tesis rna en finanzas, udec

Redes Neuronales Artificiales, una herramienta para las Finanzas

1

UNIVERSIDAD DE CONCEPCIÓN FACULTAD DE CIENCIAS ECONÓMICAS Y ADMINISTRATIVAS

DEPARTAMENTO DE ADMINISTRACIÓN

REDES NEURONALES ARTIFICIALES, UNA

HERRAMIENTA PARA LAS FINANZAS. APLICACIÓN A LA PREDICCIÓN DEL PRECIO DEL COBRE TR ANSADO EN LA

BOLSA DE METALES DE LONDRES, PERIODO 1996-2006.

Katharine Richter Grez

Daniela Toro González

Profesor Guía

Rigoberto Parada Daza

Diciembre 2006

Redes Neuronales Artificiales, una herramienta para las Finanzas.

2

A Dios, a mis padres, hermana, nonito, familia, amigas y a todos los que de alguna manera han contribuido a mi formación personal y profesional. Agradezco el apoyo y cariño que siempre me han brindado en todo momento y me siento muy privilegiada de tenerlos a todos. Daniela Toro González. Dedicado a los maravillosos padres que la vida me regaló, gracias por sus esfuerzos diarios, su apoyo incondicional, su paciencia y amor de siempre. Son el pilar de mi vida y todos mis logros se los debo a uds.

Katharine Richter Grez.


3

AGRADECIMIENTOS

Queremos agradecer a todos aquellos profesores que de una u otra forma ayudaron con el

desarrollo de esta investigación, especialmente a Rigoberto Parada D, profesor guía de ésta

investigación que aportó con toda su experiencia y trayectoria; y Ricardo Contreras A, profesor

del Departamento de Informática de la Universidad de Concepción quien fue pilar fundamental

en el entendimiento de las RNA y que tuvo la paciencia de recibirnos en su oficina cada vez que

necesitamos de su ayuda.

Sin embargo, no queremos dejar de nombrar a:

• Ángelo Benvenuto, Profesor FACEA Universidad de Concepción

• Eugenio Bobenrieth Profesor FACEA Universidad de Concepción

• Cristian Muñoz, Profesor FACEA Universidad de Concepción, Socio Afitrading.

• Antonino Parisi, Profesor FACEA Universidad de Chile

• Hernán Merino, Ingenieros Comerciales, Banco Central

• Jean Pierre Brunel, Ingeniero Comercial, COCHILCO

Quienes ayudaron tanto en la comprensión del tema en estudio como en la logística de la

elaboración de la investigación.

Agradecer también a todas los trabajadores de las corredoras que amablemente se dieron el

tiempo de responder la encuesta que les fue enviada, aportando con sus respuestas a tener un

visión de qué esta sucediendo con las RNA en Chile.

Finalmente, pero no menos importante, agradecer a Francisco Richter S; quien nos inspiró y

motivó a estudiar las RNA y elegirlas como tema de investigación. Junto con acompañarnos a lo

largo del todo el proceso animándonos y alentándonos a continuar en un tema, que en un inicio,

era muy ajeno a nuestros conocimientos.


4

RESUMEN

El constante dinamismo de las sociedades y los mercados, obliga ir buscando nuevas

herramientas que vayan a la par con el desarrollo y que permitan tomar decisiones en forma

eficiente, eficaz y correcta. Es así como nacen las Redes Neuronales Artificiales (RNA) que son

Sistemas de procesamiento que copian esquemáticamente la estructura neuronal del cerebro para

tratar de reproducir y mejorar sus capacidades.

Las RNA se han desarrollado en diversos ámbitos, en esta investigación se destaca su uso en el

área financiera. Se han realizado múltiples estudios y aplicaciones de éstas en los distintos

campos de las finanzas, habiendo un número considerable de estudios que muestran importantes

resultados en el área. Principalmente se han usado para la predicción de precios.

El cobre, es un commodities relevante para el desarrollo de Chile, por lo que fue elegido como

instrumento de prueba para la aplicación de RNA. A lo largo de la investigación se desarrollan

50 simulaciones con diferentes características tanto en su configuración como en sus variables de

entrada y períodos; logrando resultados interesante y atractivos de analizar. Se dividió el período

analizado en dos partes, para poder estudiar las RNA frente a distintos comportamientos de

precios (períodos con precios estables y otro de precios fluctuantes), además se diseñaron dos

modelos distintos con respecto a los determinantes del precio del cobre; un modelo solo siendo

determinado por precios de días anteriores del commodities y otro teniendo variables

macroeconómicas como determinantes.

Las RNA puede ser una herramienta generadora de ventajas competitivas, especialmente para

aquellas empresas de inversiones. Se realizó una encuesta a 16 de las principales corredoras del

país, preguntando por el uso de las RNA como una herramienta para las finanzas. La realidad

nacional denota una subutilización de esta herramienta en las finanzas, específicamente en la

predicción de precios. No existe un conocimiento acabado de las RNA, lo que limita su uso y

aplicación.

Las principales conclusiones de la investigación son con respecto a la efectividad de esta

herramienta y su uso en el ámbito nacional.


5

ÍNDICE

Dedicatoria 2 Agradecimientos 3 Resumen 4 Índice 5 Introducción 7 Capítulo 1: Redes Neuronales Artificiales 10 1. Redes neuronales 11

1.1 Redes neuronales biológicas 11 1.2 Redes neuronales artificiales 13 1.2.1 Estructura de una red neuronal 15 1.2.1.1 Capas 15 1.2.1.2 Funciones 15 1.2.2. Características de las redes neuronales 17 1.2.3. Tipos de redes neuronales artificiales 18 1.2.3.1 Según aprendizaje 18 1.2.3.2 Según las capas 18 1.2.3.3 Según la conexión 19 1.2.3.4 Según topologías clásicas 19 1.2.3.5 Según procesamiento 22 1.2.4. Ventajas que ofrecen las RNA 23 1.2.5 Desventajas que ofrecen las RNA 24

Capítulo 2: Aplicación de las Redes Neuronales Artificiales a las Finanzas 25 2. Aplicación de las redes neuronales en finanzas 26 2.1 RNA aplicadas a distintas áreas 26 2.2 RNA aplicadas a las finanzas 27 2.2.1 Finanzas corporativas 29 2.2.2 Aprobación de créditos 30 2.2.3 Análisis de condiciones financieras 30 2.2.4 Riesgo de quiebra de una empresa 31 2.2.5 Clasificación de bonos 31 2.2.6 Valoración de nuevos instrumentos 32 2.2.7 Análisis técnico 32 2.2.8 Análisis fundamental 33 2.2.9 Otras aplicaciones 34 Capítulo 3: Aplicación de las RNA en la Predicción del Precio del cobre 35 3. Aplicación de redes neuronales artificiales en la predicción del precio del cobre. 36 3.1 Cobre 36 3.2 Principales usos del cobre 37 3.3 Agentes participantes del mercado del cobre 38 3.3.1 Mercado físico 38 3.3.1.1 Productores 38 3.3.1.2 Intermediarios 39 3.3.1.3 Consumidores 39 3.3.2 Mercado financiero 40 3.3.2.1 Especuladores 40 3.3.2.2 Inversionistas 41 3.4 Proceso de formación del precio del cobre 41


6

3.5 Determinantes del precio del cobre 42 3.5.1 Modelos de precios del cobre 43 3.5.1.1 Modelo de precio 43 3.5.1.2 Modelo de múltiples variables 44 3.6 Neurosolution 4 46 3.6.1 Herramientas modificables del Neuralbuilder 47 3.6.1.1 Tipo de red (según topología) 47 3.6.1.2 Porcentaje de validación cruzada 47 3.6.1.3 Porcentaje de testing 47 3.6.1.4 Capas ocultas 47 3.6.1.5 Número de neuronas 48 3.6.1.6 Función de activación 48 3.6.1.7 Step size 48 3.6.1.8 Momentum: 49 3.6.1.9 Épocas: 49 3.6.2 Medidas de resultado 49 3.6.2.1 MSE 49 3.6.2.2 NMSE 50 3.6.2.3 Coeficiente de correlación 50 3.6.2.4 Porcentaje de error 51 3.6.2.5 AIC 51 3.6.2.6 MDL 51 3.7 Aplicación de las redes neuronales 52 3.8 Resultados modelos de RNA 55 3.8.1 En periodo Enero 1996 - Diciembre 2004 55 3.8.1.1 Modelo de precio 55 3.8.1.2 Modelo de múltiples variables 56 3.8.2 En periodo Enero 2005 - Junio 2006 57 3.8.2.1 Modelo de precio 57 3.8.2.2 Modelo de múltiples variables 58 3.9 Análisis de resultados modelos de rna 59 3.9.1 Análisis precio del cobre periodo 1996-2004 y 2005-Junio 2006 59 3.9.2 Análisis de resultados entregados por la red 61 3.9.3 Resultados RNA aplicadas en otras investigaciones 63 Capítulo 4: Utilización de las RNA en Chile 65 4. Utilización de las RNA en Chile 66

4.1 Resultados de la encuesta 67 Capítulo 5: Conclusiones y recomendaciones 71 5. Conclusiones y recomendaciones 72

5.1 Conclusiones 72 5.2 Recomendaciones. 74

Bibliografía 75 Anexos 82 Anexo 1: Listado de investigaciones de universidades Chilenas 82 Anexo 2: Resultados simulaciones 89 Anexo 3: Resultados pruebas testing 116 Anexo 4: Cuestionario 119 Anexo 5: Resultados encuesta 121


7

Introducción

Redes Neuronales Artificiales


8

INTRODUCCIÓN

En un mundo dinámico y cambiante como el actual, la toma de decisiones correctas por parte de

las personas y las organizaciones, se torna en algo central. Es de vital importancia responder con

rapidez y certeza a los acontecimientos, más aún adelantarse a éstos logrando así ventajas

competitivas. Por esto, todas aquellas herramientas que puedan ayudar y facilitar la toma de

decisiones son constantemente buscadas por las empresas.

En Finanzas, a lo largo del tiempo, se han desarrollado múltiples modelos para ayudar al análisis

de las distintas problemáticas con el objeto de que éstos ayuden en la toma de decisiones, a

aclarar el escenario o simplemente a entender de forma más rápida y eficiente qué está

sucediendo.

Dentro de finanzas existe el área de inversiones, en la cual la toma de decisiones es crucial para

obtener buenos resultados, es así como existen distintas teorías de análisis de los mercados como

lo son: análisis técnico, análisis fundamental, teorías del caos, etc. Todas ellas tratan de predecir

de una u otra forma qué sucederá con éstos en el futuro.

Es indiscutible el avance tecnológico de los últimos tiempos, las tecnologías se han ido

desarrollando con el objetivo de poder ayudar a las distintas disciplinas en las diversas labores y

su principal aporte, por lo general, es en la optimización de estas. Dentro de esta área existen las

Redes Neuronales Artificiales (RNA), que han nacido con el objeto de imitar a las Redes

Neuronales Humanas. Estas surgen por la necesidad de mejorar algunas de las habilidades

normales de un ser humano como lo son la capacidad de procesamiento, análisis, rapidez y

efectividad. Las RNA lo que hacen es emular la forma en la cual el cerebro reconoce patrones de

comportamiento, realizando este proceso de manera mecánica, lo que evita al humano un tedioso

análisis de datos lo que podría llevarle a cometer errores.

Es así como se ha decidido mezclar estas dos áreas, unir lo complejo de la toma de decisiones en

inversiones financieras con la complejidad de las RNA. Usando las RNA en la predicción o


9

estimación del precio, en este caso específico se tomará el cobre como ejemplo, por su

importancia para el país y por lo crucial que se torna en el desarrollo nacional.

Por lo tanto el objetivo principal de esta investigación es:

Analizar el uso, efectividad y aplicación de las redes neuronales artificiales como una

herramienta de predicción. Aplicación en mercado del cobre.

Además se definen algunos objetivos específicos, los cuales son:

• Investigar los diferentes usos de las RNA en la actualidad.

Se cree, las RNA no son muy conocidas en el área financiera, aún pertenecen en gran medida

al área de ingeniería, específicamente informática. Sin embargo, los últimos años, en el país

se han desarrollado diversos estudios y aplicaciones promoviendo esta nueva herramienta.

Con este objetivo se pretende dar a conocer y promover las diversas áreas en las cuales se

están usando las RNA. Se elaborará un listado de todos los estudios realizados por 3

universidades Chilenas pertenecientes al Consejo de Rectores.

• Medir la efectividad de las redes neuronales artificiales, su capacidad de predicción,

mediante la emulación de ellas; aplicación al precio del cobre.

Se emularán distintas RNA, con distintas características (capas, entradas de datos, funciones,

etc.) con el fin de poder probarlas y obtener la óptima en la predicción del precio del cobre.

Se pretende determinar una arquitectura de RNA más adecuada para este tipo de casos,

dejándola como precedente para futuros estudios.

• Estudiar la aplicabilidad de las RNA en el mercado nacional.

Se realizará un estudio en el área financiera nacional (específicamente corredoras), con el

objeto de saber si ellos conocen y utilizan las RNA. En el caso de que no se estén utilizando

como una herramienta de predicción, ver si existe la factibilidad de que lo hagan.


10

Capítulo


1


11

1. REDES NEURONALES

Al estudiar Redes Neuronales Artificiales (RNA), lo primero que se debe entender es el sustento

de éstas, comprender su origen y la base de la cual se desarrollan. Las RNA nacen de la

imitación del modelo neuronal biológico, o sea el sistema neuronal que todo hombre posee, el

cual le permite desarrollar aprendizaje y por ende evolucionar.

Se considera importante comenzar con una idea general de cómo funcionan las redes neuronales

biológicas, para luego ahondar en las RNA.

1.1 REDES NEURONALES BIOLÓGICAS

Según Gondar (2001) el cerebro humano se compone de decenas de billones de neuronas

interconectadas entre sí formando circuitos o redes que desarrollan funciones específicas.

Una neurona típica recoge señales procedentes de otras neuronas a través de estructuras llamadas

dendritas. La neurona emite impulsos de actividad eléctrica a lo largo de una fibra larga y delgada

denominada axón, que se divide en millares de ramificaciones (Figura 1.1)

Figura 1.1

Neurona y conexiones sinápticas

Fuente: Gondar (2001)


12

Las extremidades de estas ramificaciones llegan hasta las dendritas de otras neuronas y

establecen unas conexiones llamadas sinapsis (Figura 1.2), en las cuales se produce una

transformación de los impulsos eléctricos en un mensaje neuroquímico, mediante la liberación de

unas sustancias llamadas neurotransmisores.

Figura 1.2

Detalle de una sinapsis


El efecto de los neurotransmisores sobre la neurona receptora puede ser excitatorio o inhibitorio,

y es variable, de manera que se puede hablar de la fuerza o efectividad de una sinapsis. Las

señales excitatorias e inhibitorias recibidas por una neurona se combinan, y en función de la

estimulación total recibida, la neurona toma un cierto nivel de activación (Figura 1.3), que se

traduce en la generación de breves impulsos nerviosos con una determinada frecuencia o tasa de

disparo, y su propagación a lo largo del axón hacia las neuronas con las cuales se produce la

sinapsis.

Figura 1.3

Activación y disparo de una neurona



13

De esta manera la información se transmite de unas neuronas a otras y va siendo procesada a

través de las conexiones sinápticas y las propias neuronas. El aprendizaje de las redes neuronales

se produce mediante la variación de la efectividad de las sinapsis, de esta manera cambia la

influencia que unas neuronas ejercen sobre otras, de esta manera se deduce que la arquitectura, el

tipo y la efectividad de las conexiones en un momento, representan en cierto modo la memoria o

estado de conocimiento de la red.

Las redes neuronales representan parte fundamental del cerebro, en el cual se generan todos los

procesos necesarios para llevar a cabo una actividad determinada como respuesta a un estímulo

generado en el ambiente. Su complejidad y gran alcance han llevado al hombre a estudiarlas y

tratar de imitar su funcionamiento para lograr de alguna forma obtener el aprendizaje generado

por éstas y poder aplicarlas en otros campos. Es así como nacen las Redes Neuronales

Artificiales.

1.2 REDES NEURONALES ARTIFICIALES (RNA)

Existen múltiples definiciones de RNA:

Haykin (1994) “Una red neuronal es un procesador masivamente paralelo distribuido que es

propenso por naturaleza a almacenar conocimiento experimental y hacerlo disponible para su

uso. Este mecanismo se parece al cerebro en dos aspectos:

• El conocimiento es adquirido por la red a través de un proceso que se denomina aprendizaje.

• El conocimiento se almacena mediante la modificación de la fuerza o peso sináptico de las

distintas uniones entre neuronas.”

Kröse y Van der Smagt (1993) “Una red neuronal es un modelo computacional con un conjunto

de propiedades específicas, como son la habilidad de adaptarse o aprender, generalizar u

organizar la información, todo ello basado en un procesamiento eminentemente paralelo”.

Martín del Brío y Sanz (1997) “Sistemas de procesamiento que copian esquemáticamente la

estructura neuronal del cerebro para tratar de reproducir sus capacidades, como por ejemplo,

aprender de la experiencia a partir de las señales o datos del exterior, con el objetivo de

construir sistemas de procesamiento de la información paralelos, distribuidos y adaptativos”.


14

Según Gondar (2001), las neuronas se modelan mediante unidades de proceso. Cada unidad de

proceso se compone de una red de conexiones de entrada (Xi), las cuales son ponderadas a través

de un parámetro denominado peso (Wi); una función de red o de propagación (computa la

entrada total combinada de todas las conexiones), un núcleo central de proceso (aplica la función

de activación) y la salida (transmite el valor de activación a otras unidades) (Figura 1.4).

Figura 1.4

Unidad de proceso típica


Tabla 1.1

Comparación de las Neuronas Biológicas con las Artificiales

Redes Neuronales Biológicas Redes Neuronales Artificiales

Neuronas Unidades de proceso

Conexiones sinápticas Conexiones ponderadas

Efectividad de las sinapsis Peso de las conexiones

Efecto excitatorio o inhibitorio de una

conexión

Signo del peso de una conexión

Efecto combinado de las sinapsis Función de propagación o de red

Activación -> tasa de disparo Función de activación -> Salida



15

1.2.1 ESTRUCTURA DE UNA RED NEURONAL

1.2.1.1. Capas

• Capa Entrada: almacena la información bruta suministrada a la red o realiza un sencillo

pre-proceso de la misma.

• Capa Oculta: se encargan de recibir, procesar y memorizar la información.

• Capa Salida: almacena la respuesta de la red para que pueda ser leída, dando un resultado

final.

1.2.1.2. Funciones

Según Gondar (2001), las funciones de una Red Neuronal Artificial son:

• Función de propagación o de red: Esta calcula el valor de base o entrada total a la unidad,

lo hace mediante la suma ponderada de todas las entradas recibidas, es decir, de las entradas

multiplicadas por el peso o valor de las conexiones.

La función de propagación proporciona el valor del potencial postsináptico de la neurona i en

función de sus pesos y entradas, en un tiempo t. Equivale a la combinación de las señales

excitatorias e inhibitorias de las neuronas biológicas.

• Función de Activación: Es quizás la característica principal o definitoria de las neuronas, es

decir la que mejor define el comportamiento de la misma. Se usan diferentes tipos de

funciones, desde simples funciones de umbral a funciones no lineales. Con ésta se pretende

calcular el nivel o estado de activación de la neurona en función de la entrada total.

De esta forma, la función de activación o transferencia será aquel elemento de la topología de

una red que permite calcular el estado de actividad de una neurona, transformando la entrada

neta en un valor cuyo rango normalmente va de (0 a 1) o de (–1 a 1), dependiendo de su

estado de actividad o inactividad. Así, una neurona podrá estar totalmente inactiva (0 o –1) o

totalmente activa (1) (Matich, 2001)


16

Según Silva (2005) las funciones de activación más comunes son:

a) Función Lineal: Esta función es útiles en aquellos casos en que el output es una variable

continua o en aquellos en que se desea que la red aprenda los eventos menos frecuentes. A

diferencia de la función Sigmoide, la lineal no se hace menos sensible al alejarse de cero.

La expresión matemática es:

xxF =)(

Figura 1.5

Función Lineal

Fuente: Brunel (2005)

b) Función Logística o Sigmoide: Esta es la más común en la mayor parte de las Redes

Neuronales con aplicaciones financieras. Su rango es (0, 1). Se utiliza para concentrar el

aprendizaje en valores no extremos en donde se deberían encontrar la mayor parte de los

casos, por ello es de especial utilidad cuando los outputs son categorías. En términos

matemáticos es:

)1(

1)(

xexF −+

=

Figura 1.6

Función Logística

Fuente: Brunel 2005


17

c) Función Tangente Hiperbólica: Esta función tiene las mismas propiedades que la

logística, sin embargo, el rango de salida de esta función permite respuestas simétricas

(-1, 1); manteniendo una intermedia en cero. Esta función suele converger antes que la

función logística, sin embargo, no necesariamente generaliza igualmente bien. En

términos matemáticos queda expresada en:

)(

)()(

xx

xx

ee

eexF

−

−

+

−=

Figura 1.7

Función Tangente Hiperbólica

Fuente: Brunel 2005

1.2.2 CARACTERÍSTICAS DE LAS REDES NEURONALES

Según Brunel (2005) las redes neuronales poseen ciertas características, estas son:

• Paralela: Las RNA cuentan con una gran cantidad de neuronas, cada una de ellas

trabajando simultáneamente con una parte del problema mayor.

• Distribuida: Las RNA cuentan con una gran cantidad de neuronas, a través de las cuales

distribuyen su memoria. Esto los diferencia de los sistemas computacionales tradicionales,

los que sólo cuentan con un procesador y memoria fija.

• Adaptativa: Las RNA tienen la capacidad de adaptarse al entorno modificando sus pesos

sinápticos, aprendiendo de las experiencias, consiguiendo generalizar conceptos a partir de

casos particulares, permitiéndole encontrar una solución aceptable al problema.


