Comparación entre un sistema neuro difuso auto organizado y un modelo ARIMAX en la predicción de series económicas volátiles

Comparison between a self organizing neural fuzzy system and an ARIMAX model to forecasting volatile economic series

  • José Alejandro Avellaneda González Universidad Distrital Francisco José de Caldas
  • Cynthia María Ochoa Rey Universidad Distrital Francisco José de Caldas
  • Juan Carlos Figueroa García Universidad Distrital Francisco José de Caldas
Palabras clave: ARIMAX, SONFS, Volatile Time Series. (en_US)
Palabras clave: ARIMAX, SONFS, Series Temporales Volátiles. (es_ES)

Resumen (es_ES)

En este artículo se presenta el estudio de una acción volátil de la Bolsa de Valores de Colombia la cual es analizada usando un modelo estadístico ARIMAX (Modelo autorregresivo integrado de media móvil con entrada exógena) y un SONFS (sistema neuro difuso auto organizado). Estos métodos son comparados teniendo en cuenta tres características: el menor EMA (Error Medio Absoluto), el residual entendido como un proceso de ruido blanco (evaluado mediante seis pruebas) y el AIC (criterio de información de Akaike); así se elige el modeloque mejor se ajusta para la predicción de la serie.

Resumen (en_US)

This paper presents the selection of a volatile share from Colombian Stock Exchange, which is analyzed using ARIMAX (autoregressive integrated moving average with exogeneous input) and SONFS (self organizing neural fuzzy sytem) models. These methods are compared using three features: the MAE (mean absolute error), residuals as a white noise process and the AIC (Akaike Information Criterion).

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

José Alejandro Avellaneda González, Universidad Distrital Francisco José de Caldas

Nació en Bogotá, Colombia. Es ingeniero electrónico de la Universidad Distrital Francisco José de Caldas, de Bogotá.

Cynthia María Ochoa Rey, Universidad Distrital Francisco José de Caldas

Nació en Bogotá, Colombia. Es ingeniero electrónico de la Universidad Distrital Francisco José de Caldas, de Bogotá.

Juan Carlos Figueroa García, Universidad Distrital Francisco José de Caldas

Es Ingeniero industrial de la Universidad Distrital, de Bogotá. Obtuvo su título de Maestría en Ingeniería Industrial en la Universidad Distrital. Actualmente se desempeña como profesor asistente de la Universidad Distrital y pertenece como investigador al grupo LAMIC.

Referencias

Paul Samuelson y William Nordhaus, Economía. 15 ed. McGraw-Hill, Madrid, España, 1998.

Damodar Gujarati, Basic Econometrics.McGraw Hill, New York City, New York, 2004.

Steven Achelis, Technical Analysis from A to Z. McGraw Hill, New York City, New York, 2000.

Michael Steinberg, Guía para invertir en bolsa.Ediciones Deusto, Bilbao, Portugal, 2001.

Gioqinang Zhang y Michael Y. Hu, “Neural network forecasting of the British Pound/US Dollar exchange rate”. Omega Elsevier Science, Volumen 26, Número 4, Agosto, 1998, pp. 495-506.

André AlvesPortela, Newton CarneiroAffonso y Leandro dos Santos, “Computational intelligence approaches and linear models in case studies of forecasting exchange rates”. Expert Systems with Application Elsevier Science, Volumen 33, Número 4, Noviembre, 2007, pp. 816-823.

Juan Carlos Figueroa y Jose Jairo Soriano, “A comparison on ANFIS, ANN and DBR systems on volatile time series identification”, Annual Meeting of the North American Fuzzy Information Processing Society, 2007, pp. 321-326.

Orlando Greco, Diccionario de Economía. Valletta Ediciones, Buenos Aires, Argentina, 2006.

Bolsa de Valores de Colombia, Ranking por capitalización bursátil, 26 de Julio de 2011, disponible en http://www.bvc.com.co/pps/tibco/portalbvc/Home/Empresas/.

Gordon Alexander, William F. Sharpe y Jeffery V. Bailey, Fundamentos de inversiones: Teoría y Práctica. Pearson Eduacación, México, 2003.

Sheldon M. Ross, Introducción a la estadística. Editorial Reverté, Barcelona, España, 2007.

José Hernandez, Análisis de series temporales económicas II. Esic, Madrid, España, 2007.

George Box y Gwlym Jenkins, Times Series Analysis: Forecasting and Control. Editorial Holden Day, Oakland, California, 1976.

Chia-FengJuang y Yu-Wei Tsao, “A Type-2 Self-Organizing Neural Fuzzy System and Its FPGA Implementation”. IEEE Transactions on Systems, man and cybernetics, Part B, Cybernetics, Volumen 38, Número 6, Diciembre, 2008, pp. 1537-1548.

Chia-FengJuang y Chin-Teng Li, “An on-line self-constructing neural fuzzy inference network and its application”. IEEE Transactions on Fuzzy Systems, Volumen 6, Número 1, Febrero, 1998, pp. 12-32.

Li-Xin Wang and Jerry Mendel, “Back-propagation fuzzy system as nonlinear dynamic system identifiers”, Conference on Intelligent Computing and Intelligent Systems, 2010, pp. 684-688.

Peter A. Brockwell y Richard A. Davis, Introduction to time series and forecasting, Springer-Verlag, New York, New York, 1987.

Armando Aguirre, Introducción al tratamiento de series temporales. Ediciones Díaz de Santos, Madrid, España, 2010.

Cómo citar
Avellaneda González, J. A., Ochoa Rey, C. M., & Figueroa García, J. C. (2012). Comparación entre un sistema neuro difuso auto organizado y un modelo ARIMAX en la predicción de series económicas volátiles. Ingeniería, 17(2), 26 - 34. https://doi.org/10.14483/23448393.3852
Publicado: 2012-12-28