesto de un gran

nmero de elementos organizados en niveles. Una Red Neuronal Artificial
tambin puede ser vista como un sistema de cmputo, compuesto por un gran
nmero de elementos interconectados que procesan la informacin,
modificando sus respuestas dinmicas frente a variables externas.

La construccin de una Red Neuronal Artificial pasa por varias etapas:

1. Identificacin de la variable financiera que se va a pronosticar.

2. Construccin del conjunto de datos que permitirn activar el proceso de
aprendizaje de la Red Neuronal Artificial.
3. Activacin del proceso de aprendizaje, con la seleccin de la arquitectura y
los parmetros necesarios para la definicin de los pesos de la conexin entre
las neuronas.
4. Generalizacin de los reportes de salida para el pronstico de la variable
financiera.

Detallando cada una de las etapas anteriormente mencionadas tenemos:

1. Identificacin de la variable financiera que se va a pronosticar.

El primer paso en la construccin de una Red Neuronal Artificial, que tenga una
aplicacin financiera, es la definicin de la variable financiera objetivo. Se
puede decir que las Redes Neuronales Artificiales permiten enfrentar los
problemas financieros con un enfoque distinto al de los modelos lineales.

Las aplicaciones de las Redes Neuronales Artificiales en el rea financiera son

muy diversas. Entre ellas se pueden encontrar, en la administracin de los
portafolios de inversin, la evaluacin de acciones y bonos, las estrategias de
cobertura y arbitraje, el anlisis de la volatilidad y correlacin y la prediccin de
los precios de acciones, bonos, tasas de inters y de cambio, entre otros.

Una vez que se ha determinado la variable a estudiar, se debe establecer los

lmites de la medicin del fenmeno. La seleccin de la variable independiente
depende de los factores especficos y externos del analista financiero.

2. Construccin del conjunto de datos que permitirn activar el proceso de

aprendizaje de la Red Neuronal Artificial

Los pasos relevantes en la construccin de una red neuronal son:

La recoleccin de los datos
El anlisis
La seleccin de las variables de entrada y salida

La recoleccin de la informacin debe considerar algunos principios

fundamentales: Primero la informacin debe obtenerse de los mercados
financieros. Se debe prestar particular atencin a la preparacin de los datos
de entrada y salida. El proceso para identificar los datos requeridos depende
del problema que se est analizando.

En ese sentido podemos decir que una Red Neuronal que permita pronosticar
series de tiempo de variables financieras se puede establecer usando
diferentes tipos de informacin:
a. Aquella relacionada directamente con la variable de salida (en el mercado
seleccionado)
b. Aquella informacin resultante de las operaciones relacionadas con la
variable de salida.
c. Aquella que depende de los componentes fundamentales.

3. Activacin del proceso de aprendizaje, con la seleccin de la arquitectura y

los parmetros necesarios para la definicin de los pesos de la conexin entre
las neuronas.

La construccin de una Red Neuronal pasa necesariamente por algunos pasos

que permiten fijar los parmetros que son tiles para el proceso de aprendizaje
adecuado para la solucin del problema. La primera fase del anlisis radica en
seleccionar la arquitectura ms adecuada para el proceso de aprendizaje. La
parte crtica de esta fase depende del mecanismo de conexin de los nodos de
entrada entre ellos y luego de la conexin de stos con los nodos de salida, por
medio de las capas ocultas, lo cual se convierte en un elemento decisivo para
el xito de la operacin.
En la literatura existen algoritmos para maximizar la seleccin de la
arquitectura, pero por encima de todo, est la experiencia y la fase de prueba,
los cuales se convierten en los mejores criterios de seleccin.