18

1.2.3. TIPOS DE REDES NEURONALES ARTIFICIALES

Existen múltiples tipos de clasificación de RNA, algunos autores las clasifican según el

aprendizaje, según las capas, otros según conexión; existen además distintos tipos de RNA.

La presente investigación no pretende ahondar en profundidad la materia de RNA, sino sólo dar

una visión general de estas, que permita entregar una base para la comprensión de la aplicación

del estudio.

1.2.3.1. Según aprendizaje

Para Palacios (2003) y Matich (2001), un criterio habitual de clasificar las RNA es, según su

aprendizaje, siendo este:

• Supervisado

• No supervisado

• Reforzado

• Híbrido

El primero menciona que el entrenamiento es controlado por un agente externo, quien determina

la respuesta que debería generar la red a partir de una entrada determinada. En el caso contrario

está el no supervisado, en el cual no existe un agente externo que determine la respuesta deseada,

generando que la red sólo reconozca regularidades en el conjunto de entradas. Un aprendizaje que

mezcla estos dos anteriores es el Híbrido, en el cual, algunas capas tienen aprendizaje

supervisado y otras no supervisado.

Similar al aprendizaje supervisado, está el Reforzado, en el cual se le indica a la red el error que

comete (error global), es decir se indica el éxito o fracaso del resultado obtenido.


19

1.2.3.2. Según las capas

Gonzalo Cortez, divide a las redes en:

• Monocapas

• Multicapas

Ambas se diferencian sólo en la cantidad de capas que posee la red neuronal, una en el caso de la

monocapa y dos o más en las multicapas.

1.2.3.3. Según la conexión

Santín, divide a las RNA en:

• Feedforward

• Feedback

En las RNA Feedforward, las neuronas de cada nivel sólo están conectadas con las neuronas de

los niveles posteriores por lo tanto la información se propaga hacia delante. Mientras que en las

segundas, las neuronas pueden estar conectadas con neuronas de niveles previos, posteriores, o de

su mismo nivel.

1.2.3.4 Según topologías clásicas

Según Silva (2005), las topologías clásicas de RNA son:

• Perceptrón simple (Rosenblatt en 1962): Este tipo de RNA, es el modelo más simple, es

una red unidireccional compuesta por dos capas de neuronas, una de entrada y la otra de

salida, por lo tanto en este modelo las neuronas de entrada únicamente envían la

información a las neuronas de salida. El aprendizaje de este tipo de red es del tipo

supervisado y se basa principalmente en la regla de corrección de error con respecto a la

salida deseada.


20

• Perceptrón Multicapa: Este tipo de RNA es una ampliación del anterior, ya que incorpora

uno o más niveles de unidades ocultas.

Un Perceptrón multicapa es una RNA con alimentación hacia delante y está compuesta de

varias capas de neuronas entre la entrada y la salida, permitiendo de esta manera establecer

regiones de decisión mucho más complejas en comparación con el perceptrón simple.

Generalmente estas RNA se entrenan mediante el algoritmo Backpropagation.

• Redes Hebbianas: Este tipo de redes tiene un aprendizaje no supervisado. Se basa en la

regla de Hebb, la cual dice que cuando una neurona activa a otra, la sinapsis queda

reforzada. Este tipo de redes nos indica que si en el momento de la asociación entre las

neuronas, dos o más de ellas se activan simultáneamente, estas actuarán en conjunto

incrementando o potencializando la sinapsis, ya que ahora la activación o desactivación de

una de ellas influye en la otra, por consiguiente se pueden activar varias neuronas en la

salida.

• Redes Kohonen: Este tipo de RNA posee la capacidad de formar mapas de características

de manera similar al cerebro. El objetivo de este modelo es demostrar que un estímulo

externo (información de entrada) por si solo es suficiente para forzar la formación de estos

mapas. Estos mapas se forman de la información de entrada, la cual mediante la semejanza

de sus datos, forma diferentes categorías. Esta red utiliza el aprendizaje no supervisado de

tipo competitivo, es decir, las neuronas compiten por activarse y sólo una de ellas

permanece activa ante una determinada información de entrada, provocando que los pesos

de las conexiones se ajusten en función de la neurona vencedora.

• Redes Hopfield: La red Hofield funciona como una memoria asociativa no lineal, que

puede almacenar internamente patrones presentados de forma incompleta o con ruido. Esta

red está formada por neuronas conectadas simétricamente (al existir una conexión desde la

neurona Ni a la neurona Nj, también existe la conexión desde Nj a Ni y ambas con el

mismo peso Wij = Wji) y el conjunto permitido de valores de entrada y salida es (0,1)

pudiendo ser (-1,1) o sea binario. Este modelo es similar al Perceptrón, pero presenta una

característica adicional y es que las neuronas de la capa media, presentan conexiones de


21

salida hacia otras neuronas de la capa media. Este hecho, hace que en esta capa se dé un

feedback entre sus neuronas, de forma que al activarse una de las neuronas, las otras

cambian su estado de activación, que a la vez hará cambiar el suyo. Por lo tanto, el patrón

de activación se transmitirá sólo cuando se llegue a un equilibrio. Esta red no implica

cálculo de pesos sinápticos ya que estos se mantienen constantes.

Es importante mencionar, que en varios estudios se menciona al backpropagation como un tipo

de red, pero es importante aclarar que esto no es así, ya que es un algoritmo de aprendizaje que

puede utilizar las RNA. A continuación se menciona este algoritmo

• Algoritmo de Retropropagación (Silva, 2005 )

La Backpropagation es un tipo de algoritmo para entrenar a la red, emplea un ciclo

propagación – adaptación de dos fases. Una vez que se ha aplicado un patrón a la entrada de

la red como estímulo, este se propaga desde la primera capa a través de las capas superiores

de la red, hasta generar una salida. La señal de salida se compara con la salida deseada y se

calcula una señal de error para cada una de las salidas.

Las salidas de error se propagan hacia atrás, partiendo de la capa de salida, hacia todas las

neuronas de la capa oculta que contribuyen directamente a la salida. Sin embargo, las

neuronas de la capa oculta solo reciben una fracción de la señal total del error, basándose

aproximadamente en la contribución relativa que haya aportado cada neurona a la salida

original. Este proceso se repite, capa por capa, hasta que todas las neuronas de la red hayan

recibido una señal de error que describa su contribución relativa al error total. Basándose en

la señal de error percibida, se actualizan los pesos de conexión de cada neurona, para hacer

que la red converja hacia un estado que permita clasificar correctamente todos los patrones

de entrenamiento.

La importancia de este proceso consiste en que, a medida que se entrena la red, las neuronas

de las capas intermedias se organizan a sí mismas de tal modo que las distintas neuronas

aprenden a reconocer distintas características del espacio total de entrada. Después del

entrenamiento, cuando se les presente un patrón arbitrario de entrada que contenga ruido o


22

que esté incompleto, las neuronas de la capa oculta de la red responderán con una salida

activa si la nueva entrada contiene un patrón que se asemeje a aquella característica que las

neuronas individuales hayan aprendido a reconocer durante su entrenamiento. Y a la

inversa, las unidades de las capas ocultas tienen una tendencia a inhibir su salida si el patrón

de entrada no contiene la característica para reconocer, para la cual han sido entrenadas.

1.2.3.5 Según procesamiento

Existen modelos estáticos y dinámicos de RNA. Los modelos estáticos configuran una red con

un conjunto de datos determinados, la entrenan y una vez que la red alcanza buen desempeño se

fija su configuración y sus pesos, luego con esa red fija se prueba un conjunto de datos (testing)

para evaluar finalmente el desempeño de la red. Los modelos dinámicos incorporan los datos del

testing (extramuestral) dentro de la red y estos nuevos datos van modificando la red, por lo que

la hacen dinámicas, ya que incorpora la nueva información. Dentro de los modelos dinámicos

tenemos:

• Redes Recursivas: Este procedimiento consiste en ir agregando información a la que ya

se tiene para realizar una nueva predicción. Desde el punto de vista financiero, esto

permite reflejar la necesidad de los agentes de ajustar sus expectativas frente a la nueva

información obtenida, pero sin dejar de considerar la totalidad de la información pasada.

De esta forma, si el conjunto extramuestral posee “m” datos, al evaluar el funcionamiento

de la red se considera sólo la predicción del primer valor. Posteriormente, el dato

analizado sale del conjunto extramuestral (quedando ésta con “m-1” datos), pasando a

formar parte del conjunto de entrenamiento, por lo que la muestra de “n” datos que

contiene los valores de entrada se incrementa a “n+1”. Luego, al realizar una nueva

iteración, lo que implica reconstruir los pesos del modelo para cada una de las “m-1”

proyecciones, la red logra aprender del error cometido en la predicción y ajustar

nuevamente los pesos estimados. Este proceso se repite hasta que en el conjunto

extramuestral queda con sólo un dato, por lo que la red recalcula los pesos de las

diferentes capas hasta el momento en que la última observación (correspondiente al


23

período “t-1”) es utilizada para proyectar el valor que la variable de salida podría alcanzar

en el momento “t”, el cual representa el futuro inmediato.

• Redes Rolling: Por otro lado, el procedimiento “Rolling” pretende capturar el proceso de

adaptación de expectativas, de manera tal que se le otorgue una mayor importancia a

aquella información recientemente agregada y descartando la más antigua, simulando el

hecho de que los agentes ajustan sus expectativas dando una mayor ponderación a la

información más reciente. Específicamente, el procedimiento mantiene constante el

tamaño del conjunto muestral “n” , pero varía desde el punto de vista de su composición,

pues para cada iteración, éste se va desplazando a través del conjunto total de datos, de

forma de incluir la próxima observación, pero a la vez eliminando la más antigua (-

1+n+1=n). Así, este procedimiento se repite “m-1” veces, permitiéndole a la red

recalcular sus pesos de acuerdo a lo aprendido.

1.2.4. VENTAJAS QUE OFRECEN LAS RNA

Debido a su constitución y a sus fundamentos, las redes neuronales artificiales presentan un gran

número de características semejantes a las del cerebro. Por ejemplo, son capaces de aprender de

la experiencia, de generalizar de casos anteriores a nuevos casos, de abstraer características

esenciales a partir de entradas que representan información irrelevante, etc. Esto hace que tengan

numerosas ventajas, según J. R. Hilera, V. J. Martínez (1994) estas son:

• Aprendizaje Adaptativo: capacidad de aprender a realizar tareas basadas en un

entrenamiento o en una experiencia inicial.

• Auto-organización: una red neuronal puede crear su propia organización o representación

de la información que recibe mediante una etapa de aprendizaje.

• Tolerancia a fallos: la destrucción parcial de una red conduce a una degradación de su

estructura; sin embargo, algunas capacidades de la red se pueden retener, incluso sufriendo

un gran daño.


24

• Operación en tiempo real: los cómputos neuronales pueden ser realizados en paralelo;

para esto se diseñan y fabrican máquinas con hardware especial para obtener esta

capacidad.

• Fácil inserción dentro de la tecnología existente: se pueden obtener chips especializados

para redes neuronales que mejoran su capacidad en ciertas tareas. Esto facilitará la

integración modular en los sistemas existentes.

1.2.5 DESVENTAJAS QUE OFRECEN LAS RNA

Según Brunel (2005) las redes neuronales a pesar de todas las ventajas que tiene, también

presenta desventajas, estas son:

• Las R.N.A constituyen un método de resolución de problemas creativo, es decir, que dada

las especificaciones de un problema, se desconoce la topología (características de la RNA)

con la que se va a solucionar del modo más eficiente

• Una vez entrenada una red neuronal, se hace difícil interpretar su funcionamiento, aún más,

no es fácil asegurar con qué grado de acierto responderá ante casos nunca vistos.

• Los modelos neuronales necesitan una herramienta de procesamiento poderosa. Esto se

manifiesta principalmente en el proceso de aprendizaje, pero esto se puede contrarrestar con

la facilidad de implementación en dispositivos de hardware específicos


25

Capítulo

Aplicación de las Redes Neuronales Artificiales a las Finanzas

2


26

2. APLICACIÓN DE LAS REDES NEURONALES EN FINANZAS

El objetivo de este capítulo es dar una visión del alcance que tienen actualmente las RNA y poder

proyectar su alcance futuro. Dar a conocer que los campos de aplicación son muchos y que su uso

finalmente dependerá de la imaginación y creatividad de quien las aplique.

Se mostrará en primera instancia los usos de las RNA en distintas áreas, para luego ahondar en el

ámbito financiero, que es al cual compete esta investigación.

2.1 RNA APLICADAS A DISTINTAS ÁREAS Según Ricote (2003), algunos usos de las RNA en el mundo se Muestran en la Tabla 2.1

Tabla 2.1

Usos de las RNA

Administración Pública

• Predicción de la criminalidad. • Detección del fraude fiscal y de otro tipo. • Predicciones económicas. • Proyección de prestaciones sociales. • Análisis de riesgos. • Predecir la demanda de servicios públicos.

Medicina y Salud

• Diagnóstico clínico. • Análisis de imágenes e interpretación. • Análisis de señales e interpretación. • Desarrollo de medicamentos. • Distribución de recursos.

Ciencia e Ingeniería

• Gestión de costos. • Ingeniería Química. • Ingeniería Eléctrica. • Conducción automática de vehículos. • Reacción química a productos. • Interpretación de señales.

Marketing

• Análisis sociodemográficos de la clientela. • Predicción de fidelización. • Venta cruzada. • Minería de datos. • Investigaciones de mercado con campos en blanco.

Transportes y Comunicaciones

• Optimización de rutas. • Optimización en la distribución de recursos. • Predicción de inventarios.

Meteorología • Predicción del tiempo. • Modelos de predicción.

Otros

• Reconocimiento de escritura. • Reconocimiento de gráficos. • Verificación de firmas. • Reconocimiento de voz.

Fuente: Ricote 2003.


27

Como parte del estudio bibliográfico de esta investigación, se decidió indagar en las bibliotecas

de tres importantes universidades del país pertenecientes al Consejo de Rectores, las cuales

fueron:

• Pontificia Universidad Católica de Chile

• Universidad de Chile

• Universidad de Concepción

Se buscó en los catálogos electrónicos pertenecientes a cada universidad, investigaciones que

afloraran bajo la búsqueda de “Redes neuronales”. El liderazgo con respecto a investigaciones en

esta área debemos decir que lo tiene la Universidad de Chile con 78 títulos encontrados a Junio

del 2006, seguido por la Universidad de Concepción con 35 investigaciones y finalmente la

Pontificia Universidad Católica de Chile con 17. Cabe mencionar que pueden haber

investigaciones en el área que no afloraran bajo la búsqueda de redes neuronales.

Con respecto a investigaciones en el área de finanzas hay un claro liderazgo en la Universidad de

Chile, generado por los hermanos Parisi, académicos de la Facultad de Ciencias Económicas y

Administrativas de esa casa de estudios, los cuales han guiado múltiples investigaciones en el

área RNA y hoy se encuentran a la vanguardia con respecto a la aplicación de las éstas en

finanzas.

En el Anexo 1, se podrá ver el listado de las investigaciones encontradas.

2.2 RNA APLICADAS A LAS FINANZAS

En el área de finanzas existen múltiples problemas a resolver, muchos de ellos involucran

complicados cálculos numéricos y difíciles estimaciones a realizar. Con el tiempo se han

diseñado distintos software o programas para facilitar el cálculo de éstos y hacer más eficiente el

proceso de análisis. Sin embargo los software muchas veces no son una solución adecuada para

aquellos problemas de naturaleza compleja, no estructurados, que requieren alguna forma de

reconocimiento de patrones y que involucran datos incompletos o ruidosos, para este tipo de

casos es cuando son usadas las RNA, para aquellos donde se requiere de agregar un componente

de inteligencia al proceso de análisis.


28

Según Neylor (1995) las tres mayores áreas de estadística donde se han usado las RNA son en

análisis de regresión, predicción de series de tiempo y problemas de clasificaciones, es decir, las

RNA pueden ser utilizadas donde las regresiones, análisis discriminatorio, regresiones logísticas

y métodos de predicción; han sido usadas.

Se han comparado las RNA con métodos tradicionales en distintos tipos de problemas de

clasificación y predicción. Shar (1994) reporta el desempeño de las RNA en comparación a

métodos estadísticos tradicionales. De los 42 trabajos que comparó, encontró que las RNA tienen

un mejor desempeño en 30 casos (71%) que los métodos tradicionales, un peor desempeño en 7

casos (17%) y no se encuentran diferencias significativas en 5 casos (12%). Ver Figura 2.1

Figura 2.1

RNA v/s Métodos Tradicionales

DESEMPEÑO DE LAS RNA EN COMPARACION A METODOS TRADICIONALES

71%

17%

12%Mejor desempeño

Peor desempeño

No se encuentrandiferencias

Fuente: Elaboración Propia

Las aplicaciones en finanzas e inversiones se pueden dividir según el problema que enfrentan.

Hay destinas áreas y enfoques que se pueden mencionar, a continuación en la Tabla 2.2 (basada

en Ricote 2003) se muestran 3 categorías:


29

Tabla 2.2

Aplicaciones en Finanzas

Banca

Finanzas

Seguros e Inversiones

• Clasificación Crediticia. • Aprobación de créditos. • Predicción del comportamiento de nuevos clientes. • Selección de buenas clases de riesgo. • Riesgo operacional.

• Predicciones riesgo quiebra una empresa. • Medida de la volatilidad. • Precio de opciones. • Gestión de acciones. • Formación y Gestión de carteras. • Predicción de riesgos. • Gestión de Fondos de Pensiones y Fondos de Inversión.

• Riesgo operacional. • Credibilidad. • Análisis de supervivencia. • Clasificación de Bonos. • Valoración de nuevos instrumentos. • Análisis técnico. • Análisis fundamental. • Administración de portafolios

Fuente: Ricote 2003.

Con el objeto de dar una visión más profunda, se explicarán con más detalle algunos de los usos

en el área financiera.

2.2.1 FINANZAS CORPORATIVAS

Los inversionistas no reaccionan a información parcial con respecto a una compañía, sino que

están influenciados por una serie de información que involucra todos los aspectos concernientes a

la compañía: puede ser posible entrenar una RNA a imitar el comportamiento de los

inversionistas en respuesta a cambios en las condiciones financieras o políticas de la compañía.

Usando a inversionistas como modelos de entrenamiento, se puede crear un RNA que simule las

reacciones de los inversionistas a cambios en la política de dividendos, método de contabilidad,

ganancias reportadas, estructura de capital o cualquier otro ítem de interés. Estudios pasados de

este tipo se han basado principalmente en los cambios en el precio de las acciones para prever el

comportamiento de los inversionistas. Una RNA puede mejorar la habilidad del analista

financiero para predecir las reacciones de los inversionistas frente a cambios en las políticas

financieras de la corporación. (Delv 1990)


30

2.2.2 APROBACIÓN DE CRÉDITOS

El trabajo de aprobar créditos a clientes y la asignación de los limites de éstos es generalmente,

muy intensiva en trabajo y consume mucho tiempo, por lo que tiene un gran impacto en las

ganancias de la mayoría de las compañías. Los procedimientos de aprobación de crédito basados

en puntuación pueden ser implementados con éxito en computadores con software

convencionales, pero estos sistemas no incorporan los elementos subjetivos, que no son

cuantificables, presentes en el proceso de la toma de decisión de un ser humano.

Una RNA puede ser entrenada usando como vector de entrada los datos de un cliente y las

decisiones ya elaboradas en bases a un análisis como vector de salida. El objetivo del sistema

seria imitar al tomador de decisiones en su función de otorgar o negar el crédito y fijar los limites

de este. (Marose 1990) (Kilmasauskas 1991)

2.2.3 ANÁLISIS DE CONDICIONES FINANCIERAS

Todas las empresas tienes que producir estados financieros por razones de impuestos. Estos

estados proveen importante información sobre las condiciones de la firma. Una forma de analizar

los datos en los estados financieros es trasformándolos en razones y comparando estos con los

promedios de la industria. Una RNA puede ser entrenada para interpretar las razones de las

compañías y estimar si estas son empresas saludables y con potencial de crecimiento. (Barker

1990) (Brio 1995)

Hay estudios que muestran cómo las redes neuronales son capaces de extraer información de

memorias de empresas y construir estructuras similares a razones financieras, con las cuales

poder clasificar a las empresas en grupos de características similares. (Berry 1993)


31

2.2.4 RIESGO DE QUIEBRA DE UNA EMPRESA

Son muchos los trabajos realizados en esta área, básicamente la red es alimentada por una serie

de información financiera de la empresa con la cual el sistema clasifica a la empresa en un estado

que generalmente puede ser bueno, normal y malo, donde el estado malo corresponde a un estado

en que la firma es muy riesgosa y es propensa a quebrar.

Las investigaciones realizadas han logrado muy buenos resultados, aún comparados con los

métodos convencionales de clasificación. (Ballarin 1993) (Colleman 1991) (Odom 1990)

(Proddig 1995) (Rahimian 1993) (Ranhupathi 1991) (Yan 1992)

2.2.5 CLASIFICACIÓN DE BONOS

La labor de escoger diferentes bonos es un problema de clasificación: dado un conjunto de clases

y un conjunto de vectores de entradas, cada uno descrito por una serie de características, se

asigna cada vector de información de entrada a una de las clases preestablecidas. Los vectores de

entradas corresponden a datos financieros concernientes a la empresa. Se han logrado muy

buenos resultados, por sobre los actuales métodos de clasificación. (Dutta1998) (Moody 1995)

(Singleton 1995) (Singleton 1990).

Los beneficios de este sistema son:

• El sistema puede ser usado para ver una gran cantidad de bonos, observando si son

convenientes de adquirir. El tomador de decisiones ahorrará mucho tiempo con sólo mirar los

bonos que fueron escogidos por el sistema.

