Publicación: Factibilidad para predecir precios en el corto plazo de un par de divisa. Caso: EUR/USD
Portada
Citas bibliográficas
Código QR
LA Referencia Stats
Autores
Director
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Materia
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
RESUMEN: El mercado de divisas es el mercado financiero más grande después de los mercados de derivados y el más líquido del mundo, lo que convierte a los pares que se negocian en él en activos de alta bursatilidad y alto riesgo. Más allá del hecho de que exista la negociación de instrumentos financieros, ya sea para la compra o venta de divisas con fin especulativo o de inversión, el verdadero subyacente de dicho mercado es la actividad económica real. El trabajo comienza por analizar el proceso de construcción de las redes neuronales artificiales como un método de inteligencia computacional que ha probado ser efectivo al modelar comportamientos o variables aplicadas a la realidad, siendo los campos de la econometría y las finanzas uno de ellos. Aunque no existe una teoría o proceso a priori para construir una red neuronal, se plantea una aproximación concreta con base en la opinión de un experto consultado y el criterio del autor que parte de la analogía encontrada entre los requerimientos de la técnica computacional seleccionada y las disposiciones del mercado financiero de divisas. Así mismo, se destacan las ventajas y desventajas al utilizar la técnica computacional seleccionada sobre otros modelos estadísticos y técnicas computacionales inteligentes. A continuación se determinan las variables y parámetros exógenos al par de divisas escogido, con base en uno de los dos enfoques sugeridos por los expertos en mercados de divisas Heinz Riel (Citibank) y Rita M. Rodríguez (Universidad de Illinois, Chicago), que están sujetos a afectar el interés por la oferta y la demanda de dicho par en el mercado. Este enfoque implica realizar un análisis de las variables macroeconómicas agregadas de los países propios de las monedas involucradas, que fueron segmentadas en variables de corto y largo plazo. De la misma manera, se plantea un grupo de variables que si bien son exógenas a la teoría macroeconómica, su nivel de correlación con la divisa escogida podría servir para modelar y pronosticar el par en el muy corto plazo. Para validar la elección de estas variables, se acudió a la opinión de un operador experto del mercado de divisas. Posterior a la elección de las variables fundamentales, se realiza la selección de las técnicas computacionales sujetas a modelar y a pronosticar el par de divisa EUR/USD. Para ello, fue necesario adelantarse a la experimentación pues como se mencionó anteriormente, no existe un proceso teórico definido que indique cómo construir un modelo computacional que permita obtener resultados satisfactorios sobre la replicación y el pronóstico de un sistema financiero. Con base en el ensayo, fue posible obtener la evidencia suficiente para clasificar según las ventajas y falencias los métodos estudiados y, posteriormente, elegir el más apto. La siguiente etapa del proyecto corresponde a la definición de la topología de la red al igual que el método de entrenamiento. Partiendo de la experimentación con técnicas metaheurísticas, se eligió la que fuera más poderosa y adecuada para entrenar las redes neuronales artificiales (en adelante RNAs) según los resultados obtenidos sobre las conexiones neuronales. Se decidió por no combinar las técnicas evaluadas (aprendizaje híbrido) y se implementó sólo la técnica más apta. La selección de la topología, al igual que el entrenamiento, respondió al ensayo y a la implementación por error. Como anexo de este capítulo, se incluye parte del código desarrollado en Microsoft® Visual C#, Matlab® y el programa estadístico gratuito por preferencia R-Project® para entrenar las redes mediante algunos tipos de algoritmos evolutivos. La etapa conclusiva del proyecto responde a una evaluación estadística de los resultados obtenidos en los modelos y sus pronósticos. Para ello, se validaron mediante pruebas de hipótesis los supuestos que permitieron en primer lugar utilizar técnicas no paramétricas (como las RNAs) para modelar y pronosticar la variable en cuestión. Finalmente, se realizó una comparación del error que arrojaron los modelos y sus pronósticos, con el fin de medir la precisión y establecer cuál fue la red más asertiva.
Resumen en inglés
ABSTRACT: The Foreign Exchange Market (also known as Forex market) is the world’s largest financial market after the derivatives market and the world’s most liquid market. As a result, currency pairs are very volatile and very risky financial instruments. Beyond the fact that the market offers tradable financial instruments, whether to be bought or sold for a profit, the significant underlying there is the real economic activity. The present work begins by analyzing the process of building an artificial neural network which is a computational method that has proved to be effective for modeling certain behaviors and variables found in real life, such as in finance and econometrics. Even though there is not an established nor officially accepted theoretical process to build a neural network prior to experimentation, a brief approach is suggested in accordance to an expert’s opinion and the view of the author which is based in the relationship found between the requirements of the chosen computational method and the nature of the Forex market. In addition to this, the advantages of using such computational method rather than others are posted. Disadvantages in the same matter are also mentioned, so the reader may understand the opportunity cost of choosing neural networks as the primary computational method for modeling the EUR/USD currency pair in the present work. Subsequently, external variables subject to influence demand and supply for the currency pair are chosen, in accordance to an approach suggested by Forex market experts Heinz Riel (Citibank) and Rima M. Rodriguez (Illinois University, Chicago). Such an approach implies an analysis of macroeconomic variables, which are divided in short term and long term variables. In addition to this, an additional group of variables nonrelated to macroeconomic theory but whose correlation with the main variable may be of help in the process of modeling and predicting the currency pair in the short term, was chosen. In order to validate the variables, a professional currency trader’s opinion was inquired. After having chosen the fundamental variables, the choice of the type of neural network subject to model and predict the EUR/USD currency pair was made. In order to do so, going forward to the experimentation phase was needed, since there is no theoretical process (as mentioned) that points out the steps required to follow in order to build a successful financial model with an accurate prediction using intelligent computational methods. After this, it was possible to gain sufficient empirical evidence to be able to classify the methods according to its advantages and disadvantages. The next stage of the project corresponds to the definition of the neural network topology as well as the choosing of the type of training method. Based on the results obtained over the neural coefficients after experimenting with metaheuristic techniques, the most powerful and adequate with respect to the others was chosen as the main and unique training method. The choice whether to use or not certain kind of topology was wade after a considerable number of experiments. As a an additional bonus for this chapter, part of the mathematical code written in Microsoft® Visual C#, Matlab® and R-Project® in order to train the neural network with evolving algorithms is included. The conclusive stage of this project corresponds to performing a statistical evaluation of the results obtained from the networks for their models and predictions. In order to do so, conjectures made from the models were checked using hypothetical testing. Those conjectures allowed to study the EUR/USD currency pair distribution using non parametrical techniques (such as neural networks), to be able to model and accurately predict the variable. Finally, a comparison towards the errors of the models and its predictions was made, with the end of measuring accuracy and therefore determine which the most assertive network was.