Se puede afirmar que los parmetros para determinar la definicin de la

arquitectura son:

a. La divisin temporal de la base de datos

Una vez que la variable de salida y el contenido de la base de datos se hayan

definido, de lo cual se obtendrn las variables de entrada, las series de tiempo
histricas debern subdividirse en perodos de tiempo, lo que se delimitar por
el proceso de aprendizaje y evaluacin.

b. El nmero de las capas ocultas y el nmero de neuronas que se va a insertar

en cada capa

Para la determinacin del nmero de capas, existen numerosas contribuciones,

metodologas que establecen que una sola capa oculta es suficiente para
aproximar, con un alto grado de exactitud, las funciones no lineales ms

recurrentes. Con relacin al nmero de neuronas asignadas a las capas ocultas,

se debe seleccionar aquel nmero que permita minimizar el riesgo de un
sobreaprendizaje, que exige un mayor nmero de variables de entrada, pero
que no asegura tener un pronstico ms confiable.

c. Los mecanismos de conexin entre las diferentes capas

La arquitectura conocida como Redes de Propagacin hacia Atrs, o Back

Propagation se emplea mucho por su habilidad para generalizar resultados
para un amplio nmero de problemas financieros. Este tipo de arquitectura se
define como supervisada, es decir, aquella cuyo aprendizaje se ve
condicionado por las variables de entrada y de salida. Las posibilidades de
conexin que existen son:

Conexin estndar: En este caso las conexiones son entre las capas de entrada
y salida, pasando por una capa oculta.

Conexin con salto: En el caso ms simple, la capa de entrada se vincula, no

solamente con la capa oculta, sino tambin con la capa de salida.

Conexin recurrente: En este caso las conexiones proporcionan la posibilidad

que las capas ocultas puedan retroalimentar a las variables de entrada.

d. La funcin de activacin

Las funciones tpicas de activacin son:

Lineal
Logstica
Sinusoidal
Gaussiana

e. Las reglas de aprendizaje

La seleccin de la regla de aprendizaje es problema muy particular, cuando se

aplican las Redes Neuronales Artificiales, por cuanto se tiene que decidir qu
tasa de cambio de la Red debe modificar la definicin de los pesos de las
neuronas. Si la tasa de cambio es muy alta, no se puede lograr la convergencia
y nos veramos en la situacin de reducir la tasa de cambio.
El proceso de aprendizaje de la Red pasa por un proceso progresivo que
permita la mejor fijacin de los parmetros correctos. La recomendacin es que
se eviten las variaciones radicales de los parmetros.

f. Los indicadores de error de la Red Neuronal.

Una vez que hemos fijado las caractersticas iniciales de la Red Neuronal, se
hace necesario determinar en qu momento se debe detener el proceso de
aprendizaje. Estos criterios tienen que estar relacionados con el conjunto de
pruebas.

Por otro lado, los parmetros de aprendizaje se relacionan con los indicadores
de error, tales como:
Error medio
Error mximo
Nmero de ciclos sin mejora en el error
Se puede fijar un valor para estos parmetros que permitan que la Red
Neuronal se detenga cuando haya alcanzado el valor deseado.
Otro criterio de aceptacin es la convergencia. Si los errores se consideran
modestos, pero la oscilacin tiene una alta divergencia, es oportuno verificar la
adecuacin de los parmetros.

4. Generalizacin de los reportes de salida para el pronstico de la variable

financiera.

Una vez que los indicadores son favorables para la Red Neuronal, es necesario
verificar la bondad del pronstico. Es posible que el modelo sea exitoso en la
seleccin de los conjuntos de aprendizaje y de prueba, pero sea inadecuado en
el proceso del pronstico.

5. Los modelos de Redes Neuronales Artificiales

Es importante sealar que el anlisis econmico ha evitado preguntas sobre

cmo los agentes econmicos toman decisiones cuando ellos interactan con
el mundo real; esto se debe a que la mayora de los modelos formales no son
muy adecuados para poder resolver problemas como esos. De la revisin de las
investigaciones relacionadas con este tema, se puede citar los siguiente casos:

En el caso de los Doctores Pablo Garca Estvez y Prosper Lamothe Fernndez

(2), stos pretendieron encontrar una metodologa que nos permita obtener
un algortmico matemtico que explique la volatilidad implcita de las opciones
sobre el ndice burstil IBEX-35. Se llega, entonces, a la conclusin de que el
modelo de Black Scholes no es cien por cien eficiente, y que las Redes
Neuronales dejan crear algoritmos que permiten lograr mejores pronsticos.
De manera similar, los Doctores Shaikh A. Hamid y Abraham Habib (3) tambin
estudiaron la aplicacin de las Redes Neuronales, en lo que respecta a la
valoracin de opciones y concluyeron que las Redes Neuronales pueden tener
una aplicacin promisoria en la valoracin de opciones, tanto en la
determinacin del precio de la opcin como en la volatilidad implcita.