• Debido a que el sistema no depende de las reglas de propagación, puede ser fácilmente

adaptado para que imite las técnicas de evaluación de cualquier tomador de decisión.

• El sistema puede adaptarse a los cambios de procedimientos analíticos y de selección del

tomador de decisión a través del tiempo.


32

2.2.6 VALORACIÓN DE NUEVOS INSTRUMENTOS

La valorización de nuevos instrumentos por los inversionistas es una tarea difícil y tiene un

impacto directo en las ganancias de la empresa. Para las compras iniciales de acciones no

emitidas esta es una labor en extremo compleja. La información concerniente al emisor de la

acción puede ser incompleta, estar en una forma no estándar y puede cubrir sólo un corto período

de tiempo. Se necesita considerar la información de compañías similares y de la industria, y

también información de las condiciones presentes y futuras. Además, existen elementos

subjetivos que influyen en el nivel de receptividad de los inversionistas y en la determinación del

momento más oportuno de emitir el instrumento.

Una vez más, una RNA puede ser entrenada para imitar las decisiones de un experto, mediante la

observación de los vectores de entrada y salida de las decisiones que se han tomado en el pasado.

En este caso, el sistema tiene el potencial de poder mejorar el desempeño del experto, debido a

que los datos de entrada pueden incluir las variaciones de los precios actuales y las actividades de

compra/venta subsecuentes a la emisión del instrumento. Por lo que el sistema tiene el potencial

de aprender directamente del experto y de los resultados actuales de la decisión. La RNA puede

descubrir relaciones que pueden haber sido pasadas por alto o mal interpretadas por el experto.

(Delv 1990)

2.2.7 ANÁLISIS TÉCNICO

El análisis técnico tiene el objetivo de predecir movimientos de corto plazo en el precio de las

acciones, tasas de cambio, índices o commodities basados en patrones ex - post de estos

instrumentos de información relevante.

Las capacidades de reconocimiento de patrones de las redes neuronales sugieren la aplicación de

éstas en el área del Análisis Técnico. Lo más conveniente es que la aplicación sea diseñada por

los analistas mismos. Si una RNA pudiera ser entrenada para simular la experiencia e intuición

de un analista exitoso, puede resultar en un aumento del número de acciones que puede analizar

en tiempo real.


33

Las investigaciones difieren del tipo de topología que utilizan e información recopilada.

Generalmente están enfocados a predecir cambios en los precios, índices o retornos diarios,

semanales y anuales, a reconocer patrones de alza o baja y a ejecutar órdenes de compra y venta

de acciones. (Abu 1995) (Baba 1993) (Baestaens 1995) (Bergerson 1991) (Bosarge 1991) (Chang

1993) (Grudnitski 1991) (Grudnitski 1995)

Otra área con gran cantidad de publicaciones corresponde a las transacciones de divisas

extranjeras. Los resultados de la mayoría de las investigaciones arrojan un resultado positivo, en

el cual los modelos logran obtener ganancias al ser simuladas sus transacciones en el mercado.

(Hsu 1995) (Levitt 1995) (Mehta 1995) (Refenes 1993) (Refenes 1995)

2.2.8 ANÁLISIS FUNDAMENTAL

El análisis fundamental también requiere intuición y juicio basado en la experiencia (aunque

posiblemente en un menor grado que en el análisis técnico) por lo que esta área ofrece grandes

perspectivas para las redes neuronales. Dada la gran cantidad de información que involucra cada

compañía en cada instante de tiempo, la capacidad de procesamiento en paralelo de los sistemas

de RNA ofrece una importante ventaja potencial en esta área. Las entradas para un modelo de

análisis fundamental son por naturaleza paralelas. Un vector de entrada para una compañía puede

incluir toda la información relevante de muchos años de información financiera, datos de

mercados históricos y presentes, información económica, promedios industriales y muchas otras

variables. La RNA puede ser entrenada para evaluar las acciones usando estas entradas y las

evaluaciones propias del analista como vector de salida deseada. Como en el caso del análisis

técnico, el objetivo del sistema sería el mejorar la eficiencia del analista mediante una mayor

cantidad de revisiones de casos y actualizaciones de datos mas frecuentes. (Kimono 1990)


34

2.2.9 OTRAS APLICACIONES

Otras aplicaciones en que se han usado redes neuronales corresponden a trabajos como:

• Comprobación de la teoría eficiente de los mercados mediante redes neuronales, en esta

área destacan los trabajos de: Tsibouris (1995), White (1998)

• Comprobación de la teoría APT (Arbitrage Pricing Theory) mediante redes neuronales,

destacan las publicaciones de: Ahmadi H (1990), Refenes (1995).

• Aplicación de un modelo de redes neuronales como alternativa a las regresiones no lineales,

destacan, Marquez (1991).

• Predicción de series de tiempo mediante redes neuronales, en esta área están lo trabajos de:

Bulsari (1993), Sharda (1992).

• Comparación entre el análisis discriminante y las redes neuronales. Yoon (1991)

• Combinaciones no lineales de predicciones con redes neuronales, un estudio en esta área

fue realizado por; Shi (1993).

• Predicción de fusión de empresas, en esta área destaca el trabajo de; Sen (1995).

• Identificación de oportunidades de arbitraje.


35

Capítulo

Aplicación de las RNA en la Predicción del Precio del cobre

3


36

3. APLICACIÓN DE REDES NEURONALES ARTIFICIALES EN

LA PREDICCIÓN DEL PRECIO DEL COBRE.

Se ha decidido aplicar las RNA en la predicción del precio diario del cobre transado en la Bolsa

de metales de Londres (LME) durante el período Enero 1996 - Junio 2006, debido a la relevancia

que tiene este commodities en nuestro país, por lo cual se considera importante su estudio y

análisis, con el fin de obtener conclusiones relevantes que puedan ser de ayuda para la formación

de políticas y estrategias a seguir en el largo plazo.

3.1 COBRE

Según el Anuario de Estadísticas del Cobre y otros Minerales 1996-2005 (COCHILCO), las

exportaciones de minería representan el 56,2% del total de las exportaciones de nuestro país, y

de ese valor el 44,6% es explicado por el Cobre (Tabla 3.1).

Además, la minería contribuye en un 7,5% al Producto Interno Bruto (PIB) y el cobre en

particular representa alrededor del 7% del PIB.

Tabla 3.1

Participación del sector minero en las exportaciones del país (%)

AÑO 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

TOTAL MINERÍA 46,0 48,0 42,7 44,1 43,5 40,9 39,9 41,4 52,8 56,2

COBRE 38,0 40,6 35,2 37,6 37,9 35,5 34,1 35,4 45,2 44,6

MOLIBDENO 1,1 1,4 1,3 1,0 0,9 1,0 1,3 1,6 4,3 8,2

ORO 3,1 2,4 1,8 1,9 1,8 1,5 1,4 1,4 1,0 0,9

YODO 0,6 0,9 1,2 0,9 0,8 0,7 0,7 0,7 0,5 0,6

HIERRO 1,0 0,9 1,1 0,8 0,7 0,7 0,8 0,6 0,5 0,8

PLATA 1,0 0,8 0,9 0,8 0,5 0,5 0,5 0,4 0,4 0,3

OTROS 1,2 1,0 1,2 1,1 0,9 1,0 1,1 1,3 0,9 0,8

Fuente: Anuario Estadística del cobre y otros minerales (COCHILCO)

Según el Anuario de Estadísticas del cobre y otros Minerales 1996-2005 (COCHILCO) cabe

mencionar que Chile es el principal productor de cobre en el mundo.


37

• En cuanto a la participación en la producción de cobre de mina, Chile ocupa el primer lugar

(35,5%), seguidos de Estados Unidos (7%), Indonesia (7,1%), Perú (6,7%) Australia

(6,1%).

• De la Producción Mundial de Cobre de Fundición, Chile obtiene el segundo lugar (12,6%),

esto sólo sucede el 2005 (desde 1996 Chile venia ocupando el primero), que es superado

por China (12,9), lo siguen Japón (12,2%), Rusia (6,9%).

• En cuanto a participación en la producción mundial de Cobre Refinado Chile sigue

ocupando el primer lugar desde 1996 obteniendo una participación del 17%, seguido de

China (15,5%), Japón (8,4%). Estados Unidos (7,6%) y Rusia (6,1%).

• En la participación de la producción mundial de cobre sx-ew (Solvent Extraction Electro

Wining) Chile ocupa el primer lugar (62,5%), con una alta ventaja por sobre sus seguidores

Estados Unidos (21,9%), Perú (6,5%), México (2,8%).

3.2 PRINCIPALES USOS DEL COBRE

El cobre debido a todas las propiedades que posee, tiene múltiples usos, Según CODELCO, estos

son los siguientes:

• Materia prima elaborada: destinada a abastecer la industria manufacturera de productos para

el consumo de la sociedad.

• Construcción: cableado de edificaciones, tuberías de agua y de gas, sistemas térmicos,

techumbres, terminaciones, o como componente estructural (una casa moderna requiere

unos 200 kilos de cobre).

• Alambre: generación y distribución eléctrica ya que es un excelente conductor de esa

energía.

• Materia prima: fabricación de cables telefónicos y el desarrollo de nuevas tecnologías para

aumentar la eficiencia en la transmisión de datos también posiciona a este material como

una opción importante para el desarrollo de conectividad con banda ancha.


38

• Artículos de consumo: para artículos relacionados con la electricidad (un computador puede

llevar más de 2 kilos de cobre).

• Monedas, utensilios de cocina, joyería, objetos de arte, adornos, muebles, maquillajes y

pinturas, instrumentos musicales y ropa.

• Automóviles, trenes, aviones, barcos e incluso en vehículos espaciales: Es utilizado en los

motores, en los sistemas electrónicos y en los sistemas eléctricos (un automóvil nuevo

utiliza unos 20 kilos de cobre).

• Aleaciones: destinadas a la construcción de maquinaria especializada y piezas destinadas a

procesos industriales.

• El cobre también es utilizado en compuestos destinados a la agricultura, por ejemplo para

compensar la deficiencia de este elemento vital en los suelos o en los cultivos.

3.3 AGENTES PARTICIPANTES DEL MERCADO DEL COBRE Los agentes participantes en el mercado del cobre, según Ciudad (2004) se pueden clasificar en

dos grupos, primero aquellos que participan del Mercado Físico del Cobre, estos están

interesados en el metal como producto y en el segundo grupo se encuentran aquellos que

participan en el Mercado Financiero del Cobre, los cuales sólo transan papeles del commodities,

pero no están interesados en el metal propiamente tal.

3.3.1 MERCADO FÍSICO

3.3.1.1 Productores

Se entiende por productor a aquella empresa que extrae el mineral del cobre. Estos agentes

buscan asegurar su ciclo productivo, cubriendo el riesgo por cambios de precios que tiene su

producción futura de manera de lograr cumplir con su punto de equilibrio, optimizando el precio

de su producción y asegurando el retorno de sus proyectos. Lo anterior determina que su posición

física sea vendedora a futuro y que el riesgo principal que los afecte sea el de la baja en los

precios.


39

3.3.1.2 Intermediarios

Estos intermediarios se dedican a llenar o satisfacer demandas insatisfechas y comprar

excedentes no vendidos, además de otras operaciones que implican optimizar el movimiento

logístico y económico del metal. No son ni productores ni consumidores de cobre, sino que

comercian con el producto, comprando a quien desea vender y vendiendo a quien quiere comprar.

El principal riesgo que asumen se relaciona con la variación del precio en el momento que

compra la materia prima y el período en el cual la vende.

Las diferencias geográficas de los puntos de consumo generan distintas situaciones de escasez y

abundancia relativa por cobre en casi todo momento. Estas últimas, pueden derivar en que ciertos

mercados estén dispuestos a pagar más que los precios internacionales establecidos. Son los

intermediarios quienes se aprovechan de estos descalces de mercados, ya sea comprando

pequeños tonelajes remanentes de los productores, comprando a refinerías independientes o re-

comprando cobre a otros clientes en mercados con abundancia relativa.

3.3.1.3 Consumidores

Generalmente, se denomina consumidor de cobre a aquel agente que se dedica a la actividad de

transformar el cobre materia prima (cobre refinado: cátodos, refinado a fuego, etc.) en un

producto semi-elaborado que es utilizado en algún proceso de producción de un bien de consumo

final (Productos Eléctricos y Productos Mecánicos).

Para estos los commodities representan la materia prima de su proceso productivo, por lo que las

variaciones en su precio afectan directamente el margen operacional que presenta su negocio.

Intentan disminuir el riesgo precio de su materia prima, optimizar el costo de compra y financiar

el capital de trabajo. Esto determina que su posición física sea compradora a futuro y que el

riesgo principal sea de alza en el precio. Si bien en mediano y largo plazo tiene flexibilidad de

traspasar a precios los cambios en el costo de materia prima, durante el período en que sus

precios son fijos (corto plazo) están interesados en asegurar el costo de estos.


40

3.3.2 MERCADO FINANCIERO

En esta sección se analizará a aquellos agentes sin interés físico en el mercado del cobre, también

llamados “agentes no comerciales” (no vinculados a la producción, consumo, ni traslado de

cobre), los cuales además de participar en el mercado de metales con inversiones puntuales, lo

hacen como parte de una cartera de activos financieros más amplia, con horizontes de inversión

diferentes, yendo desde inversiones diarias, pasando por inversiones semanales, mensuales e

incluso en inversiones que implican años.

Estos agentes deciden su ingreso al mercado de metales, a través del análisis de factores propios

de este mercado, como son aquellos relacionados con las expectativas de oferta y demanda física,

proyecciones económicas generales de mediano y largo plazo o factores inferidos del

comportamiento del mercado financiero del cobre (análisis técnico y herramientas de proyección

de corto plazo), así como de elementos propios de su negocio financiero, relacionados con el

momento en los cuales estos agente hacen efectivas sus ganancias, liquidando sus posiciones en

el mercado.

3.3.2.1 Especuladores

Son aquellos agentes que participan en los Mercados de Futuros de metales, tratando de comprar

a un precio menor del cual esperan poder vender, es decir, compran o venden cobre, esperando el

momento adecuado para hacer su ganancia o pérdida.

Los especuladores tienden a estabilizar el mercado, ya que intervienen en determinados

momentos con el objeto de romper una tendencia y hacer su ganancia. Así, cuando el cobre está

en alza, los especuladores venden, forzando al mercado a bajar, para ganar con respecto a su

compra a un nivel inferior. En el mismo sentido, si el precio está cayendo, se apresuran en

vender, para luego, una vez que el precio ya ha bajado, comprar más barato para una futura alza.

Estos agentes juegan un papel importante en el mercado del cobre, toda vez que aumentan la

profundidad y liquidez del mercado, factores altamente apreciados, en el entendido de que el

resto de los agentes podrán realizar sus operaciones en cualquier momento del tiempo, con mayor

seguridad de una contraparte. Sin embargo, los agentes sin interés físico son sindicados como los

grandes causantes del aumento de la volatilidad de los precios en los mercados financieros.


41

3.3.2.2 Inversionistas

Los inversionistas buscan un rendimiento satisfactorio a su dinero, comprando y vendiendo cobre

en lugar de comprar otros instrumentos financieros. Por lo general el plazo de inversión es

superior al de los especuladores. Dependiendo del tipo de inversionista los commodities serán

centrales o no en su portafolio y sus posiciones dependerán tanto de los fundamentos del

mercado, como de los factores financieros que lo influyen.

3.4 PROCESO DE FORMACIÓN DEL PRECIOS DEL COBRE Dentro del mercado del cobre, el proceso de formación de precios se realiza diariamente en tres

bolsas de metales, London Metal Exchange (LME-Inglaterra), New York Metal Exchange

(división COMEX-USA) y Shanghai Futures Exchange (SHFE – China). Es decir, este proceso

es llevado a cabo en mercados financieros, específicamente en los denominados “Mercados de

Futuros”, lugares en donde se transan, a una fecha futura, productos de calidad homogénea,

perdurables y acumulables en el tiempo, con altos niveles de consumo y producción, los que no

siempre evolucionan en el mismo sentido, lo que justifican su bodegaje1.

En virtud de lo anterior, las funciones principales para cada una de las bolsas de metales ya

mencionadas, pueden resumirse en los siguientes puntos:

• Las bolsas de metales proveen una alta liquidez y transparencia, por lo que los precios

publicados, y en particular las cotizaciones del LME, son vistos por el comercio y la

industria, como un fiel reflejo de la oferta y demanda imperante.

• Las bolsas de metales proveen instalaciones de bodegaje alrededor del mundo, lo cual

permite a los participantes del mercado, hacer entregas o retiros físicos de metal. Sin

embargo, dada la existencia del Mercado Financiero, la mayoría de los contratos son

cerrados sin retiro o entrega física.

1 Este bodegaje, por cierto, es externo dado el alto costo financiero de mantener el material en las propias bodegas de productores

y consumidores.


42

• Las bolsas de metales proveen un entorno óptimo para realizar transacciones, ya que gozan

de procedimientos estructurados que permite que los negocios sean realizados en una forma

ordenada, proveyendo la protección adecuada a los participantes.

Cabe mencionar y aclarar que los productores de cobre generalmente “No Venden” su

producción a las bolsas de metales, tan sólo usan sus precios como referencia en sus contratos de

ventas de cobre físico. Los productores principalmente venden su cobre en contratos directos a

empresas que se encuentran en el próximo eslabón de la cadena productiva, aunque en algunas

ocasiones también venden una parte pequeña de su producción, a intermediarios de metales en

contratos directos.

3.5 DETERMINANTES DEL PRECIO DEL COBRE Lograr saber qué variables son las que predicen un commodities es toda una controversia hoy en

día. Durante el proceso de estudio de esta investigación se encontraron varias referencias que

hacían mención de los determinantes del precio del cobre, que fueron aplicadas a sistemas de

RNA.

Naylor (1995) utiliza para predecir el precio del cobre a través de RNA variables como el precio

con rezagos, inventarios, volumen transado contrato de futuros y precio futuro cobre.

Brunel (2005) predice la variación del precio del cobre a través de RNA, para esto utiliza

variables como el precio con rezagos, inventarios, diferencia entre contango2 y backwardation3 e

índice de dólar ponderado por comercio de USA

2 Contango: En mercados de futuros se refiere a la situación en que el precio de la mercancía cotizada a futuro esta por encima del

valor actual (precio spot). 3 En el backwardation los precios spot están por encima de los precios a futuro, gracias a que la certeza de aprovisionarse hoy a un

determinado precio es superior a la incertidumbre de aprovisionarse mañana a un precio menor.


43

Ciudad (2004) en un estudio realizado a través de COCHILCO menciona como principales

determinantes del precio spot de cobre; la actividad industrial, tipo cambio, inventarios y tasa de

interés.

Es complejo lograr determinar cuáles son las verdaderas variables que influyen en el precio del

cobre. En esta investigación se decidió realizar dos tipos de modelos explicativos del precio del

cobre con el fin de analizar y estudiar que sucedía con los resultados de las RNA utilizando

distintas variables de entrada.

3.5.1 MODELOS DE PRECIOS DEL COBRE

3.5.1.1 Modelo de precio

La teoría de mercados eficiente plantea que toda la información está contenida en los precios y

que ésta es homogénea para cada uno de los participantes del mercado, la base de esta teoría se

fundamenta en que los precios llevan toda la información relacionada con el bien, esto significa

que el precio contiene tanto información macroeconómica, corporativa, como expectativas y

percepción de los inversionistas. Al estar todo en el precio, es irrelevante tratar de explicarlo a

través de otras variables, ya que la fuente directa de información está contenida en el.

Sin embargo creer que la información es homogénea y perfecta para todos los distintos

participantes del mercado, es una teoría osada, en la práctica muchos inversionistas se benefician

de la información privilegiada con la cual generan arbitrajes. Por ende la desinformación hace

que los precios de los días anteriores cobren relevancia en la determinación del precio actual.

En esta investigación, se diseñó un modelo, contrario a la teoría de los mercados eficientes, en el

cual el precio del cobre es explicado por el precio de este mismo con 3 rezagos (el precio de hoy

se determina con el precio de 3 días anteriores).

A continuación, en la Tabla 3.2, se muestran las respectivas correlaciones entre los precios con 3

rezagos del cobre transado en la Bolsa de Metales de Londres durante el período Enero 1996 a

Diciembre 2004.


44

Tabla 3.2

Matriz de Correlación de las variables

t-3 t-2 t-1 t t-3 1 t-2 0,99768734 1 t-1 0,99567646 0,99769408 1 t 0,99384512 0,99566344 0,9976768 1


Donde:

t = precio cobre.

t-1 = precio día anterior.

t-2 = precio rezagado en dos períodos.

t-3 = precio rezagado en tres períodos.

A través del cálculo de las correlaciones entre las variables podemos notar, la fuerte relación que

tienen unas con otras, lo que muestra que los precios de días anteriores tienen relación con la

determinación del precio en el siguiente período.

3.5.1.2 Modelo de múltiples variables

Como contraposición al modelo anterior y en base al estudio realizado por COCHILCO (Ciudad

2004), se consideró importante incorporar variables que pudieran explicar la demanda y oferta

del cobre en mercados internacionales.

a) Índice de la OECD:

Se uso el Índice de actividad económica (CLI, Composite Leading Indicators) de la OECD

(Organización para desarrollo y cooperación Económica) que entrega una proyección del

comportamiento futuro de la actividad económica de los países miembros de la organización,

principalmente países desarrollados. La ventaja de este índice es que permite conocer con una

anticipación de 6 meses la probable evolución de la producción industrial, constituyéndose en un

indicador de la potencial demanda del metal y de su precio. Un problema de este indicador es que

se centra en los países desarrollado dejando fuera a importantes consumidores de cobre en Asia,

sin embargo dentro del modelo utilizado en las RNA se incorporo el CLI de China, para


45

incorporar las expectativas de este país, ya que China ha sido uno de los grandes consumidores de

cobre los últimos años.

