PREDICCIÓN DEL INDICE BURSÁTIL IPSA MEDIANTE EL USO DE REDES

NEURONALES ARTIFICIALES

Pedro I. Palominos - Gabriel Maturana – Gino Rodríguez

Departamento de Ingeniería Industrial - Universidad de Santiago de Chile
Av. Ecuador #3769. Santiago – Chile
e-mail: ppalomin@lauca.usach.cl

RESUMEN
El presente trabajo tiene por objetivo predecir la variación diaria del índice bursátil IPSA. Para
ello se utilizó la técnica de Redes Neuronales Artificiales (RNA), mediante modelos
recurrentes así como causales, para luego comparar sus predicciones con un Modelo de Serie
de Tiempo ARIMA y un Modelo de Regresión Lineal (MRL) a fin de evaluar el uso de esta
técnica en el sector financiero nacional.
Los resultados obtenidos muestran que el Modelo de RNA causal es un buen pronosticador,
comparable con el MRL. Sin embargo cuando el Modelo RNA es recurrente, la técnica
ARIMA obtiene mejores resultados de predicción.

Palabras claves: Redes Neuronales, Pronósticos y Finanzas

 RESUMEN EXTENDIDO

El presente trabajo tiene por objetivo predecir la variación diaria del índice bursátil IPSA. La
metodología empleada para ello, fue la siguiente: a) Obtención y tratamiento de los datos de las
series de tiempo de la variación diaria del indicador bursátil IPSA, y de variables que pueden
tener influencia sobre este indicador; b) Modelamiento de la Redes Neuronales mediante el uso
del software NeurosolutionsTM V.4.0 (arquitectura de la red, entrenamiento, validación cruzada
y prueba de la RNA ); c) Realización del proceso de simulación de la RNA, d) Validación y
análisis de los resultados obtenidos; e) Aplicación del método de Regresión Lineal Múltiple y
ARIMA para la variación diaria del índice IPSA y f) Comparación del pronóstico de la RNA
con la Regresión Lineal Múltiple y el Modelo ARIMA, para el caso de la RNA recurrente.
Dada la extensión del presente documento, se presentaran solamente las
consideraciones más relevantes para las situaciones de: 1) Modelo Causal y 2) Modelo
Univariante.

1.- Modelo Causal (Multivariante); Un modelo causal se basa en trabajar con grupos
de variables independientes que tiene una incidencia o efecto sobre una variable dependiente,
en este trabajo, la variable dependiente esta dada por la variación del índice bursátil IPSA, y
las variables independientes seleccionados fueron:
a) Variaciones respecto al precio de cierre diario de las siguientes empresas; i) CTC-
A, razón social “Cía. De Telecomunicaciones de Chile S.A.”; ii) ENERSIS, razón
social “ENERSIS S.A.” y iii) ENDESA, razón social “Empresa Nacional de
Electricidad S.A.”. Los datos recogidos de estas empresas fueron facilitados por la
bolsa de Comercio de Santiago.
b) Indicadores de otras bolsas de valores que afectan nuestro mercado, como por
ejemplo; i) Dow Jones, índice bursátil de la Bolsa de New York, EEUU; ii) Nasdaq,
índice bursátil tecnológico de EEU; iii) Bovespa, índice bursátil de la Bolsa de São
Paulo, Brasil y iv) Merval, índice bursátil de Argentina.
c) Otros indicadores financieros que son utilizados preferentemente por los
inversionistas, como por ejemplo; i) Tasa de Interés de Captación; ii) Unidad de
Fomento (UF) y iii) Tipo de Cambio (Dólar).

El mejor resultado para los pronósticos de la variación del IPSA mediante RNA se
lograron con una capa oculta y 12 neuronas, que consideró las siguientes variables: Tasa de
captación, Unidad de Fomento, Dólar Observado, variación de los precios de cierre de CTC-
A, Enersis y Endesa. Los resultados de predicción, por ejemplo para un periodo comprendido
ente el 6/05/2002 al 10/05/2002, entre el Modelo RNA escogido y RLM, se aprecia en la Tabla
siguiente.

VARIACIÓN IPSA IPSA ESTIMADO IPSA ESTIMADO

Fecha REAL RNA RLM
06-05-02 0.11 0.1361 0.2134
07-05-02 0.12 0.1445 0.1241
08-05-02 0.48 1.1217 0.5287
09-05-02 -0.26 -0.3498 0.1600
10-05-02 -0.36 -0.7011 0.2628
 Se puede observar además, que el modelo RNA, captura el cambio de signo que
experimenta el IPSA, no así la RLM. A continuación, se presentan los valores de MSE (Error
cuadrático medio) y MAE (Error medio absoluto) para cada modelo desarrollado.

MODELO MSE MAE

RNA 0.269 0.225
RLM 0.289 0.24

En consecuencia, después de realizar otras pruebas en distintos períodos, se

puede concluir que, el Modelo Causal de las Redes Neuronales Artificiales es una
buena herramienta para procesos con variaciones, es decir, muestra altos niveles de
ajuste a los valores reales en su proceso de aprendizaje lo que representar un elevado
potencial como predictor, aunque, existen otros modelos más conocidos que entregan
resultados similares, es el caso de la RLM.

2.- Modelo Univariante; En relación con los modelos de predicción

unidimensional, se puede señalar que en el caso de las RNA univariantes su potencial
como estimador decae, es decir, no es una buena herramienta para la predicción de la
variación diaria del IPSA, en comparación al modelo ARIMA que fue superior en este
sentido, ya que el modelo ARIMA, tiende a seguir a la serie, desfasado en un período, lo
que hace que tenga un error muy bajo para las predicciones diarias. En consecuencia
hay que explorar el empleo de filtros, o utilizar métodos de suavizamiento de datos para
mejorar el pronóstico, sin embargo estudios preliminares realizados, no han dado
buenos resultados, lo que sugiere la necesidad de buscar y agregar variables explicativas
al modelo, dejando de ser por supuesto univariante para predecir la variación diaria del
indicador IPSA.

Finalmente, el pronóstico de la variación diaria del IPSA, de acuerdo a los

experimentos realizados, solo puede ser predicha para un período muy corto de tiempo,
como máximo una semana. Se pudo observar además, que en el caso multivariante,
para un conjunto de prueba, la RNA presenta un ajuste casi perfecto en los dos primeros
días y en los días posteriores, mantiene la tendencia de la curva de la variación real del
IPSA, por ejemplo, cuando el valor real es negativo, la Red Neuronal entrega una salida
negativa. En cambio, para el caso de la RLM, esta se ajusta en los días dos y tres, para
luego diferir de la variación real del IPSA manteniendo siempre valores positivos.