En lo que respecta al campo de las predicciones, podemos citar el trabajo de

los Doctores Defu Zhang, Qingshan Jiang, Xin Li (4) que, aplicando una Red
Neuronal del tipo multicapa Back propagation, disearon un sistema que
puede pronosticar las seales de compra y venta, de acuerdo con la prediccin
de las futuras tendencias del mercado de valores y, de esta manera,
proporcionar apoyo a la toma de decisiones por parte de los inversionistas
Por otro lado, el Doctor Jorge de Andrs Snchez (5), quien trabajando la
informacin sobre la situacin financiera de los bancos espaoles en el periodo
1990-2001, logr encontrar que las Redes Neuronales pueden ser de mucha

utilidad en la prediccin de la quiebra y de la estimacin de los rendimientos

de cartera de valores.

Conclusiones

A pesar de la complejidad del aprendizaje de las Redes Neuronales, la revisin

de la literatura permite evidenciar su amplia aplicacin en el tema financiero,
en especial, en el pronstico de variables financieras.
La mayora de los temas relacionados tienen que ver con la prediccin de
quiebra o la prediccin de rendimientos de valores, que ayuden a tomar
mejores decisiones financieras.
Asimismo, las Redes Neuronales pueden emplearse como herramientas
complementarias a los enfoques tradicionales de anlisis estadsticos
multivariante .

INTRODUCCION Y CONCEPTOS BASICOS (Parte 2)

LA NEURONA ARTIFICIAL Y SUS ELEMENTOS.
Si se tienen N unidades (neuronas), ordenadas arbitrariamente y se puede designar la jsima unidad como Uj. Su trabajo es simple y nico, y consiste en recibir las entradas de
las clulas vecinas y calcular un valor de salida, el cual es enviado a todas las clulas
restantes.

Figura No. 1 Esquema de una Neurona Artificial con sus principales elementos.

PESO SINAPTICO.
Las conexiones que unen a las neuronas de una RNA tienen asociado un peso, que es el que
hace que la red adquiera un conocimiento. Considerando yi como el valor de salida de la
neurona i en un instante dado, dicha seal es transmitida desde la neurona i a la j pero dicha
seal es modificada por el valor del peso de la conexin entre las neuronas en cuestin. La
nomenclatura para el peso sinaptico entre la neurona j y la neurona i es Wji. El primer
subindice (j) indica la neurona o unidad hacia donde va la conexin. El segundo subindice
(i) indica la neurona o unidad desde donde proviene la conexin. Ver Figura 1.

ENTRADA NETA
Una neurona o unidad de procesamiento se ve afectada por las salidas de las neuronas con
las cuales ella esta conectada. El efecto total de las salidas de estas neuronas reflejado en la
unidad de procesamiento que se est analizando se conoce como neta.
La neta se puede ver como suma de los efectos de las salidas a las cuales ella est
conectada. La manera como se calcula la neta se puede observae en la Ecuacin 1.

Ecuacin 1 Clculo de la neta de una neurona.

FUNCION DE ACTIVACIN

Entre la unidades o neuronas que forman una red neuronal artificial existe un conjunto de
conexiones que las unen. Cada unidad transmite seales a aquellas que estn conectadas a
su salida. Asociada con cada unidad Uj hay una funcin de activacin (Fact), que
transforma la entrada neta que la unidad presenta como resultado de estar conectada con
otras unidades que le suministran informacin, en el valor de salida Yj.

Ecuacin 2. Calculo de la salida evaluando la neta en la funcin de Activacin.

Entre las funciones de activacin ms utilizadas se tienen:
Funcin de Activacin Lineal

Figura 2 Funcin de Activacin Lineal con su expresin matemtica.