Según Ciudad (2004) la relación entre el precio del cobre y el índice de actividad industrial, es

positiva, pero baja, lo que significa que un aumento de la actividad industrial esperada de este

grupo de países, se le asocia un mayor precio del cobre.

b) Inventarios:

La oferta del cobre se determina mediante la disponibilidad de éste en el mercado y ésta es

medida mediante los llamados inventarios o stock. Es por esto que se incluyo en este modelo los

inventarios.

Estos inventarios se miden en las distintas Bolsas de Comercio, tales como la London Metal

Exchange (LME-Inglaterra), New York Metal Exchange (división COMEX-USA) y Shanghai

Futures Exchange (SHFE – China). Al existir varias Bolsas de transacción, se produce una gran

controversia en cuanto a la medición de estos stocks, producto que no hay un indicador

generalizado que incluya los inventarios de las tres bolsas. Además la medición no es constante,

habiendo días en los cuales no se dispone de información.

En este estudio se consideró los inventarios de la Bolsa London Metal Exchange.

Cabe mencionar también la posible relación que existe entre el precio del metal y los inventarios,

ya que se genera una relación circular entre ellos, es decir el precio del cobre tiende a ser

determinado por los inventarios al mismo tiempo que éstos se ven afectados por el precio. Esta

fue la principal razón por la que no se utilizó: el precio de los futuros de cobre, contango y

backwardation.

c) Tasas de interés

Esta variable está relacionada con el crecimiento económico; esto se debe a que cuando el

crecimiento económico comienza a bajar, la autoridad monetaria sigue una política monetaria

expansiva disminuyendo las tasas de interés, esta baja determina que se reactive la economía,

incentivando el consumo y por ende esto afecta la demanda y precio del cobre.

En esta investigación se consideró la Tasa del Bono del tesoro de 10 años de Estados Unidos.


46

d) Tipo de cambio:

Según Ciudad (2005) los inversionistas, tras una depreciación del dólar, es habitual que

demanden commodities como cobertura frente a la inflación. El dólar utilizado en esta

investigación fue el índice del dólar transado en la NYSE.

A continuación en la Tabla 3.3, se muestran las correlaciones entra las diferentes variables para el

período Enero 1996 – Diciembre 2004.

Tabla 3.3

Matriz de Correlación de las variables

OECD OECD China Stock Ti USA Dólar Cobre-1 Cobre OECD 1 OECD China 0,9301 1 Stock 0,1979 0,0652 1 Ti USA -0,6834 -0,8007 -0,2710 1 dólar 0,0594 -0,1178 0,5636 -0,0210 1 cobre-1 0,2241 0,3385 -0,7416 0,0665 -0,6608 1 cobre 0,2274 0,3416 -0,7402 0,0636 -0,6618 0,9974 1

Fuente: Elaboración propia

La tabla genera un soporte a la variables utilizadas para el segundo modelo, producto que la

mayoría de la correlaciones entre las variables y el Cobre es baja o de magnitud normal, pero no

presentan correlaciones cercanas a uno (exceptuando la con el precio del cobre del día anterior).

3.6 NEUROSOLUTION 4

Este es un software potente que permite una simulación acabada de una red neuronal, ofrece un

completo ambiente de desarrollo y se adapta de buena forma a las necesidades de trabajo.

Neurosolution (Principe 2005) entrega un gran soporte en los diversos tópicos de la computación

neuronal, facilitando la construcción de redes y otorgando una flexibilidad en el diseño y

simulación de éstas. Además contempla un adecuado manejo de la información, tanto para definir

y entregar los datos a las etapas de aprendizaje y testing, como para obtener una visión clara de

los resultados relacionados en base a patrones y características del problema que entrega el

usuario. Sin embargo, es un sistema de redes estático, que no va incorporando la ultima


47

información dentro del conjunto de entrenamiento como los son los sistemas dinámicos (Rolling

y Recursivo).

El software posee una interfaz de usuario amigable y presenta diferentes wizzard (mini

programas que asesoran los procedimientos) para ayudar y simplificar la tarea de construir una

RNA, otorgando incluso recomendaciones en base a patrones y características del problema que

entrega el usuario.

En esta investigación se utilizó el NeuralBuilder, que es un subprograma del Neurosolution.

3.6.1 HERRAMIENTAS MODIFICABLES DEL NEURALBUILDER

3.6.1.1 Tipo de Red (según topología)

Perceptron multicapa, Feed Forward, Red Neuronal Modular, Análisis de Componentes

Principales, Jordan, Redes Recurrentes, entre otras. Este punto no se varió en nuestra

investigación, es decir siempre utilizamos el Perceptron multicapa, debido a que es la mejor Red

para el tipo de problema que se presenta en esta investigación.

3.6.1.2 Porcentaje de Validación Cruzada

Éste indica el porcentaje que se desea para que la red, mientras se entrena, prueba el

funcionamiento de la red, durante este período los pesos no se modifican. En esta investigación se

consideró este dato como fijo para todas las pruebas, el porcentaje utilizado fue de 35%, tomado

como referencia de otras investigaciones (Silva, 2005).

3.6.1.3 Porcentaje de Testing

Este indica el porcentaje que se desea para probar el funcionamiento de la red, una vez que esta

ha sido entrenada. En este estudio se consideró un 15%.

3.6.1.4 Capas ocultas

Éstas son las capas intermedias de la red, en este caso se utilizaron una y dos capas ocultas. Esto

se debe a que hay estudios (Moreno 2003) que mencionan que al agregar más capas ocultas, los

resultados no varían en forma significativa y solo se complejiza la red haciendo más lento su

procesamiento


48

3.6.1.5 Número de neuronas

Esto indica la cantidad que se desea de neuronas en la capa oculta, en este caso se utilizaron 16,

32 y 38 neuronas

3.6.1.6 Función de activación

El software dispone de varias funciones de activación como lo son:

a) Axon (lineal) b) Bias Axon (lineal)

c) Linear Axon (lineal) d) Tanh Axon ( hiperbólica)

e) Linear Tanh Axon f) Linear Sigmoid Axon

g) Sigmoid Axon ( sigmoidal) h ) SoftMax Axon

3.6.1.7 Step size

Esta es la amplitud del paso, esta viene dada por la tasa de aprendizaje e influye en la velocidad

de convergencia del algoritmo. A mayor tasa de aprendizaje mayor es la modificación de los

pesos en cada iteración, con lo que el aprendizaje será más rápido, pero por otro lado pueda dar

lugar a oscilaciones. Debido a que es conveniente usar un número pequeño (de 0,05 a 0,25) en

este caso se utilizo un step size fijo en todas las simulaciones y fue 0,1.


49

3.6.1.8 Momentum:

Este es un parámetro que se utiliza para reducir las oscilaciones que se puede provocar con el

Step size, Mediante éste se consigue la convergencia de la red en un número menor de

iteraciones. En este estudio este parámetro toma el valor de 0.8 y se consideró fijo para todas las

simulaciones. Cabe mencionar que el software entrega otras opciones diferentes a la técnica del

momento, pero debido a lo recomendado, se utilizó ésta.

3.6.1.9 Épocas:

Es el número máximo de iteraciones o ciclos de entrenamiento, en este caso se utilizaron 1000.

Cabe mencionar que la simulación puede parar automáticamente en base a ciertos criterios, como

que el error llegue a cierto límite o un mal comportamiento de la curva de aprendizaje.

3.6.2 INDICADORES DE RESULTADO

Neurosolutions entrega una serie de valores para medir el comportamiento de la red y sus

resultados. El componente encargado del error en la aplicación es el ErrorCriterion, que provee 6

valores para medir el rendimiento de una RNA.

3.6.2.1 MSE ( Error cuadrático medio)

Muestra el promedio de los errores al cuadrado. Mide la diferencia entre los valores, compara el

valor estimado con el deseado.

Donde:

dij= salida deseada para el caso i de la neurona j

yij= salida de la red para el caso i de la neurona j

N= Número de casos en el set de datos

P= Número de neuronas en la capa de salida


50

3.6.2.2 NMSE (Error cuadrático medio normalizado)

Donde:



MSE = error cuadrático medio

dij= salida deseada para el caso i de la neurona j

3.6.2.3 Coeficiente de correlación

Establece una medida del grado de asociación lineal entre la variable respuesta y la variable

predictora, Se define, a partir de los n pares de observaciones.

Los valores que puede tomar el coeficiente de correlación "r" son: -1 < r < 1

Si "r" > 0, la correlación lineal es positiva (si sube el valor de una variable sube el de la otra). La

correlación es tanto más fuerte cuanto más se aproxime a 1.

Si "r" < 0, la correlación lineal es negativa (si sube el valor de una variable disminuye el de la

otra). La correlación negativa es tanto más fuerte cuanto más se aproxime a -1.

Si "r" = 0, no existe correlación lineal entre las variables. Aunque podría existir otro tipo de

correlación (parabólica, exponencial, etc.)


51

3.6.2.4 Porcentaje de error

Entrega en valor porcentual el promedio de las diferencias entre el valor estimado y el deseado.

Donde:

dyij= salida de la red para el caso i de la neurona j

ddij= salida deseada para el caso i de la neurona j



3.6.2.5 AIC (Akaike's information criterion)

Se utiliza para medir la compensación entre el funcionamiento del entrenamiento y el tamaño de

la red. La meta es reducir al mínimo este término para producir una red con la mejor

generalización

Donde:

k = número de pesos en la red

N= número de casos en el set de entrenamiento

MSE = error cuadrático medio.

3.6.2.6 MDL (Minimum Description Length)

Es similar al AIC, solo que intenta combinar el error del modelo con el número de grados de

libertad para determinar el nivel de la generalización. La meta es reducir al mínimo este término.

Donde:

k = número de pesos en la red

N= número de casos en el set de entrenamiento

MSE = error cuadrático medio.


52

3.7 APLICACIÓN DE LAS REDES NEURONALES

Se realizaron 50 simulaciones distintas con el programa NeuralBuilder. Éstas fueron divididas en

primera instancia por dos aspectos.

1º El tipo de modelo de datos de entrada a usar (mencionado anteriormente).

• Modelo de Precio ),,( 321 −−−∫= tttt PPPp

tp = precio cobre a predecir.

1−tP = precio día anterior.

2−tP = precio rezagada en dos períodos.

3−tP = precio rezagado en tres períodos.

• Modelo de Múltiples variables ),,,,( 111,111 −−−−−− −−∫= ttttttt PSTDChinaCLIPDCLIp

tp = precio cobre a predecir.

1−− tPDCLI = Indicador del desarrollo económico de los países desarrollados en período anterior.

1−− tChinaCLI = Indicador desarrollo económico de China en período anterior.

1−tD = Índice del dólar del día anterior.

1−tT = Tasa interés bono a 10 años del Treasury de USA del día anterior.

=−1tS Valor de inventario bolsa New York USA del día anterior.

1−tP = precio del cobre en LME (Bolsa de Londres) del día anterior.

2º El período a usar; el período de estudio de la investigación corresponde desde Enero 1996 a

Junio 2006, sin embargo debido al incremento sostenido del precio del cobre a partir del año

2005, se decidió separar la muestra en un período estable (Enero 1996- Diciembre 2004) y un

período volátil (2005- Junio 2006), con el fin de analizar el comportamiento de RNA en la

predicción de precios para períodos con distintas volatilidades. En las tablas 3.9 y 3.10 se pueden

comparar los valores de las volatilidades para cada período.

En la Tabla 3.4 se muestran todas las simulaciones realizadas en esta investigación

Red

es N

euro

nal

es A

rtifi

cial

es,

un

a he

rra

mie

nta

pa

ra la

s F

inan

zas.

53

Tab

la 3

.4

Sim

ula

cio

nes

RN

A

Cap

a O

culta

C

apa

Sal

ida

Nº

Per

íodo

V

aria

ble

Ent

rad

a C

apas

N

euro

nas

Fu

nci

ón

Ap

ren

diza

je S

tep

siz

e M

om

en

Neu

ron

as F

unci

ón

Ap

ren

diza

je S

tep

siz

e M

om

en

1

96-0

4 p

reci

o 3

rez

ago

s 1

1

6

Bia

s A

xon

M

om

entu

m

0.

1 0

.8

1

Bia

s A

xon

M

om

entu

m

0.1

0

.8

2

96-0

4 p

reci

o 3

rez

ago

s 1

1

6

Lin

ear

Tan

h A

xon

M

om

ent

um

0

.1

0.8

1

Li

nea

r T

anh

Axo

n M

om

entu

m

0.1

0

.8

3

96-0

4 p

reci

o 3

rez

ago

s 1

1

6

Axo

n

Mo

men

tum

0

.1

0.8

1

A

xon

M

om

entu

m

0.1

0

.8

4

96-0

4 p

reci

o 3

rez

ago

s 1

1

6

Tan

h A

xon

M

om

entu

m

0.

1 0

.8

1

Tan

h A

xon

M

om

entu

m

0.1

0

.8

5

96-0

4 p

reci

o 3

rez

ago

s 1

1

6

Sig

mo

id A

xon

M

om

entu

m

0.1

0

.8

1

Sig

mo

id A

xon

M

om

entu

m

0.1

0

.8

6

96-0

4 p

reci

o 3

rez

ago

s 1

1

6

Tan

h A

xon

M

om

entu

m

0.

1 0

.8

1

Lin

ear

Tan

h A

xon

Mo

men

tum

0

.1

0.8

7

96

-04

pre

cio

3 r

ezag

os

1

16

Li

nea

r A

xon

M

om

entu

m

0.1

0

.8

1

Lin

ear

Axo

n

Mo

men

tum

0

.1

0.8

8

96

-04

pre

cio

3 r

ezag

os

1

32

T

anh

Axo

n

Mo

men

tum

0

.1

0.8

1

T

anh

Axo

n

Mo

men

tum

0

.1

0.8

9

96

-04

pre

cio

3 r

ezag

os

1

32

A

xon

M

om

entu

m

0.1

0

.8

1

Axo

n

Mo

men

tum

0

.1

0.8

1

0 96

-04

pre

cio

3 r

ezag

os

1

32

B

ias

Axo

n

Mo

men

tum

0

.1

0.8

1

B

ias

Axo

n

Mo

men

tum

0

.1

0.8

1

1 96

-04

pre

cio

3 r

ezag

os

1

32

Li

nea

r T

anh

Axo

n

Mo

men

tu

m

0.1

0

.8

1

Lin

ear

Tan

h A

xon

Mo

men

tum

0

.1

0.8

1

2 96

-04

pre

cio

3 r

ezag

os

2

32

T

anh

Axo

n M

om

entu

m

0.

1 0

.8

1

Tan

h A

xon

M

om

entu

m

0.1

0

.8

13

96-0

4 p

reci

o 3

rez

ago

s 2

1

6

Tan

h A

xon

Mo

men

tum

0

.1

0.8

1

T

anh

Axo

n

Mo

men

tum

0

.1

0.8

1

4 96

-04

pre

cio

3 r

ezag

os

2

32

S

igm

oid

Axo

n

Mo

men

tum

0

.1

0.8

1

S

igm

oid

Axo

n

Mo

men

tum

0

.1

0.8

1

5 96

-04

pre

cio

3 r

ezag

os

2

16

S

igm

oid

Axo

n

Mo

men

tum

0

.1

0.8

1

S

igm

oid

Axo

n

Mo

men

tum

0

.1

0.8

1

6 96

-04

pre

cio

3 r

ezag

os

2

16

B

ias

Axo

n

Mo

men

tum

0

.1

0.8

1

B

ias

Axo

n

Mo

men

tum

0

.1

0.8

1

7 96

-04

pre

cio

3 r

eza

gos

2

32

B

ias

Axo

n

Mo

men

tum

0

.1

0.8

1

B

ias

Axo

n

Mo

men

tum

0

.1

0.8

1

8 96

-04

pre

cio

3 r

ezag

os

2

16

Li

nea

r T

anh

Axo

n

Mo

men

tu

m

0.1

0

.8

1

Lin

ear

Tan

h A

xon

Mo

men

tum

0

.1

0.8

1

9 96

-04

pre

cio

3 r

ezag

os

2

32

Li

nea

r T

anh

Axo

n

Mo

men

tu

m

0.1

0

.8

1

Lin

ear

Tan

h A

xon

Mo

men

tum

0

.1

0.8

2

0 96

-04

pre

cio

3 r

ezag

os

2

16

A

xon

M

om

entu

m

0.1

0

.8

1

Axo

n

Mo

men

tum

0

.1

0.8

2

1 96

-04

Otr

as v

ari

able

s 1

1

6

Bia

s A

xon

M

om

entu

m

0.1

0

.8

1

Bia

s A

xon

M

om

entu

m

0.1

0

.8

22

96-0

4 O

tras

va

riab

les

1

16

Li

nea

r T

anh

Axo

n

Mo

men

tum

0

.1

0.8

1

Li

nea

r T

anh

Axo

n M

om

entu

m

0.1

0

.8

23

96-0

4 O

tras

va

riab

les

1

16

A

xon

M

om

entu

m

0.1

0

.8

1

Axo

n

Mo

men

tum

0

.1

0.8

2

4 96

-04

Otr

as v

ari

able

s 1

1

6

Tan

h A

xon

M

om

entu

m

0.1

0

.8

1

Tan

h A

xon

M

om

entu

m

0.1

0

.8

25

96-0

4 O

tras

va

riab

les

1

16

S

igm

oid

Axo

n

Mo

men

tum

0

.1

0.8

1

S

igm

oid

Axo

n

Mo

men

tum

0

.1

0.8

2

6 96

-04

Otr

as v

ari

able

s 1

1

6

Tan

h A

xon

M

om

entu

m

0.1

0

.8

1

Lin

ear

Tan

h A

xon

Mo

men

tum

0

.1

0.8

2

7 96

-04

Otr

as v

ari

able

s 1

1

6

Lin

ear

Axo

n

Mo

men

tum

0

.1

0.8

1

Li

nea

r A

xon

M

om

entu

m

0.1

0

.8

28

96-0

4 O

tras

va

riab

les

1

32

T

anh

Axo

n

Mo

men

tum

0

.1

0.8

1

T

anh

Axo

n

Mo

men

tum

0

.1

0.8

2

9 96

-04

Otr

as v

ari

able

s 1

3

2

Axo

n

Mo

men

tum

0

.1

0.8

1

A

xon

M

om

entu

m

0.1

0

.8

30

96-0

4 O

tras

va

riab

les

1

32

B

ias

Axo

n

Mo

men

tum

0

.1

0.8

1

B

ias

Axo

n

Mo

men

tum

0

.1

0.8

Red

es N

euro

nal

es A

rtifi

cial

es,

un

a he

rra

mie

nta

pa

ra la

s F

inan

zas.

54

31

96-0

4 O

tras

va

riab

les

1

32

Li

nea

r T

anh

Axo

n

Mo

men

tum

0

.1

0.8

1

Li

nea

r T

anh

Axo

n M

om

entu

m

0.1

0

.8

32

96-0

4 O

tras

va

riab

les

2

32

c/u

T

anh

Axo

n

Mo

men

tum

0

.1

0.8

1

T

anh

Axo

n

Mo

men

tum

0

.1

0.8

3

3 96

-04

Otr

as v

ari

able

s 2

1

6 c

/u

Tan

h A

xon

M

om

entu

m

0.1

0

.8

1

Tan

h A

xon

M

om

entu

m

0.1

0

.8

34

96-0

4 O

tras

va

riab

les

2

32

c/u

S

igm

oid

Axo

n

Mo

men

tum

0

.1

0.8

1

S

igm

oid

Axo

n

Mo

men

tum

0

.1

0.8

3

5 96

-04

Otr

as v

ari

able

s 2

1

6 c

/u

Sig

mo

id A

xon

M

om

entu

m

0.1

0

.8

1

Sig

mo

id A

xon

M

om

entu

m

0.1

0

.8

36

96-0

4 O

tras

va

riab

les

2

16

c/u

B

ias

Axo

n

Mo

men

tum

0

.1

0.8

1

B

ias

Axo

n

Mo

men

tum

0

.1

0.8

3

7 96

-04

Otr

as v

ari

able

s 2

3

2 c

/u

Bia

s A

xon

M

om

entu

m

0.1

0

.8

1

Bia

s A

xon

M

om

entu

m

0.1

0

.8

38

96-0

4 O

tras

va

riab

les

2

16

c/u

Li

nea

r T

anh

Axo

n

Mo

men

tum

0

.1

0.8

1

Li

nea

r T

anh

Axo

n M

om

entu

m

0.1

0

.8

39

96-0

4 O

tras

va

riab

les

2

32

c/u

Li

nea

r T

anh

Axo

n

Mo

men

tum

0

.1

0.8

1

Li

nea

r T

anh

Axo

n M

om

entu

m

0.1

0

.8

40

96-0

4 O

tras

va

riab

les

2

16

c/u

A

xon

M

om

entu

m

0.1

0

.8

1

A

xon

M

om

entu

m

0.1

0

.8

41

96-0

4 p

reci

o 3

rez

ago

s D

1

3

8

Tan

h A

xon

M

om

entu

m

0.

1 0

.8

1

Tan

h A

xon

M

om

entu

m

0.1

0

.8

42

96-0

4 p

reci

o 3

rez

ago

s C

1

3

8

Tan

h A

xon

M

om

entu

m

0.

1 0

.8

1

Tan

h A

xon

M

om

entu

m

0.1

0

.8

43

05--

06

p

reci

o 3

rez

ago

s 1

1

6

Bia

s A

xon

M

om

entu

m

0.1

0

.8

1

Bia

s A

xon

M

om

entu

m

0.1

0

.8

44

05--

06

p

reci

o 3

rez

ago

s 1

3

2

Bia

s A

xon

M

om

entu

m

0.1

0

.8

1

Bia

s A

xon

M

om

entu

m

0.1

0

.8

45

05--

06

p

reci

o 3

rez

ago

s 1

1

6

Axo

n

Mo

men

tum

0

.1

0.8

1

Axo

n

Mo

men

tum

0

.1

0.8

4

6 05

--0

6

pre

cio

3 r

ezag

os

1

16

T

anh

Axo

n

Mo

men

tum

0

.1

0.8

1

T

anh

Axo

n

Mo

men

tum

0

.1

0.8

4

7 05

--0

6

Otr

as v

ari

able

s 1

1

6

Bia

s A

xon

M

om

entu

m

0.1

0

.8

1

Bia

s A

xon

M

om

entu

m

0.1

0

.8

48

05--

06

O

tras

va

riab

les

1

16

Li

nea

r A

xon

M

om

entu

m

0.

