Javier Oliver fue el encargado de llevar a cabo la sexta ponencia del jueves 7 de marzo en el III Foro de Finanzas Personales tratando de explicar en su desarrollo la aplicación de las redes neuronales a las finanzas.
Aplicación de las redes neuronales a las finanzas - Javier Oliver
Javier Oliver es un actual bloguero de Rankia. En su blog Redes Neuronales, trata de aplicar las redes neuronales para la predicción de la volatilidad, precios, indicadores,...
Objetivo de esta ponencia es dar a conocer la existencia de este tipo de modelos, donde no es necesario tener grandes conocimientos matemáticos gracias a la existencia de software especializado.
Aplicaciones de las redes neuronales
Resolución de problemas y asociación:
- Nettalk
- Tratamiento de imágenes
- Inspección visual
- Seguimiento de pupila
- Monitoriza
- Conducción de vehículos
- Resuelve problemas de optimización (optimiza rutas).
- Aplicación en gastronomía
- Aplicaciones en medicina (resonancias magnéticas, ultrasonidos, clasificación de pacientes, predicción de pronósticos,...)
- Aplicación en finanzas (datos financieros y contables, series temporales)
Resolución de la probabilidad de optimización
Construcción de carteras de diferentes activos optimizando el binomio rentabilidad-riesgo utilizando redes neuronales frente a modelos clásicos de conducta de carteras (Markowitz).
Resolución de la probabilidad de clasificación
Estudio de la probabilidad de riesgo en concesión de crédito y la probabilidad de quiebra de una empresa.
Resolución de la probabilidad de predicción
Su principal objetivo del uso de las redes neuronales en las finanzas.
Historia de las redes neuronales
En 1936, Alan Turing estudió el cerebro como una forma de ver el mundo de la computación.
En 1957, Frank Rosenblatt desarrolló el Perceptrón, una red neuronal con aprendizaje supervisado.
en 1985, las redes neuronales se consolidan en los congresos.
Qué son y cómo funcionan las redes neuronales
- ¿Qué es? Podemos decir que intenta simular el comportamiento de las neuronas biológicas, y su estructura es:
neuronas de entrada - intermedias - neuronas de salida
- ¿Cómo funciona? Su función es similar a las de las biológicas, mediante la activación donde se transfiere información que se transmite mediante conexiones matemáticas.
- En cuanto al aprendizaje podemos clasificar los sistemas de aprendizaje de la siguiente manera:
- Supervisado, agente externo que da la información. Este tipo de aprendizaje a su vez se divide en tres diferentes: por corrección de error, por refuerzo y estocástico.
- No supervisado, valores de entrada. Este tipo de aprendizaje se divide en dos diferentes: Hebbiano y competitivo.
- Online, aprende de forma continua (no distingue fase de entrenamiento y de operatividad).
- Offline, distingue entre fase de entrenamiento y de operatividad.
- ¿Cómo se construye?
- Definición de los datos de entradas.
- Definición de la topología de la red.
- Definición de la función de activación.
- Definición del criterio de aprendizaje.
- Definición de los datos de salida.
Ejemplos de redes neuronales
- Un ejemplo es la Red Backpropagation, es un tipo de aprendizaje supervisado, se basa en la regla Delta generalizada o propagación de error. Funciona en dos grandes fases: (1) la información fluye por las neuronas por la capa de entrada y, (2) la información fluye por las neuronas por el resto de capas de salida. Posee una estructura con una capa de entrada con n neuronas y capa salida con m neuronas.
- Otro ejemplo es el que se desarrolla en el blog de Redes Neuronales que Javier Oliver tiene en Rankia.