Funcin de Activacin Sigmoidal

Figura 3 Funcin de Activacin Sigmoidal con su expresin matemtica.

Funcin de Activacin Sigmoidal Bipolar o Tangente Sigmoidal

Figura 4 Funcin de Activacin Sigmoidal Bipolar con su expresin matemtica.

Funcin de Activacin Escaln

Figura 5 Funcin de Activacin Escaln con su expresin matemtica.

REGLA DE APRENDIZAJE
Aprendizaje se puede definir como: La modificacin del comportamiento inducido por la
interaccin con el entorno y como resultado de experiencias conducentes al establecimiento
de nuevos modelos de respuestas ante estmulos externos.
Biolgicamente, se suele aceptar que la informacin memorizada en el cerebro est ms
relacionada con los valores sinpticos de las conexiones entre las neuronas que con ellas
mismas; es decir, el conocimiento se encuentra en las sinapsis. En el caso de las redes
neuronales artificiales, se puede considerar que el conocimiento se encuentra representado
en los pesos de las conexiones entre las neuronas. Todo proceso de aprendizaje implica
cierto nmero de cambios en estas conexiones. En realidad se puede decir que se aprende
modificando los pesos de la red.

NIVELES O CAPAS DE NEURONAS

La distribucin de neuronas dentro de una red se realiza formando niveles o capas de un
nmero de neuronas determinado, donde se conoce como capa o nivel a un conjunto de
neuronas cuyas entradas provienen de la misma fuente ( que puede ser otra capa de
neuronas ) y cuyas salidas se dirigen al mismo destino ( que puede ser otra capa de
neuronas ).
Se pueden distinguir tres tipos de capas:
Capa de Entrada
Es la capa que recibe directamente la informacin proveniente de las fuentes externas de la
red
Capa Oculta
Son internas a la red y no tiene contacto directo con el exterior. El nmero de niveles

ocultos puede estar entre cero y un nmero elevado. Las neuronas de la capa oculta pueden
estar interconectadas de diferentes maneras, lo que determina, junto con su nmero, las
distintas tipologas de redes neuronales.
Capa de Salida
Transfieren informacin de la red hacia el exterior.

FORMAS DE CONEXIN ENTRE NEURONAS

La conectividad entre los nodos de una red neuronal est relacionada con la forma en que
las salidas de las neuronas estn canalizadas para convertirse en entradas de otras neuronas.
La seal de salida de un nodo puede ser una entrada de otro elemento de proceso, o incluso
ser una entrada de su propia salida (conexin autorrecurrente).
Cuando ninguna salida de la neurona es entrada de neuronas del mismo nivel o de niveles
precedente, la red se describe como de propagacin hacia adelante. Cuando las salidas
pueden ser conectadas como entradas de neuronas de niveles previos o del mismo nivel,
incluyndose ellas mismas, la red es de propagacin hacia atrs.

Figura 6 Clasificacin de las Redes Neuronales de Acuerdo a su Conectividad.

1 : Radial Basis Function 2 : Self Organizing Map 3 : Adaptive Resonance Theory

CAMPO DE APLICACION
Las Redes neuronales artificiales son interesantes para una gran cantidad de personas de
diferentes reas:

Cientficos de la computacin que quieren averiguar sobre las propiedades del

procesamiento de informacin no-simblica con una red neuronal y sobre sistemas
de aprendizaje en general.

Estadsticos utilizan redes neuronales como modelos de clasificacin y regresin no

lineal flexible

Ingenieros de varias especialidades se aprovechan de las capacidades de redes

neuronales en muchas reas, como procesamiento de seales y control automtico

Los cientficos cognoscitivos ven redes nerviosas como un posible aparato para
describir modelos de pensamiento y conciencia (funcin cerebral de alto-nivel).

Neuro-fisilogos utilizan redes neuronales para describir y explorar funcin

cerebrales de medio-nivel (memoria del ej., sistema sensorial y motriz).

Fsicos usan redes neuronales para modelar fenmenos en mecnica estadstica y

para muchas otras tareas.