1 0

.8

1

Lin

ear

Axo

n

Mo

men

tum

0

.1

0.8

4

9 05

--0

6

Otr

as v

ari

able

s 2

1

6 c

/u

Axo

n

Mo

men

tum

0

.1

0.8

1

A

xon

M

om

entu

m

0.1

0

.8

50

05--

06

O

tras

va

riab

les

2

32

c/u

B

ias

Axo

n

Mo

men

tum

0

.1

0.8

1

B

ias

Axo

n

Mo

men

tum

0

.1

0.8

Fu

ente

: E

labo

raci

ón P

ropi

a


55

3.8 RESULTADOS MODELOS DE RNA

Los criterios seleccionados para definir que red entregó los mejores resultados fueron:

• MSE (Error cuadrático medio)

• Porcentaje de Error

Se seleccionó el mejor modelo dentro de cada categoría, a continuación se detallan sus

características. En el Anexo 2 se encuentran los resultados de los 50 modelos.

3.8.1 EN PERÍODO ENERO 1996- DICIEMBRE 2004


La mejor prueba encontrada en esta categoría fue la Nº 10, la cual se muestra a continuación en la

tabla 3.5:

Tabla 3.5

Prueba Nº 10


Tipo Red Perceptrón Multicapa Precio real versus Precio estimado por la Red

Período 1996-2004 Variables entrada Precio 3 rezagos Salida Precio en dólares Entrenamiento 50% Validación Cruzada 35%

Testing 15% Capa Oculta Capa Salida Nº Capas 1 1 Nº Neuronas 32 1

Función Bias Axon Bias Axon Resultados Testing

Aprendizaje Momentum Momentum Step size 0,1 0,1

Valor Momento 0,8 0,8 Entrenamiento Cross validación MSE 0,001873 0,002152

% Error 1,121897% 1,064800%


56

3.8.1.2 Modelo de Múltiples Variables

La mejor prueba encontrada en esta categoría fue la Nº 37, la cual se muestra a continuación en

la Tabla 3.6

Tabla 3.6

Prueba Nº 37



Período 1996-2004 Variables entrada Múltiples Variables Salida Precio en dólares Entrenamiento 50% Validación Cruzada 35%





% Error 1,171287% 1,042978%


57

3.8.2 EN PERÍODO ENERO 2005- JUNIO 2006


La mejor prueba encontrada en esta categoría fue la Nº 45, la cual se muestra a continuación en la

Tabla 3.7

Tabla 3.7

Prueba Nº 45



Período 1996-2004 Variables entrada Precio 3 rezagos Salida Precio en dólares Entrenamiento 50% Validación Cruzada 35%


Función Axon Axon Resultados Testing

Aprendizaje Momentum Momentum Step size 0,1 0,1 Valor Momento 0,8 0,8 Entrenamiento Cross validación MSE 0,010918 0,034611 % Error 1,060318% 0,869682%


58

3.8.2.2 Modelo de Múltiples Variables

La mejor Prueba encontrada en esta categoría fue la Nº 47, la cual se encuentra a continuación en

la Tabla 3.8

Tabla 3.8

Prueba 47


Como características comunes de las configuraciones se encontró que en los 4 mejores modelos,

las funciones que mejor desempeño generan, son las funciones lineales (Bias Axon y Axon). Con

respecto a las capas ocultas 3 de los 4 mejores modelos sólo ocuparon 1 capa oculta y con

respecto al Nº de neuronas para los modelos en período 96-04 (período estable) los mejores

resultados se obtuvieron usando 32 neuronas en cada capa mientras que para los modelos período

05-06 (período volátil) las mejores configuraciones se produjeron usando 16 neuronas.

Con respecto a los resultados obtenidos en el testing, la RNA que mejor desempeño tuvo fue la

prueba Nº 45, que predijo el precio en período volátil (05-06) usando como variables de entrada

el modelo de precios con rezagos, obteniendo un 0.5% de error.


Período 1996-2004 Variables entrada Múltiples variables Salida Precio en dólares Entrenamiento 50% Validación Cruzada 35%





% Error 0,992619% 3,550852%


59

Frente a la discusión de las variables de entradas, no hay claros indicios si sólo basta con usar el

precios del día anterior o es bueno incorporar otras variables, ambos modelos entregan resultados

muy parecidos y aceptables. Por lo cual se considera que usar precios del día anterior es

suficiente para simular una RNA y obtener buenos resultados.

3.9 ANÁLISIS DE RESULTADOS MODELOS DE RNA

Una vez realizada las distintas simulaciones de las RNA con los distintos modelos, cabe

preguntarse si los resultados entregados por las mejores configuraciones en cada caso son

relevantes para la toma de decisiones de un inversionista. Puede suceder que las RNA en forma

numérica puedan dar aparentemente buenos resultados, pero que éstos al llevarlos a la práctica,

no generen grandes aportes. En la siguiente sección se analizará si el carácter predictivo de las

RNA puede generar realmente un valor agregado para el inversionista.

3.9.1 ANÁLISIS PRECIO DEL COBRE PERÍODO 1996-2004 Y 2005- JUNIO 2006

Como primera instancia se considera relevante hacer un análisis descriptivo del precio del cobre

en centavos de dólar, para cada período estudiado en esta investigación. A continuación se

muestran dos tablas con los resultados del análisis.

Tabla 3.9 Tabla 3.10

Estadística Descriptiva (1996-2004) Estadística Descriptiva (2005-2006)

Fuente: Elaboración Propia Fuente: Elaboración Propia

Cobre período 96-04

Media 87,71238904 Error típico 0,440862698 Mediana 79,74 Moda 71,80369242 Desviación estándar 21.01856547 Varianza de la muestra 441,7800943 Curtosis 0,064071377 Coeficiente de asimetría 1,062396468 Mínimo 59,82885048 Máximo 149,0958541 Cuenta 2273 Nivel de confianza (95,0%) 0,864535548

Cobre período 05-06 Media 224,2118415 Error típico 3,600825547 Mediana 195,46 Moda 159,89 Desviación estándar 74,58143364 Varianza de la muestra 5562,390243

Curtosis -0,523873903 Coeficiente de asimetría 0,953984624 Mínimo 145,89 Máximo 398,57 Cuenta 429

Nivel de confianza (95,0%) 7,077501964


60

Figura 3.1

Comportamiento del precio del cobre

PRECIO DEL COBRE DE LME

0

50

100

150

200

250

1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006

Año

Ce

nta

vos

de D

óla

r


Como dato relevante se considera el análisis de la desviación estándar, que muestra para el

período 05-06 un valor considerablemente superior que para el período 96-04, por lo que se

comprueba que el período 05-06 es un período donde el precio del cobre notoriamente presenta

mayores fluctuaciones, mayor volatilidad y en el cual se hace mucho más atractiva su posible

predicción.

Luego como el objetivo de esta investigación es la predicción del precio Spot diario del cobre

transado en la Bolsa Metales de Londres, se analizó en los dos períodos estudiados (96-04 y 05-

06) cuáles eran las fluctuaciones diarias, semanales y mensuales del precio del cobre tanto en

centavos como en porcentaje. En la Tabla 3.11 se resume la información.

Tabla 3.11

Variación Promedio Precio cobre (centavos de US$ y porcentaje)

96-04 05-06 Variación Diaria 0,98 (1,08%) 2,85 (1,19%)

Variación Semanal 1,77 (1,94%) 5,82 (2,35%) Variación Mensual 3,39 (3,77%) 11,77 (5,12%)



61

Para el período 96-04 la variación promedio diaria que afecta al precio del cobre transado en la

Bolsa Metales de Londres (LME) es de 1,08% (0,98 centavos de dólar), no alcanza a ser un

centavo de dólar lo que fluctúa el precio entre un día y otro como promedio, por lo que su

predicción se hace francamente difícil.

Se considera importante este dato, ya que si las RNA simuladas entregan como resultado un error

(diferencia entre el precio real del cobre y el precio estimado por la RNA) muy superior a lo

valores ya mencionados, su aplicabilidad para la predicción diaria, sería ineficiente. Por ejemplo

si una RNA constantemente está calculando el valor real del cobre más un rango de error +/- 5

centavos, esta red no serviría para la predicción de precios diarios, ya que la variación diaria

promedio es +/- 1 centavo, entonces la RNA siempre estaría dando valores muy por sobre los

reales, sin embargo, sí sirve para la predicción de precios mensuales en períodos de alta

volatilidad donde el precio varia +/- 11,77 centavos de dólar. Es importante señalar que 1 centavo

de dólar, puede ser muy relevante a la hora de las inversiones, puede generar grandes ganancias o

pérdidas.

Por lo tanto las RNA deben dar una error promedio de predicción menor, al promedio de la

variación diaria del precio spot del cobre transado en la LME, para que puedan ser consideradas

como útiles.

3.9.2 ANÁLISIS DE RESULTADOS ENTREGADOS POR LA RED

A continuación se evalúan los promedios de los errores (diferencia entre el precio real del cobre

y el precio estimado por la red), de los 4 mejores modelos obtenidos en las simulaciones. En la

Tabla 3.12 se puede observar los valores obtenidos

Tabla 3.12

Promedio de los errores en Centavos de US$

Período 96-04 Período 05-06 Variables entrada Modelo Centavos Modelo Centavos Precio 3 rezagos Nº 10 0,67 (0.92%) Nº 45 0,99 (0.5 %) Múltiples Variables Nº 37 0,63 (0.83%) Nº 47 2,06 (1.06%)


La Prueba Nº 10 que tenía como variables de entrada el precio con 3 rezagos y que fue evaluado

en el período 96-04, tuvo un promedio de error de estimación de 0,67 centavos de dólar. Esta

diferencia se calculó con los datos usados en el testing de la red, el cual se hizo con 286 datos.


62

Sorpresivamente se encuentra que ambos modelos usados para el período 96-04 presentan un

error de estimación (0,67 y 0,63 centavos) por debajo de la variación del precio diario del cobre

transado en la LME (0,98 centavos). Esto muestra que las RNA tiene una alta capacidad

predicativa que las hace ser una excelente herramienta para el área de inversiones en finanzas. Es

importante mencionar que los valores de 0,67 y 0,63 centavos son promedios, por lo que existen

días donde la red genera errores de estimación mayores, sin embargo por ejemplo para el modelo

Nº 10 el rango de errores de estimación fueron de -3,4 centavos (red predijo un precio menor al

real) y 3,2 centavos (red calculó precio del cobre con 3,2 centavos más del precio real).

A continuación se muestra la Tabla 3.13 que contiene el rango de errores producido por la red.

Tabla 3.13

Rango errores producidos en testing de la red.

(Centavos de dólar)

Fuente: elaboración propia

En el anexo 3 se encuentran las pruebas de testing para los 4 mejores modelos, en el cual se

muestra el precio real del cobre en un período determinado y el resultado entregado por la red

para ese mismo período.

Los resultados entregados por las distintas redes se consideran exitosos, producto que todos los

promedios de las diferencias entre lo real y la red son menores a la variación promedio del cobre

diario. Específicamente para el período de alta volatilidad los resultados son aún mejores

producto que la variación del cobre durante 2005-Junio 2006 ha sido de 2,85 centavos diarios y

las RNA arrojaron un error diario promedio de 0,99 y 2,06 centavos, lo que da un margen de 1,86

centavos en el mejor de los casos (2,85-0,99) con el cual trabajar. Y como se mencionó

recientemente 1 centavo puede ser muy significativo en el minuto de invertir.

Mejores resultados aún se encuentran al comparar los errores de la red con los promedios

semanales y mensuales del precio del cobre. Para las RNA predecir precios diarios, semanales,

mensuales, variaciones de precio, etc. debiera ser lo mismo, producto que son sólo números los

que la red procesa. Por lo que si se extrapola estos resultados y se supone que el error de la red

Modelo Nº 10 Modelo Nº 37 Modelo Nº 45 Modelo Nº 47

-3,4 3,2 -2,9 +3,3 -3,7 +1,1 -6,9 +6,0


63

se mantiene al predecir precios semanales o mensuales, las diferencias serían aún más

favorables. Se estará trabajando con errores cercanos a 1 centavo de dólar cuando el precio en un

mes varía aproximadamente en 3,39 centavos en períodos estables y 11,77 centavos en períodos

volátiles, por lo que al simular una RNA y poder estimar el precio promedio del mes siguiente

entrega una gran ventaja competitiva al inversionista por sobre otros inversionistas que no

utilizan RNA. Ya que aquel que sí las utiliza sabrá con pequeños porcentajes de error, entre qué

precios se moverá el valor del cobre, información privilegiada que todo inversionista desearía

tener.

3.9.3 RESULTADOS RNA APLICADAS EN OTRAS INVESTIGACIONES

Brunel (2005) en su investigación “Modelos de Redes Neuronales y el Precio del Cobre: Una

Perspectiva Sorprendente. Evidencias para el período Enero de 2003 – Diciembre de 2004”,

trabajó con la predicción de la variación del precio del cobre semanal, para lo cual usó RNA del

tipo Rolling y Recursivo. Evaluó sus resultados simulando transacciones con el precio del cobre.

Supuso a un inversionista con una inversión inicial de US$ 10.000, quien operararía en el

mercado internacional del cobre (Bolsa de Metales de Londres) según lo predicho por los

distintos modelos analizados por éste, es decir, compraría si los modelos señalaran una variación

positiva para el próximo período, y vendería, o no compraría, si el modelo señalara una

disminución. El período analizado corresponde a enero de 2003 y diciembre de 2004.

Adicionalmente, con el objetivo de realizar una comparación más cercana al mundo de las

finanzas, Brunel comparo los resultados obtenidos por las distintas RNA con los resultados

logrados por los siguientes modelos:

• Estrategia “Buy and Hold”

• Estrategia basada en expectativas adaptativas (“Naïve Strategy”).

• Indicadores Técnicos: Medias Móviles, RSI, %K (oscilador estocástico) y %R (Oscilador

de Williams).

A continuación en la Tabla 3.14 se muestran los resultados obtenidos por Brunel (2005)


64

Tabla 3.14

Resultados obtenidos

Fuente: Brunel 2005

Los resultados obtenidos por los distintos modelos neuronales simulados por Brunel, son

destacados. A lo largo de todo el período (2003 – 2004,) todos los modelos neuronales

seleccionados, superan ampliamente, en términos económicos, a otros modelos utilizados en el

mundo de las finanzas; y no sólo por la rentabilidad obtenida, sino también en relación a medidas

de riesgo ajustado, evidenciando bajas volatilidades en los retornos, altos valores para el ratio de

Sharp y bajos valores para medidas como “Probabilidad de Pérdida”.

En concreto, los resultados muestran que la elevada capacidad predictiva del modelo “Rolling

30” se materializa en una rentabilidad acumulada de un 138,13%, equivalente a un retorno de

44,42% anualizado, lo más alto de entre los modelos analizados.


65

Capítulo

Utilización de las RNA en Chile

4


66

4. UTILIZACIÓN DE LAS REDES NEURONALES EN CHILE Con el fin de poder determinar si en Chile se utilizan las RNA, en el área de finanzas, se elaboró

una encuesta. Esta fue aplicada a diferentes Corredoras de Bolsa, a fin de poder saber si las RNA

son una herramienta conocida entre ellas, o de lo contrario por qué no lo son.

Se realizaron 10 preguntas, en las cuales se pretendía saber si las principales corredoras de Bolsa

del país, conocían esta Innovadora herramienta, si la habían escuchado alguna vez, si la

utilizaban, si sabían los diferentes usos, etc. En el anexo 4 se encuentra el cuestionario aplicado a

las corredoras.

Las corredoras encuestadas fueron seleccionadas de la Bolsa de Comercio de Santiago y de la

Bolsa Electrónica. De ahí se obtuvo los respectivos correos electrónicos, mecanismo por el cual

se hizo llegar la encuesta a los funcionarios de éstas (Jefe de Operaciones, Estudios, Mesas de

Dinero, Acciones, Renta fija, Moneda Extranjera, etc.).

El total de corredoras existentes en las diferentes bolsas sumaron un total de 40, se envió la

encuesta a la totalidad de ellas, de éstas contestaron 16 (40%), a continuación se mencionan las

corredoras que respondieron:

• Afitrading • EuroAmerica

• Banchile • Finanzas & Negocios

• Banco Estado • Intervalores

• BBVA • Inversiones Boston

• BCI • Larrain Vial

• CB • MBI

• Chile Market • Munita, Cruzat & Claro

• Consorcio • Skandia


67

4.1 RESULTADOS DE LA ENCUESTA

Los resultados obtenidos en la encuesta se encuentran tabulados en el Anexo 5

De la pregunta Número 1, se pudo concluir que las RNA no es un tema desconocido para los

Corredoras de Bolsa, ya que el 75% mencionó que alguna vez había escuchado hablar de las

RNA, mientras que sólo el 25% mencionó que no. En la Figura 4.1, se muestran los resultados

Figura 4.1

Pregunta 1

PREGUNTA 1

75%

25%

SI NO


A momento de determinar que conocía de esta innovadora herramienta (Pregunta 2), la gran

mayoría mencionó que lo más conocido para ellos era la idea general, seguido de los usos.

También es importante indicar que 5 personas no sabían nada de esta herramienta. Cabe señalar

que una persona podía escoger más de una alternativa. En la Figura 4.2 se muestran los

resultados. Figura 4.2

Pregunta 2 (Nº Personas)

PREGUNTA 2

9

33

6

5Idea General

Significado

Funcionamiento

Usos

Nada



68

Al momento de poder determinar si a los encuestados, en sus casa de estudio, le habían enseñado

el tema de las RNA, se encontró que solo al 13% (2 personas) si les habían dado a conocer este

tema, mientras que a la gran mayoría no. A continuación en la Figura 4.3 se muestran los

resultados

Figura 4.3

Pregunta 3

PREGUNTA 3

87%

13%

SI

NO


La mayoría de los encuestados (56%) han leído y conocen artículos en donde se mencionan los

usos de las RNA en el área financiera (Figura 4.4).

Figura 4.4

Pregunta 4

PREGUNTA 4

56%

44% SI

NO



69

Dentro de los usos más destacados con los que identifican las RNA, es con la predicción de series

de tiempo (precios), ya que la gran mayoría de los encuestados (11) han leído y conocen acerca

de este uso, es importante mencionar que nadie conocía el uso de las RNA como método de

clasificación de bonos. Cabe indicar que en esta pregunta las personas podían seleccionar más de

una alternativa. A continuación en la Figura 4.5 se muestran los resultados.

Figura 4.5

Pregunta 5

PREGUNTA 5

1

11

2

3

41

Aprobación de créditos.

Predicción de series de tiempo

Determinación del riesgo de quiebrade una empresa.

Predicción del comportamiento deinversionistas.

Ninguno

No contesta


Se encontró que sólo el 13% de los encuestados (2 personas) han utilizado o utilizan las RNA,

ocupando para ello un software propio en uno de los casos y Excel, en el otro. La gran mayoría

indicó que nunca había utilizado las RNA. En la Figura 4.6 se muestran los resultados a esta

pregunta.

Los encuestados que han usado las RNA, consideran éstas como una herramienta útil para las

finanzas. Figura 4.6

Pregunta 6

PREGUNTA 6

13%

81%

6%

SI

NO

NO CONTESTA



70

Al momento de determinar, cuál es la principal razón de no utilizar esta herramienta, se concluyó

que la gran mayoría determinó que era por desconocimiento de la herramienta (13 personas)

seguido de que existen otros modelos alternativos (6 personas). Cabe indicar que en esta pregunta

se podían escoger varias alternativas. En la Figura 4.7 se muestran los resultados

Figura 4.7

Pregunta 9

PREGUNTA 9

13

21

1

6

Desconocimiento

Falta de Software

Altos costos

Alta complejidad versusresultados que entregan

Otros modelos Alternativos


Como se mencionó anteriormente, varias personas no utilizan las redes neuronales producto que

usan otros modelos alternativos. De la pregunta 10 se puede determinar que la gran mayoría

utiliza como modelo alternativo a las RNA, el Análisis técnico (12) y el Análisis fundamental

(14). Es importante indicar que en esta pregunta se podía escoger más de una opción. A

continuación en la Figura 4.8 se muestran los resultados

Figura 4.8

Pregunta 10

PREGUNTA 10

2 3

1214

1 1APT

CAPM

Análisis Técnico

Análisis Fundamental

Programación Lineal

Otro



71

Capítulo

Conclusiones y Recomendaciones

5


72

5 CONCLUSIONES Y RECOMENDACIONES

5.1 CONCLUSIONES

Como primera conclusión es importante erradicar el concepto de RNA como una herramienta

mágica, sino entender que estas trabajan en el reconocimiento de patrones y su principal ventaja,

es la alta capacidad de procesamiento que poseen, éstas pueden administrar y procesar una gran

cantidad de información, generando así desempeños importantes.

Cabe mencionar que las RNA se están aplicando en diversas áreas. Al iniciar esta investigación

se pensó que no había mayor desarrollo en el área, sin embargo se encontraron múltiples estudios

en los cuales se han investigado y aplicado las RNA, existe un amplia bibliografía extranjera, sin

embargo Chile aún no cuenta con grandes desarrollos literarios, la mayor parte de la literatura se

encuentra en investigaciones o tesis realizadas por las distintas universidades.

Con respecto a la aplicación de RNA en la predicción de precios, se concluye que éstas son útiles

para períodos con mayor volatilidad (esto no significa que predigan mejor), producto que en

períodos estables, la información que maneja un inversionista puede ser suficiente para

determinar el precio del período siguiente, sin embargo cuando se identifican períodos de altas

volatilidades, la predicción se transforma en un elemento complejo de determinar, siendo las

RNA de gran ayuda en estos casos. Así mismo se concluye que las RNA presentan una ventaja

competitiva en la determinación de precios de instrumentos financieros con mayor volatilidad

(acciones).

Es importante señalar que es crucial la determinación del período de información que utilizará

una RNA, al iniciar esta investigación se tomo el período 1996- Junio 2006 como período de

estudio, sin embargo la red no entregaba buenos resultados, ya que la información de precios

anterior al año 2005 distorsionaba el fenómeno de alza de precios del cobre del último período,

por lo que para este caso usar sólo datos del ultimo año (2005-Junio 2006) era más eficiente para

predecir los últimos precios. Se concluye que para la predicción de precios diarios se deben

separar los períodos volátiles de los estables, para eliminar los ruidos del precio y depurar la

información.


73

Es así como se probaron las RNA; se simularon 50 pruebas entre ambos períodos y el mejor

resultado se obtuvo en el prueba Nº 45 que pertenece al período volátil (2005-Junio 2006) con

un error de 0.5 %. Sin embargo no existen diferencias considerables en los resultados entregados

por las RNA en los distintos períodos, por lo que se concluye que las RNA, generan buenos

resultados en todos los casos. Determinándose que las RNA son una herramienta útil para

problemas de predicción.

Con respecto a las variables de entrada utilizadas se puede concluir, producto de los buenos

resultados de ambos modelos, que es suficiente considerar el precio con rezagos como variables

determinantes del precio del cobre, no genera un gran valor buscar otras variables que puedan

influir en él y que pueden ser de compleja obtención. En base a esto se puede decir que no se

estaría cumpliendo la teoría de los mercados eficientes, ya que los precios de días anteriores

proporcionan información relevante para la determinación del precio actual.

La configuración de una red es otro de los puntos cruciales en la obtención de resultados, a través

de las distintas simulaciones se demostró que las configuraciones más simples, obtenían mejores

resultados. Es así como la función lineal surgió como la óptima en este caso.

A pesar de los buenos resultados que presentan las RNA, lamentablemente se encontró una

realidad distinta en la práctica, ya que la mayoría de las corredoras encuestadas no la utilizan

como herramienta de análisis. Se considera como explicación a lo anterior el que los encuestados

utilizan otros modelos alternativos (APT, CAPM, análisis técnico, análisis fundamental, etc.) con

los cuales logran buenos resultados, no incentivándose a buscar nuevos métodos que pueden

generar mejores desempeños y la actual desinformación que existe en el medio con respecto a las

RNA como herramienta para las finanzas.

Se considera que la penetración de las RNA como una herramienta útil en las finanzas aun no

llega a Chile, la mayoría de los encuestados dio a conocer que en sus Universidades o Centros de

Estudios, no se les enseñó las RNA. Se cree que solo aquellas corredoras que están

constantemente a la vanguardia de la información y que llevan el liderazgo, son las que pueden

estar implementando este tipo de sistemas en sus empresas. Sin embargo aun las RNA son una

herramienta distante, pese a que la mayoría de los encuestados sabe de ellas.


74

Los buenos resultados de la investigación incentivan a probar con métodos dinámicos de RNA,

ya que en el día a día es necesario que la red vaya incluyendo la nueva información para que

esté actualizada y se modifique de acuerdo a los últimos acontecimientos.

Finalmente podemos concluir que las RNA son una excelente herramienta subutilizada, con

gran potencial de desarrollo que ayuda a detectar tendencias y patrones en un período

determinado.

5.1 RECOMENDACIONES

Se considera importante probar con otros tipos de redes además del perceptron multicapa, como

lo son las redes feedforward y modelos dinámicos. Junto con esto probar predecir precios

semanales y mensuales y compararlos con la predicción de los precios diarios, a fin de poder

determinar si el porcentaje de error se mantiene o varía sustancialmente.

Al diseñar los modelos de los determinantes del precio del cobre surge la interrogante, de saber si

el modelo de múltiples variables habría tenido iguales desempeños al no incorporar el precio del

cobre del día anterior, por lo que se recomienda la elaboración de un modelo que no incluya esta

variable dentro de sus determinantes y comparar los resultados con el modelo que sí la incluye.

Puede resultar interesante estudiar las RNA aplicadas a finanzas, dentro de una perspectiva de

análisis costo-beneficio, comparar los costos de usar una RNA versus las actuales herramientas

utilizadas por las corredoras. Por un lado analizar los distintos software existentes de RNA y

comparar sus características frente a sus costos y luego contrastarlo con software de otras

herramientas como Análisis técnico.


75

Bibliografía



76

BIBLIOGRAFÍA

AAAA

• Abu-Mostafa Y, “Financial Market Applications of Learnisng from Hints”. Neural

Networks in the Capital Markets, Edited by Apostolos-Paul Refenes, Jonh Wiley & Sons

Ltd, 1995

• Ahmadi H, “Testability of the Arbitrage Pricing Theory by Neural Networks”.

Proceedings of the Internacional Joint Conference on Neural Networks, Vol.I, pp. 385-

393, San Diego, CA, 1990.

BBBB

• Baba N, Morimoto M, Naito M, Maeda T, Matsuda H, “A user Friendly Decisión Support

System for Dealing Stocks Using Neural networks” Proceedings of the Internacional Joint

Conference on Neurla Networks, Vol. I, pp. 762-765, 1993

• Baestaens D, Bergh W, “Tracking the Ansterdam Stock Index Using Neural Networks”

Neural Networks in the Capital Markets, Edited by apostolos –Paul refenes, Jonh Wiley &

Sons Ltd, 1995

• Ballarin A, Di Gregorio C, Maione A, Basti G, Perrone A. “Forecasting Corporate

Bankruptcy: A Neural Networks Approach”. World Conference on neural Networks,

Vol. II, pp. 232-238, 1993

• Barker D. “ Analyzing Financial Health: Integrating Neural Networks and Expert

Systems” PCAI, pp 24-27, 1990

• Bergerson K, Wunsch D, “ A commodity Trading Model Based on a Neural Networks-

Expert System Irbid”. Prooceedings of the Internacional Joint Conference on Neural

Networks, Vol.I, pp 289-293. Seattle, WA, 1991

• Berry R, Trigueiros D. “Applying Neural Netwoks to the Extraction of Knowledge from

Acounting Reports: A Classification Study”, Neural Networks in Finance and Investing,

1993.


77

• Bosarge W. E, “Adaptatie Processes to Explot the Non- Linear Structure of Financial

Markets”. Santa Fe Institute os Complexity Conference: Neural Networks and Pattern

Recognition in Forecastong Financial Markets, February, 1991

• Brunel J.P. “Modelos de Redes Neuronales y el Precio del Cobre:Una Perspectiva

Sorprendente”, Universidad de Chile, 2005

• Bulsari A, Saxen H, “Non-Linear Time Series Análisis by Neural Networks: An Example”.

Proceedings of the Internacional Joint Conference on Neural Networs, Vol.II, pp. 995-

998, 1993

CCCC

• Chang C, Sheu B, Thomas J, “Multi-Layered Back-Propagation Neural Networks for

Finance Análisis”. Worl Conference on Neural Networks, Vol. I, pp. 445-450, 1993.

• Ciudad J.C, “Determinantes del precio spot del cobre en las bolsas de metales”, División

de Recursos Naturales e Infraestructura, Dirección de Estudios de Cochilco, 2005

• COCHILCO, “Anuario Estadísticas del Cobre y Otros Minerales 1986-2005”, 2006

• Coleman J.E, Graettinger T, Lawrence W, “Neural Netwoks for Bankruptcy Prediction:

The Power to Solv Financial Problems”Al Review, July/August, pp. 48-50, 1991.

• Cortez G. “Redes neuronales y algoritmos géticos de primer orden”, Universidad

Catolica de Valparaíso

DDDD

• Del Brío, B. M. y Sanz Molina, A. “Redes Neuronales y Sistemas Borrosos”1997

• Dutta S, Secar S, “Bond Rating: A Non- Conservative Application of Neural Netwoks”.

Proceedings of the Internacional Joint Conference on Neural Networks, Vol. II, pp. 443-

450, 1998.

GGGG

• Gondar J. E. “Redes Neuronales Artificiales”, Data Mining Institute, 2001.

• Grudnitski G, Osburn L, “Forecasting S&P and Gold Future Prices: An Application of

Neural Networks”. The Journal of Future Markets, Vol.13, Nº6, pp.631-643, 1991


78

• Grudnitski G, Do A, “Important Factors in Neural Networks Forecast of Gold Future

Prices”. Neural Networks in the Capital Markets, Edited by Apostolos-Paul Refenes, Jonh

Wiley & Sons Ltd, 1995

HHHH

• Haykin, S. Neural Networks. Macmillan College Publishing Company, New York. 1994.

• Hilera J. R., V. J. Martínez, Redes Neuronales Artificiales. Fundamentos, Modelos y

Aplicaciones, Rama, 1994.

• Hsu W, Hsu L.S, Tenorio M, “A Neural Networks Precedure for Selecting Predective

Indicators in Currency Trading”. Neural Networks in the Capital Markets, Edited by

Apostolos-Paul Refenes, Jonh Wiley & Sons Ltd, 1995.

KKKK

• Kilmasauskas C. “Applying Neural Networks”. PCAI, January/February, pp. 30-33, 1991,

March/April, pp 27-34, 1991, May/June, pp. 20-24, 1991

• Kimoto T, Asakawa K, Yoda M, Takeoka M, “Stock Market Prediction System with

Modular Neural Networks”. Proceeding of the Internacional Joint Conference on Neural

Networks, Vol. I, pp. 1-6, San Diego, CA, 1990

• Krose, B. and Van der Smagt, P, An Introduction to Neural Networks, University of

Amsterdam, 1993.

LLLL

• Levitt M, “Machina Learning for Foreign Exchange Trading”. Neural Networks in the

Capital Markets, Edited by Apostolos- Paul Refenes, Jonh Wiley & Sons Ltd, 1995.

MMMM

• Marose R “ A Financial Neural- Network Application”. Al Expert, May, pp. 50-53, 1990

• Marquez L, Hill T, Worthley R, Remus W, “Neural Netowork models as an alternative to

Regresión”. IEEE, Proceedings of the 24th Annual Hawai Internacional Conference on

System Sciences, Vol. IV, pp. 129-135, 1991


79

• Martin del Brio B, Serrano C. “Self organizing Neural Netwoks: The Financial State Of

Spanish Companies”. Neural Networks in the Capital Markets, Edited by Apostolos –

Paul Refenes, John Wiley & Sons Ltd, 1995

• Matich D. “Redes Neuronales: Conceptos Básicos y Aplicaciones” , Cátedra: Informática

Aplicada a la Ingeniería de Procesos – Orientación I, 2001.

• Mehta M, “Foreign Exchange Markets” Neural Networks in the Capital Markets, Edited

by Apostolos-Paul Refenes, Jonh Wiley & Sons Ltd., 1995

• Moody J, Utans J, “Arquitectura Selection Strategies for Neural Netwoks: Application to

Corporate Bond Rating Prediction”. Neural Netwoks in the Capital Markets, edited by

Apostolos-Paul Refenes, Jonh Wiley & Sons Ltd, 1995.

NNNN

• Naylor del Rio.CH, “Aplicación de Redes Neuronales Estrategias de compra y venta de

cobre”, Universidad Catolica de Chile, 1995.

OOOO

• Odom M, Sharda R, “Neural Networks Model for Bankruptcy Prediction”. Proceedings of

Internacional Joint Conference on Neural Netwoks, San diego , California, Vol. II, pp

163-168, 1990

PPPP

• Palacios F. “Herramientas en GNU/Linux para estudiantes universitarios”, 2.003

• Principe J., Lefebvre. C, Lynn. G, Fancourt. C, Wooten. D, “Manual Neurosolutions”,

2005

• Proddig T, “Bankruptcy Prediction: A Comparison with Discriminant Análisis”. Neural

Networks in the Capital Markets, Edited by Apostolos – Paul Refenes, John Wiley &

Sons ltd, 1995

RRRR

• Rahimian E, Singh S, Thammachote T, Virmani R, “ Bankruptcy Prediction By neural

Netwoks”. Neural Networks in finance and Investing, 1993


80

• Ranhupathi W, Schkade L, Raju B. “ A Neural Netwoks Approach to Bakruptcy

Prediction”. IEEE, Proceedings of the 24thAnnual Hawai Internacional Conference on

System Sciences, 1991

• Refenes A. N, “Constructive Learning And Its Application to Currency Exchange Rate

Forecasting”. Neural Networks in Finance And Investing, 1993

• Refenes A, Zaidi A, “Managing Exchange Rate Prediction Strategies with Neural

Networks”. Neural Networks in the Capital Markets, Edited by Apostolos-PAul Refenes,

Jonh Wiley & Sons Ltd, 1995

• Ricote Gil, F. “Teoría de las Redes Neuronales para la Gerencia de Riesgos”, 2003.

SSSS

• Santis D. “Detección de alumnos de riesgo y medición de la eficiencia de centros

escolares mediante RNA”, Departamento de economía aplicada VI , Universidad

Complutense de Madrid

• Sen T, Oliver R, Sen N, “Predicting Corporate Mergers”. Neural Networks in the Capital

Markets, Edited by Apostolos-Paul refenes, Jonh Wiley & Sons Ltd, 1995

• Sharda R, Patil R, “A Connectionist Approach to Time: Time Series Prediction- An

Empirical test”. Journal of Intelligent Manufacturing, 1992

• Sharda R, "Neural Networks for the MS/OR Analyst: An Application Bibliography"

march-April, pp 116-130,1994

• Shi S, Liu B, “Nonlinear Combination of Forecasts with Neural Networks”. Proceedings

of the Internacional Joint Conference on Neural Networs, Vol., pp. 959-962, 1993

• Singleton J, Surkan A, “Bond Rating with Neural Networks”. Neural Networks in the

Capital Markets, Edited by Apostolos-Paul Refenes, Jonh Wiley & Sons Ltd, 1995.

• Singleton J, Surkan A, “Neural Networks for Bond Rating Improved by Multiple Hidden

Layers”. Proceeding of the Internacional Joint Conference on Neural Networks, Vol. II,

pp. 163-168, San Diego, CA 1990.

• Silva J.L, “Predicción del rendimiento académico con redes neuronales”, Universidad

de Concepción, 2005

TTTT


81

• Tsibouris G, Zeidenberg M, “Testing the Efficient Markets Hipótesis with Gradient

descent Algorithms”. Neural Networks in the Capital Markets, Edited by Apostolos-Paul

Refenes, Wiley & Sons Ltd,1995

WWWW

• White H, “Economic Prediction Using Neural Networks: The Case of IBM Daily Stock

Returns”. Proceeding of the Internacional Joint Conference on Neural Networks, Vol.II,

pp. 451-458, 1998.

YYYY

• Yan Tam K, Kiang M, “ Managerial Applications of Neural Networks : The Case of Bank

Failure Predictions” Management Science, Vol. 38, Nº7, July, pp 926-947, 1992.

• Yoon Y, Swales, “Predicting Stock Price Performance: A Neural Networks Approach”.

IEEE, Proceedings of the 24th Annual Hawai Internacional Conference on System

Sciences, pp. 156-162, 1991


82

Anexos


83


ANEXO 1

UNIVERSIDAD DE CHILE

Nº TITULO AUTOR AÑO

1 El control de fraude como oportunidad de negocios: aplicación a un caso. Schnell Dresel, Alfredo Ludovico

2006.

2 Modelo predictivo del crimen para el sector poniente de la ciudad de Santiago Morales Undurraga, Gonzalo Andrés.

2006

3 Predicción de comportamiento de acciones del mercado bursátil chileno basado en redes neuronales

Dilber Alderete, Kirk. 2006

4 Predicción de precios futuros mediante el uso de redes neuronales y análisis técnico Riquelme Cárdenas, José Luis 2006

5 Clasificación de defectos en madera mediante máquinas de soporte vectorial Ramírez Ovalle, Pablo Andrés

2006

6 Caracterización de la cobertura de estratocúmulos en el Pacífico Suroriental : estudio de patrones nubosos de mesoescala en Isla San Félix

Painemal Duarte, David Andrés

2006

7 Detección e identificación en línea de eventos en una planta de molienda semiautógena Alvarez Malebrán, Ricardo Javier

2005

8 Detección de movimientos oculares rápidos en registros polisomnográficos de sueño Díaz López, Cristián Hernán 2005

9 Enfoque basado en redes neuronales para la distribución de carga en aplicaciones cluster web con arquitectura de software dinámica

Vidal Rojas, Juan Carlos. 2005

10 Regularidades no lineales en índices de acciones : una aproximación con redes neuronales Padilla Celi, Miguel Angel. 2004

11 Administración activa de portfolio basada en redes neuronales artificiales Obilinovic Peric, Francisco.

12 Administración de carteras con redes neuronales mediante metodología rolling [recurso electrónico]

Gutiérrez Márquez, Marcelo. 2004

13 Selección de características mediante algoritmos genéticos e información mutua Tesmer Tur, Michel. 2004

14 Clustering y visualización de datos multidimensionales utilizando redes neuronales auto-organizativas

Figueroa Sepúlveda, Cristián José

2004

15 Identificación de clientes en una empresa de telecomunicaciones con alta probabilidad de realizar venta cruzada utilizando técnicas de data mining

Ruíz Reyes, Marcelo Eduardo.

2004

16 Esquemas de control adaptivo basados en pasividad y redes neuronales para sistemas no lineales Castillo Facuse, Alejandro 2004

17 Reconocimiento de imágenes faciales utilizando código esparcido inspirado biológicamente Araya Gálvez, David Alberto 2004

18 Diseño de estrategias de control supervisor usando redes neuronales para la caldera de una central térmica de ciclo combinado

Contreras Cisterna, Jonathan Ariel.

2004

19 Pronóstico de ventas en Bazuca.com utilizando redes neuronales Ly Martel, Ernesto Javier. 2004


84

20 Reducción de la dimensionalidad del espacio de atributos para la tarea de clasificación de objetos, a través de redes neuronales auto-asociativas

Maturana Elgueta, Cristian Rodrigo.

2004

21 Pronóstico de inversión publicitaria en televisión a nivel de rubro para la empresa Televisión Nacional de Chile

Polit Corvalán, Emilio Ernesto.

2004

22 Geomática y redes neuronales para determinar la calidad de los terrenos forestales Mena Frau, Carlos

23 Introducción al procesamiento digital de imágenes Pérez F., Claudio A. 2005

24 Redes neuronales aplicadas a la predición del precio del oro y medición de la robustez de los resultados utilizando bootstrap

Friz Echeverría, Rodolfo Francisco.

2003

25 Predicción de la variación del tipo de cambio con redes neuronales [recurso electrónico] : rolling versus recursividad

González R., Ignacio. 2003

26 Control adaptivo de plantas no lineales mediante redes neuronales Román Escobedo, Cristian Mauricio.

2003

27 Pronóstico de crecidas en tiempo real : uso de redes neuronales González Valenzuela, Ricardo Javier.

2003

28 Análisis de algunos esquemas para clasificación de hablante, en base a redes neuronales de procesamiento vectorial

Espinoza Lagos, Leonardo Agustin.

2003

29 Nuevo método de segmentación de imágenes a color basado en redes neuronales min-max difusas

Ruz heredia, Gonzalo Andrés 2003

30 Detección de caras cuasi frontales en imágenes Delard de Rigoulieres Mantelli, Juan Luis

2003

31 Evaluación de modelos de redes neuronales de predicción del signo de la variación del IPSA Parisi F., Antonino, 1964-

32 Aplicación de redes neuronales artificiales para la predicción del comportamiento de precios del commodity amoníaco

Leiva Jurac, Maribel. 2002

33 Estimación de redes neuronales con datos ultrafrecuentes : aplicación al mercado accionario chileno

Hansen Silva, Erwin. 2002

34 Diseño de un sistema de pronóstico de ventas para un supermercado mediante el uso de redes neuronales y su aplicación en la reposición de inventarios

Aburto Lafourcade, Luis Alberto.

2002

35 Desarrollo de un modelo predictivo para optimizar campañas de venta cruzada de inversiones utilizando redes neuronales

Giusti Quiroz, Augusto Hernán.

2002

36 Modelación de la demanda de transporte usando redes neuronales Quijada Plubins, Rodrigo. 2002

37 Predicción de resultados de carreras de caballos mediante redes neuronales Carrasco Montes, Héctor Andrés

2002

38 Utilización de redes neuronales para la predicción de índices accionarios Díaz, Jorge. 2002

39 Mixtura de expertos neuronales para tareas de clasificación y regresión Fernández Yoma, Marcelo Eduardo.

2002

40 Predicción de variables meteorológicas relevantes en radioastronomia mediante redes neuronales y métodos estadísticos

Pérez Beaupuits, Juan Pablo 2002

41 Simulación del movimiento de un manipulador robótico bajo la acción de fuerzas de contacto Berríos González, Eduardo Jesús

2001


85

42 Análisis exploratorio de datos utilizando redes neuronales autoorganizativas Mora Saavedra, Aquiles Andrés.

2001

43 Visión computacional mediante selección genética de campos receptivos biológicamente inspirados

Salinas Valenzuela, Cristián Andrés

2001

44 Evaluación de los distintos modelos de redes neuronales en la predicción de valores financieros Reyes, Daniel.

45 Diseño e implementación de un sistema de score de cobranzas en una multitienda Mella Gutiérrez, Víctor Andrés.

2000

46 TEXSEG : aplicación computacional para la segmentación de texturas mediante el uso de redes neuronales auto-organizadas

Infante Larraguibel, Juan Eduardo

2000

47 Modelación de actividad sísmica en edificaciones en altura por medio de métodos avanzados de procesamiento de señales y redes neuronales

Rodríguez Hurtado, José Antonio.