Bilogos utilizan Redes Neuronales para interpretar sucesiones del nucleotide.

Filsofos y otras personas tambin pueden ser interesadas en Redes Nerviosas por
las varias razones.

Las RNA con su capacidad para deducir un significado desde datos complicados o
imprecisos, pueden ser utilizadas para detectar patrones o detectar una tendencia que es
muy compleja de hallar por una persona con modelos determsticos o por otras tcnicas
computacionales tradicionales. Una red entrenada puede ser vista como un experto en el
manejo de la informacin que se le ha dado para analizar. Este experto puede ser utilizado
para proporcionar proyecciones ante nuevas situaciones de inters.
Entre las caractersticas y ventajas representativas de las RNAs se tienen:
1. Paralelismo masivo: el procesamiento de la informacin es realizado por un nmero
elevado de procesadores simples y veloces (neuronas) cuya potencia de cmputo se centra
en el alto nivel de conectividad, distribuyendo de esta manera la representacin y el
procesamiento de los datos.
2. Capacidad de aprendizaje y generalizacin: la RNA adquiere el conocimiento de los
datos analizados en el problema para modelar una situacin un proceso. Adems, a partir de
la informacin entregada (finita) est en capacidad de inferir o analizar con acierto datos no
presentados en la fase de aprendizaje.
3. Auto organizacin: Una RNA puede crear su propia organizacin o representacin de la
informacin que es recibida durante la etapa de aprendizaje y a partir de una estructura
inicial evolucionar a una nueva y ms apropiada para la solucin del problema.
4. Operacin en tiempo real : Los clculos en una RNA pueden ser realizados en paralelo.
El diseo y fabricacin de dispositivos en hardware especiales para tomar ventaja de esta
capacidad, garantizan el diseo de aplicaciones complejas en tiempo real.
5. Tolerancia a fallas por la redundancia de la informacin: La destruccin parcial de un
RNA ocasiona la correspondiente degradacin del funcionamiento de la red. Sin embargo,
algunas capacidades de la red pueden ser conservadas a pesar de tenerse un dao grave en

la misma.
Los computadores digitales actuales superan al hombre en su capacidad de clculo
numrico y el manejo de smbolos relacionales. Sin embargo, el hombre puede solucionar
problemas mucho ms complejos de percepcin (por ejemplo, reconocer a un amigo entre
un tumulto desde un simple vistazo de su cara o al escuchar su voz, incluso por el modo de
caminar; definir la habitabilidad de un aula a partir de sensaciones de temperatura, ruido,
humedad, iluminacin, etc.) a muy altas velocidades y sin necesidad de concebir un
complejo modelo matemtico o computacional. La respuesta est en la arquitectura del
sistema neuronal biolgico que es completamente diferente a la arquitectura del
computador tradicional von Neumann, como se indic en la Tabla 1. Estas diferencias, le
brindan un factor de diferenciacin y aumento del desempeo a las RNA en aplicaciones
como :

Reconocimiento y Clasificacin de Patrones

Categorizacin de Patrones ("clustering")

Aproximacin y seguimiento de funciones

Procesamiento de seales

Prediccin

Optimizacin

Control

Medicina

Gestin financiera

En este momento se ha dado solucin a problemas con altos niveles de incertidumbre que
con mtodos tradicionales jams su habra obtenido. Soluciones tan novedosas e
interesantes como la reconstruccin craneofacial para la identificacin de hombres, msica
neurocomputacional, sistemas de deteccin de virus en computadores conocidos y
desconocidos, identificacin de usuarios en cajeros automticos desde la imagen del iris de
los ojos, reconocimiento de emisores en comunicaciones, diagnstico de hepatitis,
recuperacin de telecomunicaciones ante fallas en el software, interpretacin de palabras
chinas, deteccin de minas submarinas, anlisis de texturas, reconocimiento de objetos
tridimensionales y reconocimiento de texto manuscrito.
Arriba

Parte 1
Comentarios
jes_alf_lopez@yahoo.com
[Redes Neuronales] [Computacin Evolutiva] [Lgica Difusa] [Principal]