2000

48 Uso de redes neuronales para apoyar el análisis de riesgo de créditos a pequeñas y medianas empresas

Rojas Quinteros, Juan Antonio.

2000

49 Reconocimiento de caras por medio de redes neuronales Salinas Reyes, Carlos Eduardo.

2000

50 Predicción de variables financieras utilizando redes neuronales Espinoza Medina, Hernán Paul.

2000

51 Estimación de superficies y número de árboles en bosques de Pinus radiata D. Don en fotografías aéreas, mediante el uso de redes neuronales artificiales

Rath Marcett, Christian A. 1999

52 Introducción y aplicación de las redes neuronales Weis Cillero, Daniel Felipe. 1999

53 Exploración del uso potencial de las redes neuronales para la clasificiación de la leche según rango celular

García Salazar, Claudio Nicolás

1999

54 Uso de redes neuronales para la evaluación de la seguridad estática del sistema interconectado central chileno

Carrasco Arancibia, Claudia Andrea.

1999

55 Optimización de arquitecturas de redes neuronales mediante el empleo de algoritmos genéticos Díaz Lucero, Eugenio. 1999

56 Desarrollo de un sistema basado en redes neuronales para apoyar el análisis de riesgo de créditos de consumo

Zúñiga Arriaza, Raúl Enrique.

1999

57 Incorporación de mínimos técnicos de operación en la programación semanal de mínimo costo en un sistema hidro-térmico usando redes neuronales

Vargas Cáceres, Jorge Carlos. 1999

58 Usos de redes neuronales para el pronóstico de crecidas en cuencas pluvionivales Troncoso Castro, Miguel Antonio.

1999

59 Control de congestión en redes ATM mediante redes neuronales Méndez Rodríguez, Juan Francisco.

1998

60 Algoritmos genéticos para la selección de entradas a clasificadores neuronales Caballero Campos, Rodrigo Esteban.

1998

61 Predicción de tráfico en redes ATM utilizando redes neuronales Loyola Arroyo, Luis Alberto. 1998

62 Combinación de múltiples redes neuronales para el reconocimiento de números manuscritos Galdames Sepúlveda, Patricio Alejandro.

1998

63 Nueva arquitectura de control predictivo para sistemas dinámicos nolineales usando redes neuronales

Suárez Sotomayor, Alejandro. 1998

64 Uso de redes neuronales para la simulación de hidrogramas de crecidas en cuencas pluviales Anguita Mackay, Pablo. 1998


86

65 Reconocimiento de defectos en maderas mediante redes neuronales Aracena, Estévez, Goles, Pérez

1997

66 Aplicación de redes neuronales al reconocimiento de características en la madera y figuras geométricas

Aracena Lucero, Julio Bernardo.

1997

67 Desarrollo y simulación de un sistema compresor de señales de voz utilizando redes neuronales Mondaca Silva, Daniel Alejandro.

1996

68 "Predicción de precios de acciones utilizando redes neuronales Jiménez Carvacho, Carlos. 1996

69 Aplicaciones avanzadas de redes neuronales al desarrollo y simulación de un sistema compresor digital de voz

Velásquez Silva, Juan Domingo.

1996

70 Aplicaciones al reconocimiento de patrones del simulador de redes neuronales rochester Agacino Rojas, Oscar Iván 1995

71 Análisis de imágen mediante redes neuronales : aplicación a un problema de granulometría Fernández Moreno, Rodrigo Andrés

1995

72 Desarrollo de un sistema de evaluación de créditos de consumo basado en redes neuronales San Martín Navarro, Alex Max.

1994

73 Modelos neuronales para control sensorial de robots en operaciones de ensamblado Bassi Acuña, Danilo Francisco

1992

74 Redes neuronales que aprenden de la experiencia Hinton, Geoffrey E.

75 Complejidad de redes neuronales no-lineales y aplicaciones a la optimización Matamala Vásquez, Martín Ignacio.

1991

76 Funciones de Lyapunov en redes neuronales para la estereovisión Sepúlveda Taulis, Eduardo Enrique

1989

77 Redes neuronales en la evaluación de políticas urbanas : el caso de Santiago de Chile O'Ryan, Raúl.

78 Redes neuronales y sistemas borrosos : [Apuntes de Mercado de Capitales e Información Financiera]

Martín del Brío, Bonifacio.

UNIVERSIDAD DE CONCEPCIÓN

Nº TITULO AUTOR AÑO

1 Predicción espacio-temporal de niveles de crímenes en la región metropolitana mediante redes neuronales

Moena Quijada, David Alexis

2006

2 Control predictivo no lineal mediante redes neuronales Garrido Cisterna, Cristian Fabián

2005

3 Aplicación de redes neuronales al problema de selección de personal en una PYME Salgado Núñez, Armando Antonio

2005

4 Predicción del rendimiento académico con redes neuronales Silva Perales, Jorge Luis 2005

5 Reconocedor de patrones basado en redes neuronales para la clasificación de la imagen digital de la imagen digital de la huella plantar como Pie Cavo, Pie Normal o Pie Plano

Mora Cofré, Marco Antonio 2004

6 Monitoreo de planta de molienda mediante la utilización de redes neuronales artificiales Sepúlveda Landeros, Juan Pablo

2004

7 Evaluación de redes neuronales artificiales para la predicción de la demanda eléctrica Vargas Guarategua, Francisco Alejandro

2004

8 Redes neuronales atractoras con funciones multivaluadas en la reconstrucción y discriminación de texturas dinámicas

Reynaga Barriga, René Vicente

2003

9 Diseño y construcción de una plataforma para sistemas evolutivos basados en redes neuronales Rojas Thomas, Juan Carlos 2003

10 Eliminación de no-uniformidad en sistemas de visión infrarroja con redes neuronales Sobarzo Guzmán, Sergio Kendrick

2003


87

11 Detección de no-linealidades basado en un esquema de reconocimiento de patrones mediante redes neuronales

Aguilera Carrasco, Cristhian Alejandro

2001

12 Reconocimiento de patrones con redes neuronales Romero, Luis Alonso ed. 2001

13 Predicción de propiedades físico-mecánicas de tableros MDF mediante modelación con redes Neuronales

Gutiérrez Leiva, Carlos Alberto

2000

14 Procesamiento de imágenes para clasificación de flujo vehicular en tiempo real usando redes neuronales

Sepúlveda Yañez, Charles Rodrigo

2000

15 Reconocimiento de recursos hídricos superficiales en imágenes NOAA/AVHRR mediante redes neurona

Acuña Araneda, Edgardo Iván

1999

16 Identificación de espectros radiométricos de minerales utilizando redes neuronales de base radi Alvarez Barrientos, Jaime Alfonso

1999

17 Control de procesos mediante redes neuronales Garrido Cisterna, Cristian Fabián

1999

18 Reconocimiento de fallas en máquinas rotatorias mediante redes neuronales Irarrazabal Oliva, Ricardo 1999

19 Análisis y reconocimiento de espectros fotónicos mediante transformada wavelet y redes neuronales.

Schüler Skalweit, Carlos Andrés

1998

20 Control predictivo de sistemas no liniales en tiempo discreto, usando un modelo de redes neuronales

Fuente Vergara Marcelo de la 1997

21 Mejoramiento del rendimiento de válvulas mediante redes neuronales Urrutia Cisterna, Erich Vladimir

1997

22 Reconocimiento de patrones de imágenes en tiempo real utilizando redes neuronales artificiales Díaz Ruiz, José 1996

23 Implementación de algoritmos de control en tiempo real, mediante la utilización de redes neuronales

González Romero, José Salvador

1996

24 Despacho económico de carga ambiental vía redes neuronales de Hopfield Gracia Caroca, Eduardo 1996

25 Identificación de sistemas no-lineales usando redes neuronales Guajardo Delgado, Héctor Antonio

1996

26 Diseño de controlador adaptivo robusto en base a redes neuronales Muñoz Quijada, David 1996

27 Control de procesos en tiempo real, utilizando redes neuronales Dinamarca Gatica, Luis Marcel

1995

28 Entrenamiento de redes neuronales utilizando métodos de estructura variables Medina Billard, Carlos Alfonso

1995

29 Redes neuronales para el análisis de la seguridad del sistema eléctrico de la compañía siderurgica Retamal Retamal, Gastón Alejandro

1995

30 Redes neuronales en la estimación del tiempo de desarrollo de proyectos software Araya R., Etienne 1994

31 Controlador adaptivo basado en técnicas de reconocimiento de patrones mediante redes neuronales

Vadebenito Azúa, Cristian Rodrigo

1994

32 El nuevo debate sobre la inteligencia artificial Graubard, Stephen R. , comp. 1993

33 Redes neuronales para modelar predicción de heladas Ovando, Gustavo 2005


88

PONTIFICIA UNIVERSIDAD CATÓLICA DE CHILE

Nº TITULO AUTOR AÑO 1 Reconocimiento de voz utilizando técnicas de redes neuronales Zegers Fernández, Pablo 1992

2 Aplicación de redes neuronales a la predicción y transacción en mercados cambiarios Virreira Zijderveld, Roberto 1996

3 La aplicación de sistemas expertos, redes neuronales y sistemas difusos a la predicción de demanda eléctrica de corto plazo

Prina Pacheco, José Pedro 1994

4 Predicción de fermentaciones vínicas problemáticas mediante redes neuronales Picarte Cuadros, Eduardo W. 2004.

5 Redes neuronales en el análisis de localización , transporte y contaminación del aire : el caso de Santiago de Chile

O’Ryan, Raúl 1996

6 Aplicación de redes neuronales en estrategias de compra y venta de cobre Naylor del Río, Charles Andrew

1995.

7 Control óptimo de la energía en un vehículo híbrido eléctrico empleando redes neuronales Moreno de la Carrera, Jorge Alejandro.

2004.

8 Redes neuronales y modelos MARS : una aplicación en el problema de la contaminación atmosférica por partículas en suspensión

Montaño E., Rosa. 2001.

9 Método supervisado para clasificación discreta utilizando redes neuronales Miquel Feres, Juan José 1998

10 Modelación de sistemas dinámicos basada en redes neuronales Mascaro Navarrete, Guillaume Louis

1992

11 Nuevas herramientas de investigación de mercados : especial referencia a redes neuronales artificiales aplicadas al marketing

Luque Martínez, Teodoro. 2003.

12 Pronóstico de altos impactos por ozono en Santiago, utilizando redes neuronales con neuronas activas

Cerda Hernández, Rodrigo Andrés

1999

13 Análisis regional de sequías con redes neuronales Carrillo Soto, José Pablo 2000

14 Aplicaciones de redes neuronales en hidrología Brahm Besoain, Alfredo. 2001.

15 Estimación de parámetros del sistema cardiovascular empleando técnicas de redes neuronales Ambrus Perasic, Danko 1995

16 Manejo de una política de inversión usando redes neuronales Altmann Martín, Juan Carlos 1996


89

Red

es N

euro

nal

es A

rtifi

cial

es, u

na

her

ram

ient

a pa

ra la

s F

inan

zas

90

AN

EX

O 2

RE

SU

LTA

DO

S S

IMU

LAC

ION

ES

C

apa

Ocu

lta

Cap

a S

alid

a E

ntre

nam

ient

o C

ross

Val

idac

ión

T

estin

g

Nº

Per

iodo

V

aria

ble

Ent

rada

C

apas

N

eur

Fun

cion

N

eur

Fun

ción

M

SE

%

Err

or

MS

E

%E

rror

M

SE

%

Err

or

1 96

-04

prec

io 3

rez

agos

1

16

Bia

s A

xon

1 B

iasA

xon

0.00

1943

1.

1612

09%

0.

0022

46

1.09

2604

%

0.00

0569

0.

9518

37%

2 96

-04

prec

io 3

rez

agos

1

16

Line

ar T

anh

Axo

n 1

Line

ar T

anh

Axo

n 0.

0027

38

1.47

3425

%

0.03

6116

3.

2847

86%

0.

0005

75

0.96

9227

%

3 96

-04

prec

io 3

rez

agos

1

16

Axo

n 1

Axo

n 0.

0030

33

1.29

7390

%

0.00

0800

0.

9046

90%

0.

0012

67

1.20

9893

%

4 96

-04

prec

io 3

rez

agos

1

16

Tan

h A

xon

1 T

anhA

xon

0.00

4691

1.

8929

81%

0.

0020

12

1.65

9776

%

0.01

0903

3.

8731

05%

5

96-0

4 pr

ecio

3 r

ezag

os

1 16

S

igm

oid

Axo

n 1

Sig

moi

d A

xon

0.03

3730

12

.328

746%

0.

1438

91

21.0

9375

8%

0.12

8996

37

.273

769%

6

96-0

4 pr

ecio

3 r

ezag

os

1 16

T

anh

Axo

n 1

Line

ar T

anh

Axo

n 0.

0028

05

1.51

4831

%

0.02

6376

2.

9465

90%

0.

0039

56

2.89

0828

%

7 96

-04

prec

io 3

rez

agos

1

16

Line

ar A

xon

1 Li

near

Axo

n

0.00

3229

1.

3629

24%

0.

0008

07

0.91

4026

%

0.00

125

1.30

8256

%

8 96

-04

prec

io 3

rez

agos

1

32

Tan

h A

xon

1 T

anhA

xon

0.00

3187

1.

6934

26%

0.

0420

88

3.86

5900

%

0.00

8 4.

0375

45%

9

96-0

4 pr

ecio

3 r

ezag

os

1 32

A

xon

1 A

xon

0.00

2903

1.

2308

69%

0.

0029

03

1.23

0869

%

0.00

1251

1.

1912

90%

10

96

-04

prec

io 3

rez

agos

1

32

Bia

s A

xon

1 B

iasA

xon

0.00

1873

1.

1218

97%

0.

0021

52

1.06

4800

%

0.00

0527

0.

9246

77%

11

96

-04

prec

io 3

rez

agos

1

32

Line

ar T

anh

Axo

n 1

Line

ar T

anh

Axo

n 0.

0029

69

1.26

0733

%

0.00

0780

0.

8755

59%

0.

0011

91

1.17

9686

%

12

96-0

4 pr

ecio

3 r

ezag

os

2 32

c/u

T

anh

Axo

n 1

Tan

hAxo

n 0.

0038

83

1.85

0615

%

0.07

5661

4.

9958

94%

0.

0062

44

3.67

6172

%

13

96-0

4 pr

ecio

3 r

ezag

os

2 16

c/u

T

anh

Axo

n 1

Tan

hAxo

n 0.

0060

43

2.14

8659

%

0.00

2868

1.

9908

15%

0.

0101

06

3.61

1836

%

14

96-0

4 pr

ecio

3 r

ezag

os

2 32

S

igm

oid

Axo

n 1

Sig

moi

d A

xon

0.04

0845

13

.378

700%

0.

1754

32

23.0

5804

6%

0.11

7948

35

.564

457%

15

96

-04

prec

io 3

rez

agos

2

16

Sig

moi

d A

xon

1 S

igm

oid

Axo

n 0.

0413

42

13.4

2720

0%

0.17

7879

23

.171

797%

0.

0707

12

27.3

5753

6%

16

96-0

4 pr

ecio

3 r

ezag

os

2 16

B

ias

Axo

n 1

Bia

s A

xon

0.00

2970

1.

2547

79%

0.

0007

70

0.87

1095

%

0.00

1222

1.

2038

48%

17

96

-04

prec

io 3

rez

agos

2

32

Bia

s A

xon

1 B

ias

Axo

n 0.

0028

67

1.18

8258

%

0.00

0797

0.

8777

39%

0.

0012

15

1.17

5435

%

18

96-0

4 pr

ecio

3 r

ezag

os

2 16

Li

near

Tan

h A

xon

1 Li

near

Tan

h A

xon

0.00

3361

1.

4785

60%

0.

0010

84

1.12

9653

%

0.00

206

1.68

9501

%

19

96-0

4 pr

ecio

3 r

ezag

os

2 32

Li

near

Tan

h A

xon

1 Li

near

Tan

h A

xon

0.00

3825

1.

6103

50%

0.

0012

84

1.22

1068

%

0.00

4132

2.

3659

06%

20

96

-04

prec

io 3

rez

agos

2

16

Axo

n 1

Axo

n 0.

0029

60

1.26

1019

%

0.00

0792

0.

8873

49%

0.

0012

54

1.21

5820

%

21

96-0

4 O

tras

var

iabl

es

1 16

B

ias

Axo

n 1

Bia

sAxo

n 0.

0026

65

1.42

1381

%

0.00

6632

2.

6444

85%

0.

0006

13

0.94

0924

%

22

96-0

4 O

tras

var

iabl

es

1 16

Li

near

Tan

h A

xon

1 Li

near

Tan

h A

xon

0.00

2034

1.

2885

95%

0.

1190

45

13.4

1076

1%

0.00

5891

3.

2503

90%

23

96

-04

Otr

as v

aria

bles

1

16

Axo

n 1

Axo

n 0.

0019

55

1.20

5908

%

0.00

2109

1.

1975

31%

0.

0004

88

0.84

7907

%

24

96-0

4 O

tras

var

iabl

es

1 16

T

anh

Axo

n 1

Tan

hAxo

n 0.

0027

11

1.65

7084

%

0.15

8274

8.

6496

33%

0.

0060

81

3.25

5673

%

25

96-0

4 O

tras

var

iabl

es

1 16

S

igm

oid

Axo

n 1

Sig

moi

d A

xon

0.00

6087

6.

2024

59%

0.

0743

08

13.2

0789

7%

0.00

305

4.47

3475

%

Red

es N

euro

nal

es A

rtifi

cial

es, u

na

her

ram

ient

a pa

ra la

s F

inan

zas

91

26

96-0

4 O

tras

var

iabl

es

1 16

T

anh

Axo

n 1

Line

ar T

anh

Axo

n 0.

0218

95

5.25

8750

%

0.09

2715

12

.333

685%

0.

0334

18

8.55

2159

%

27

96-0

4 O

tras

var

iabl

es

1 16

Li

near

Axo

n 1

Line

ar A

xon

0.

0018

73

1.17

4694

%

0.00

1870

1.

1875

76%

0.

0006

19

0.95

7446

%

28

96-0

4 O

tras

var

iabl

es

1 32

T

anh

Axo

n 1

Tan

hAxo

n 0.

0037

06

1.97

5611

%

0.33

7250

12

.518

392%

0.

0107

11

4.85

2669

%

29

96-0

4 O

tras

var

iabl

es

1 32

A

xon

1 A

xon

0.00

1938

1.

2034

52%

0.

0022

65

1.20

4852

%

0.00

0584

0.

9192

10%

30

96

-04

Otr

as v

aria

bles

1

32

Bia

s A

xon

1 B

iasA

xon

0.00

2199

1.

2863

13%

0.

0149

42

4.54

6583

%

0.00

4004

2.

8174

53%

31

96

-04

Otr

as v

aria

bles

1

32

Line

ar T

anh

Axo

n 1

Line

ar T

anh

Axo

n 0.

0020

06

1.28

1317

%

0.00

2006

1.

2813

17%

0.

0215

2 6.

1410

56%

32

96

-04

Otr

as v

aria

bles

2

32 c

/u

Tan

h A

xon

1 T

anhA

xon

0.00

6010

2.

7484

83%

0.

0060

10

2.74

8483

%

0.12

9258

15

.997

396%

33

96

-04

Otr

as v

aria

bles

2

16 c

/u

Tan

h A

xon

1 T

anhA

xon

0.00

4030

2.

1886

35%

0.

2222

37

11.6

0601

9%

0.07

6653

13

.736

289%

34

96

-04

Otr

as v

aria

bles

2

32

Sig

moi

d A

xon

1 S

igm

oid

Axo

n 0.

0453

59

15.2

6447

5%

0.13

5375

21

.922

276%

0.

0462

29

19.6

3732

9%

35

96-0

4 O

tras

var

iabl

es

2 16

S

igm

oid

Axo

n 1

Sig

moi

d A

xon

0.04

7242

15

.639

307%

0.

1432

57

22.5

2495

2%

0.03

3189

16

.015

923%

36

96

-04

Otr

as v

aria

bles

2

16

Bia

s A

xon

1 B

ias

Axo

n 0.

0019

70

1.20

5837

%

0.00

5638

2.

5532

77%

0.

0018

87

1.91

6684

%

37

96-0

4 O

tras

var

iabl

es

2 32

B

ias

Axo

n 1

Bia

s A

xon

0.00

1856

1.

1712

87%

0.

0017

02

1.04

2978

%

0.00

0475

0.

8333

42%

38

96

-04

Otr

as v

aria

bles

2

16

Line

ar T

anh

Axo

n 1

Line

ar T

anh

Axo

n 0.

0021

42

1.30

7451

%

0.38

0051

13

.965

435%

0.

0072

88

3.90

3049

%

39

96-0

4 O

tras

var

iabl

es

2 32

Li

near

Tan

h A

xon

1 Li

near

Tan

h A

xon

0.00

4006

2.

0813

95%

0.

7459

33

20.8

5805

1%

0.28

8533

23

.135

818%

40

96

-04

Otr

as v

aria

bles

2

16

Axo

n 1

Axo

n 0.

0018

68

1.17

9956

%

0.00

3679

1.

8302

87%

0.

0007

02

1.09

1775

%

41

96-0

4 pr

ecio

3 r

ezag

os

D

1 38

T

anh

Axo

n 1

Tan

hAxo

n 0.

0031

54

1.64

3600

%

0.04

4250

3.

8232

00%

0.

0036

78

2.75

7700

%

42

96-0

4 pr

ecio

3 r

ezag

os

C

1 38

T

anh

Axo

n 1

Tan

hAxo

n 0.

0031

58

1.64

4800

%

0.04

4264

3.

8243

00%

0.

0036

78

2.75

7700

%

43

05--

06

prec

io 3

rez

agos

1

16

Bia

s A

xon

1 B

ias

Axo

n 0.

0104

70

1.02

6341

%

0.04

8238

1.

0157

77%

0.

0052

67

0.61

6006

%

44

05--

06

prec

io 3

rez

agos

1

32

Bia

s A

xon

1 B

ias

Axo

n 0.

0093

15

0.97

8707

%

0.08

5070

1.

3002

09%

0.

0089

34

0.82

7057

%

45

05--

06

prec

io 3

rez

agos

1

16

Axo

n 1

Axo

n 0.

0109

18

1.06

0318

%

0.03

4611

0.

8696

82%

0.

0037

79

0.50

0058

%

46

05--

06

prec

io 3

rez

agos

1

16

Tan

h A

xon

1 T

anh

Axo

n 0.

0136

26

1.18

1578

%

23.5

0567

6 29

.158

382%

0.

5236

79

6.40

5302

%

47

05--

06

Otr

as v

aria

bles

1

16

Bia

s A

xon

1 B

ias

Axo

n 0.

0086

05

0.99

2619

%

0.46

8784

3.

5508

52%

0.

0133

02

1.02

5434

%

48

05--

06

Otr

as v

aria

bles

1

16

Line

ar A

xon

1 Li

near

Axo

n 0.

0085

79

0.99

0708

%

0.50

0724

3.

6278

15%

0.

0443

09

2.04

5631

%

49

05--

06

Otr

as v

aria

bles

2

16

Axo

n 1

Axo

n 0.

0111

35

1.12

0544

%

0.50

9252

3.

5851

62%

0.

0192

2 1.

2028

77%

50

05

--06

O

tras

var

iabl

es

2 32

B

ias

Axo

n 1

Bia

s A

xon

0.00

8114

0.

9675

82%

0.

3408

47

2.94

3738

%

0.08

3555

2.

9628

84%


92

PRUEBA 1 Entrenamiento Testing

Precio Deseado versus Precio generado por la Red



PRUEBA 3

Entrenamiento Testing


93




PRUEBA 5



94




PRUEBA 7



95




PRUEBA 9



96




PRUEBA 11



97






98




PRUEBA 15



99




PRUEBA 17



100




PRUEBA 19



101






102




PRUEBA 23



103






104




PRUEBA 27



105




PRUEBA 29



106




PRUEBA 31



107




PRUEBA 33



108




PRUEBA 35



109




PRUEBA 37



110




PRUEBA 39



111




PRUEBA 41



112




PRUEBA 43



113




PRUEBA 45



114




PRUEBA 47



115




PRUEBA 49



116




ANEXO 3


117

RESULTADOS PRUEBAS TESTING

PRUEBA Nº10

REAL RNA REAL RNA REAL RNA REAL RNA REAL RNA REAL RNA

0.7691 0.78245 0.7826 0.777154 0.7024 0.68983 0.6654 0.66455 0.7113 0.724815 0.7634 0.769681

0.7868 0.77079 0.7861 0.78154 0.6902 0.702336 0.6618 0.666613 0.7177 0.712116 0.7502 0.764684

0.7933 0.786122 0.7783 0.786123 0.6859 0.692064 0.6611 0.663839 0.7207 0.711562 0.7554 0.752194 0.7817 0.79322 0.7661 0.778965 0.6788 0.686987 0.6549 0.662355 0.724 0.721048 0.759 0.75617

0.7817 0.782002 0.7642 0.767611 0.6772 0.681185 0.6602 0.656887 0.7165 0.724139 0.7648 0.759734 0.7817 0.782074 0.7585 0.765545 0.6716 0.678856 0.6536 0.661231 0.7116 0.717381 0.7648 0.76449 0.7821 0.78262 0.7511 0.760127 0.6773 0.673605 0.6573 0.655592 0.7098 0.712923 0.7648 0.764974

0.7836 0.782439 0.7567 0.752533 0.6746 0.678201 0.654 0.658209 0.7158 0.711327 0.7758 0.765024 0.7941 0.783829 0.7533 0.75727 0.6704 0.676086 0.661 0.655785 0.7489 0.716451 0.7652 0.775332

0.7968 0.79348 0.7479 0.754356 0.679 0.671727 0.6559 0.661605 0.7448 0.746776 0.7551 0.766257 0.775 0.796498 0.7581 0.748781 0.6754 0.67967 0.6579 0.657573 0.7416 0.744615 0.7539 0.756243 0.7774 0.776611 0.748 0.758128 0.6927 0.67681 0.6627 0.658822 0.7444 0.741073 0.7431 0.75534

0.779 0.778061 0.7467 0.749418 0.7001 0.692021 0.6536 0.663744 0.738 0.745099 0.7423 0.745133

0.789 0.780229 0.7515 0.74722 0.6885 0.700186 0.6459 0.65542 0.7463 0.739285 0.7393 0.743368

0.7823 0.78836 0.7439 0.752218 0.6909 0.689477 0.6374 0.647899 0.7369 0.746301 0.743 0.740755 0.7819 0.782869 0.7402 0.745096 0.6923 0.691702 0.6459 0.640144 0.7488 0.73844 0.7374 0.743476 0.789 0.78201 0.743 0.741149 0.6923 0.693697 0.6459 0.647169 0.7588 0.748314 0.732 0.738592

0.7976 0.789075 0.7391 0.743887 0.7073 0.693177 0.6436 0.647441 0.7513 0.758665 0.7344 0.733145 0.8073 0.796997 0.73 0.740199 0.6999 0.706944 0.6484 0.644767 0.7421 0.751674 0.7472 0.735333

0.7991 0.806144 0.7323 0.731455 0.7051 0.70107 0.6486 0.649422 0.7357 0.74323 0.7511 0.746987 0.7991 0.799345 0.7401 0.733274 0.6927 0.705103 0.6457 0.649911 0.7261 0.737521 0.7452 0.750932

0.7922 0.799106 0.7324 0.740518 0.6831 0.694933 0.6423 0.647069 0.7284 0.728255 0.7614 0.745609 0.7759 0.793439 0.7278 0.733439 0.6818 0.685049 0.6364 0.644033 0.7188 0.729533 0.7582 0.76059 0.7832 0.777811 0.7295 0.728774 0.6774 0.683846 0.6322 0.638536 0.7169 0.720797 0.7495 0.758853

0.7763 0.783731 0.7289 0.730603 0.674 0.679376 0.639 0.63432 0.7269 0.718045 0.7468 0.75013

0.7736 0.777844 0.7263 0.729879 0.6644 0.675611 0.627 0.640258 0.7199 0.727372 0.7541 0.748027

0.7694 0.774089 0.7327 0.727223 0.6685 0.6667 0.6304 0.629487 0.7266 0.721114 0.7618 0.754569 0.7794 0.770598 0.7283 0.733014 0.6673 0.669784 0.6363 0.631602 0.7228 0.726551 0.7539 0.761634 0.794 0.779224 0.7232 0.729371 0.67 0.66895 0.659 0.637736 0.748 0.724062 0.7505 0.754565

0.8094 0.793043 0.7275 0.724226 0.6735 0.670811 0.6654 0.658127 0.7473 0.746377 0.7446 0.751221 0.8103 0.807475 0.7261 0.728266 0.6722 0.674367 0.6936 0.66523 0.748 0.747494 0.7459 0.746182

0.7749 0.809298 0.7301 0.727119 0.664 0.673258 0.6848 0.691109 0.7592 0.747395 0.7459 0.746747 0.7864 0.777423 0.7188 0.730363 0.6601 0.665763 0.6938 0.685543 0.7607 0.758851 0.7372 0.746779 0.782 0.786707 0.7123 0.720503 0.6695 0.661954 0.701 0.692995 0.7574 0.760777 0.752 0.738538

0.782 0.78409 0.7082 0.713814 0.6737 0.670426 0.6879 0.70156 0.7515 0.757649 0.7496 0.751629 0.7719 0.781946 0.7036 0.710145 0.6718 0.67446 0.6927 0.689399 0.7525 0.752586 0.7509 0.75042

0.7623 0.773366 0.6911 0.705329 0.6761 0.672575 0.6904 0.693344 0.7461 0.753318 0.7497 0.75076

0.7574 0.763855 0.6926 0.693456 0.6729 0.676751 0.6881 0.692116 0.7574 0.7475 0.7503 0.750483 0.7793 0.759075 0.6929 0.694051 0.6746 0.674302 0.7011 0.689177 0.7689 0.757164 0.7541 0.750825

0.7769 0.778511 0.6885 0.694447 0.6622 0.675501 0.7263 0.701185 0.7774 0.768445 0.7532 0.75441

PRUEBA Nº 37


118

REAL RNA REAL RNA REAL RNA REAL RNA REAL RNA REAL RNA 0.83711 0.84110 0.89199 0.89464 0.81465 0.80259 0.81307 0.82251 0.76839 0.77058 0.78131 0.77597 0.83869 0.83778 0.87044 0.89106 0.82577 0.81226 0.81873 0.81380 0.77179 0.76627 0.77315 0.77852

0.84141 0.83881 0.87725 0.87186 0.82554 0.82293 0.81284 0.81747 0.77746 0.76864 0.78472 0.77171 0.83779 0.84119 0.87679 0.87554 0.82304 0.82391 0.80467 0.81315 0.76453 0.77410 0.78018 0.78092

0.84391 0.83833 0.88632 0.87588 0.82327 0.82154 0.81896 0.80540 0.76657 0.76384 0.78018 0.77833 0.83937 0.84316 0.87997 0.88412 0.82871 0.82127 0.81987 0.81644 0.75501 0.76403 0.77020 0.77784 0.83529 0.83966 0.87884 0.87941 0.83348 0.82620 0.80966 0.81874 0.75569 0.75382 0.76068 0.76875

0.84436 0.83567 0.88224 0.87764 0.83915 0.83120 0.81057 0.80957 0.74797 0.75328 0.75569 0.75918 0.84187 0.84300 0.88292 0.88043 0.84618 0.83645 0.80059 0.80923 0.74911 0.74667 0.75115 0.75375

0.84005 0.84186 0.86409 0.88122 0.85684 0.84348 0.80558 0.80090 0.75727 0.74670 0.74865 0.74907 0.84799 0.84023 0.87430 0.86468 0.86341 0.85369 0.80603 0.80433 0.75478 0.75369 0.75432 0.74653

0.83643 0.84685 0.86251 0.87158 0.86001 0.86090 0.80513 0.80548 0.75342 0.75218 0.75795 0.75113 0.83189 0.83760 0.86636 0.86256 0.85049 0.85856 0.79674 0.80447 0.74026 0.75055 0.75002 0.75481 0.83779 0.83253 0.84867 0.86451 0.85480 0.85020 0.79968 0.79706 0.75795 0.73875 0.73800 0.74800

0.83847 0.83723 0.85389 0.84933 0.86319 0.85274 0.79968 0.79853 0.76430 0.75331 0.73595 0.73680 0.84051 0.83839 0.84141 0.85166 0.84096 0.86031 0.80921 0.79876 0.75274 0.76116 0.73028 0.73368

0.84368 0.84000 0.85049 0.84117 0.84005 0.84171 0.80966 0.80699 0.75296 0.75166 0.72303 0.72857 0.85888 0.84290 0.84595 0.84778 0.83189 0.83843 0.80150 0.80861 0.75478 0.75085 0.72847 0.72135 0.86183 0.85667 0.83007 0.84446 0.82463 0.83107 0.79764 0.80153 0.76498 0.75219 0.72598 0.72538

0.86523 0.86099 0.82100 0.83035 0.82372 0.82393 0.79742 0.79702 0.76793 0.76114 0.72076 0.72370 0.85910 0.86413 0.82645 0.82062 0.82554 0.82244 0.78971 0.79641 0.75886 0.76524 0.73074 0.71864

0.87181 0.85890 0.83416 0.82431 0.82191 0.82387 0.79039 0.78938 0.74843 0.75739 0.72076 0.72697 0.87226 0.86915 0.82939 0.83170 0.82032 0.82131 0.78744 0.78944 0.75002 0.74704 0.71940 0.71949 0.87589 0.87098 0.82440 0.82809 0.80921 0.81964 0.79288 0.78695 0.75999 0.74738 0.72416 0.71744

0.88950 0.87413 0.82871 0.82318 0.78041 0.80993 0.78834 0.79101 0.75342 0.75680 0.71668 0.72128 0.88859 0.88683 0.82214 0.82670 0.79968 0.78311 0.80241 0.78746 0.75296 0.75212 0.71305 0.71514

0.88745 0.88749 0.81465 0.82164 0.79560 0.79722 0.80989 0.79907 0.75999 0.75108 0.71622 0.71097 0.90945 0.88625 0.81964 0.81462 0.79356 0.79550 0.81102 0.80736 0.76861 0.75704 0.71237 0.71343

0.91127 0.90484 0.81692 0.81851 0.80989 0.79330 0.82667 0.80910 0.77837 0.76546 0.70330 0.71044 0.90152 0.90894 0.82236 0.81667 0.80241 0.80765 0.82304 0.82308 0.77020 0.77505 0.70556 0.70222 0.89970 0.90054 0.80173 0.82127 0.80944 0.80251 0.80944 0.82173 0.76317 0.76850 0.71350 0.70344

0.89403 0.89765 0.80785 0.80360 0.81148 0.80839 0.80740 0.80954 0.74707 0.76145 0.70579 0.71064 0.88768 0.89269 0.81284 0.80665 0.82214 0.81106 0.80717 0.80602 0.75432 0.74686 0.70125 0.70472

0.88405 0.88646 0.80785 0.81152 0.80377 0.82071 0.79787 0.80534 0.74729 0.75125 0.70284 0.69932 0.90242 0.88272 0.79923 0.80788 0.80263 0.80567 0.79220 0.79721 0.74480 0.74627 0.70216 0.70029 0.89970 0.89800 0.80467 0.79961 0.81511 0.80255 0.78925 0.79107 0.74775 0.74348 0.69989 0.69970

0.90152 0.89774 0.80649 0.80353 0.83234 0.81348 0.78630 0.78779 0.74049 0.74553 0.70602 0.69762 0.88723 0.89900 0.80331 0.80552 0.82645 0.82975 0.77587 0.78486 0.75047 0.73969 0.70171 0.70242

0.88813 0.88662 0.79787 0.80285 0.83325 0.82637 0.78154 0.77523 0.76498 0.74740 0.69649 0.69894 0.89721 0.88619 0.80445 0.79756 0.82191 0.83176 0.77179 0.77875 0.78041 0.76098 0.70080 0.69399

PRUEBA Nº 45 PRUEBA Nº 47


119

REAL RNA REAL RNA REAL RNA REAL RNA

1.84 1.860601 2.0182 2.013363 1.8795 1.891622 2.04 2.023177

1.8655 1.869822 2.0273 2.031686 1.9009 1.904518 2.0352 2.028018 1.8795 1.886885 2.04 2.039686 1.9168 1.918378 2.0646 2.031337

1.9009 1.90491 2.0352 2.050605 1.9432 1.938053 2.0857 2.041861

1.9168 1.925224 2.0646 2.068081 1.9245 1.950399 2.0677 2.062637

1.9432 1.934577 2.0857 2.077363 1.945 1.948743 2.0573 2.060503

1.9245 1.94105 2.0677 2.073942 1.9232 1.947152 2.0059 2.05168

1.945 1.939131 2.0573 2.050751 1.8763 1.945611 2.0557 2.032778

1.9232 1.919945 2.0059 2.043022 1.9168 1.918252 2.057 2.037623

1.8763 1.910498 2.0557 2.049629 1.9537 1.921842 2.0611 2.051689

1.9168 1.925089 2.057 2.060447 1.9546 1.945521 2.0611 2.051753

1.9537 1.94662 2.0611 2.065182 1.9763 1.953762 2.0723 2.06091

1.9546 1.964936 2.0611 2.069744 1.9546 1.964702 2.0998 2.06595

1.9763 1.968823 2.0723 2.082883 1.9018 1.964695 2.1407 2.080383 1.9546 1.94924 2.0998 2.108939 1.9307 1.934398 2.1452 2.130986

1.9018 1.93399 2.1407 2.133329 1.9593 1.931225 2.1255 2.144547

1.9307 1.940111 2.1452 2.140306 1.9346 1.954457 2.1552 2.140056

1.9593 1.94732 2.1255 2.145433 1.8882 1.949713 2.1598 2.14845

1.9346 1.931843 2.1552 2.153815 1.9359 1.927232 2.1552 2.155152

1.8882 1.924605 2.1598 2.160161 1.9232 1.94662 2.1657 2.16005

1.9359 1.926412 2.1552 2.164478 1.9363 1.952862 2.1543 2.16162

1.9232 1.934441 2.1657 2.164109 1.9627 1.970767 2.1527 2.165863

1.9363 1.947405 2.1543 2.161486 1.97 1.986565 2.107 2.162153

1.9627 1.962264 2.1527 2.144443 1.9627 1.992063 2.168 2.148824

1.97 1.969886 2.107 2.1449 1.9446 1.985277 2.1727 2.158047

1.9627 1.964684 2.168 2.158751 1.9646 1.976737 2.1545 2.181174

1.9446 1.962637 2.1727 2.166924 1.9757 1.980395 2.1502 2.174214

1.9646 1.96903 2.1545 2.163196 2.0182 1.987755 2.1411 2.160676

1.9757 1.99036 2.0273 2.005924

ANEXO 4


120

CUESTIONARIO

Universidad de Concepción Facultad de Ciencias Economías y Administrativas

Encuesta para Investigación:

“Redes Neuronales Artificiales en Finanzas”

Nombre institución:

Persona encuestada:

Área de trabajo:

1. ¿Ha escuchado alguna vez hablar de las Redes Neuronales Artificiales (RNA)?

Si (a) No (b)

2. ¿Qué conoce de las Redes Neuronales Artificiales? Marque sus respuestas.

Idea General (a) Significado (b) Funcionamiento (c)

Usos (d) Nada (e)

3. ¿En su centro de estudios (Universidad o Instituto) le enseñaron algo de las Redes Neuronales Artificiales?

Si (a) No (b) 4. ¿Ha leído o conoce algún artículo en donde se mencione la aplicación de las RNA en el

área financiera? Si (a) No (b)

5. De acuerdo a lo leído o conocido ¿Cuál de los siguientes usos de las RNA dentro del área

financiera identifica? Marque sus respuestas.

Aprobación de créditos. (a) Clasificación de Bonos. (b)


121

Predicción de series de tiempo (precios) (c) Determinación del riesgo de quiebra de una empresa. (d) Predicción del comportamiento de inversionistas. (e) Ninguno (f) Otros (g)

6. ¿Ha utilizado alguna vez o utiliza las RNA, en el área financiera? Si su respuesta es no

pase a la pregunta 9.

Si (a) Para que: (a.1) No (b)

7. ¿Qué software utilizó o utiliza? (a)

8. ¿Considera las RNA, una herramienta útil para las finanzas?

Si (a) No (b)

9. ¿Cuál cree Ud. es la principal razón de la no utilización de las RNA? Desconocimiento (a) Falta de Software (b) Altos costos (c) Alta complejidad versus resultados que entregan (d) Ninguna (e) Otros modelos Alternativos (f)

10. Si no utiliza RNA ¿Qué herramienta utiliza? APT (a) CPM (b) Análisis Técnico (c) Análisis Fundamental (d) Programación Lineal (e) Otro (f)

Nota: Las letras en rojo representan la codificación de las respectivas respuestas de cada pregunta

Red

es N

euro

nal

es A

rtifi

cial

es, u

na

her

ram

ient

a p

ara

las

Fin

anza

s

122

AN

EX

O 4

RE

SU

LTA

DO

S C

UE

ST

ION

AR

IO

No

ta 1

: N

.C =

No

Co

nte

sta

P.A

= P

redi

cció

n d

e A

ccio

nes

No

ta 2

: Lo

s no

mbr

es d

e la

s co

rred

ora

s se

man

tuvi

ero

n a

nó

nim

os

par

a re

sgu

arda

r la

co

nfid

enci

alid

ad d

e la

info

rmac

ión

.

CO

RR

ED

OR

AS

PR

EG

UN

TA

S

1

2 3

4

5

6

7

8

9

10

a b

a b

c d

e a

b

a b

a b

c d

e f

g a

a.1

b a

a b

a b

c d

e f

a b

c d

e

f C

orr

edor

a 1

1

1

1

1

1

1

1

1

1

Co

rred

ora

2

1

1

1

1

1

1

1

1

1

1

Co

rred

ora

3

1 1

1

1

1

1

1

1

1

Co

rred

ora

4

1 1

1

1

N.C

1 P

.A

P

rop

io 1

1

1

Co

rred

ora

5

1 1

1

1

1

1

1

N.C

1

1

1

1

Co

rred

ora

6

1 1

1 1

1

1

1

1

1

P.A

Exc

el

1

1

1

1 C

orr

edor

a 7

1

1

1

1

1

1

1

1

1

1

1

1

1

Co

rred

ora

8

1 1

1

1

1

1

1

1 1

C

orr

edor

a 9

1

1

1

1

1

1

1

1

C

orr

edor

a 1

0

1

1

1

1

1

1

1

1

Co

rred

ora

11

1

1

1

1

1

1

1

1

1

Co

rred

ora

12

1

1

1

1

1

1

1

1

1

1

Co

rred

ora

13

1

1

1

1

1

1

1

1

1 1

1 1

1

1

Co

rred

ora

14

1

1

1 1

1

1

1

1

1

1

1

1

1 1

1

Co

rred

ora

15

1

1

1

1

1

1

1

1 1

1

Co

rred

ora

16

1

1

1

1

1

1 1

1

1

1 1

1

To

tal

12

4 9

3 3

6 5

2 1

4 9

7 1

0 1

1 2

3 4

0 2

1

3

2

0 1

3 2

1 1

0 6

2 3

12

14

1 1

tesis rna en finanzas, udec

Documents