Adaptación de una red neuronal para la negociación en el mercado de divisas
En esta tesis se exploran varias técnicas de machine learning, las cuales son aplicadas al problema de decisión de inversión. Se utilizan una serie de indicadores de análisis técnico como entradas de una red neuronal, entrenada para determinar con cada vector de entrada una señal de compra, venta o...
| Autor Principal: | |
|---|---|
| Otros Colaboradores: | |
| Formato: | Tesis de maestría (Master Thesis) |
| Lenguaje: | Español (Spanish) |
| Publicado: |
Universidad del Rosario
2018
|
| Materias: | |
| Acceso en línea: | http://repository.urosario.edu.co/handle/10336/18361 |
| id |
ir-10336-18361 |
|---|---|
| recordtype |
dspace |
| institution |
EdocUR - Universidad del Rosario |
| collection |
DSpace |
| language |
Español (Spanish) |
| topic |
Inteligencia artificial Machine learning Red neuronal artificial Algoritmo genético Perceptron Análisis técnico Reglas de decisión Métodos especiales de computación Inteligencia artificial Aprendizaje automático (Inteligencia artificial) Artificial intelligence Machine learning Artificial neural network Genetic algorithm Perceptron Technical analysis Decision rules |
| spellingShingle |
Inteligencia artificial Machine learning Red neuronal artificial Algoritmo genético Perceptron Análisis técnico Reglas de decisión Métodos especiales de computación Inteligencia artificial Aprendizaje automático (Inteligencia artificial) Artificial intelligence Machine learning Artificial neural network Genetic algorithm Perceptron Technical analysis Decision rules Fonseca Lemus, Darwin Javier Adaptación de una red neuronal para la negociación en el mercado de divisas |
| description |
En esta tesis se exploran varias técnicas de machine learning, las cuales son aplicadas al problema de decisión de inversión. Se utilizan una serie de indicadores de análisis técnico como entradas de una red neuronal, entrenada para determinar con cada vector de entrada una señal de compra, venta o permanencia. Asimismo, mediante la aplicación de un algoritmo genético se optimiza la estructura de la red con el fin de determinar su profundidad adecuada. Con este trabajo, se establecen algunas bases para realizar distintos estudios empíricos que mejoren y profundicen las temáticas desarrolladas. |
| author2 |
Ramirez, Hugo E. |
| author_facet |
Ramirez, Hugo E. Fonseca Lemus, Darwin Javier |
| format |
Tesis de maestría (Master Thesis) |
| author |
Fonseca Lemus, Darwin Javier |
| author_sort |
Fonseca Lemus, Darwin Javier |
| title |
Adaptación de una red neuronal para la negociación en el mercado de divisas |
| title_short |
Adaptación de una red neuronal para la negociación en el mercado de divisas |
| title_full |
Adaptación de una red neuronal para la negociación en el mercado de divisas |
| title_fullStr |
Adaptación de una red neuronal para la negociación en el mercado de divisas |
| title_full_unstemmed |
Adaptación de una red neuronal para la negociación en el mercado de divisas |
| title_sort |
adaptación de una red neuronal para la negociación en el mercado de divisas |
| publisher |
Universidad del Rosario |
| publishDate |
2018 |
| url |
http://repository.urosario.edu.co/handle/10336/18361 |
| _version_ |
1645142274879782912 |
| spelling |
ir-10336-183612019-09-19T12:37:54Z Adaptación de una red neuronal para la negociación en el mercado de divisas Fonseca Lemus, Darwin Javier Ramirez, Hugo E. Inteligencia artificial Machine learning Red neuronal artificial Algoritmo genético Perceptron Análisis técnico Reglas de decisión Métodos especiales de computación Inteligencia artificial Aprendizaje automático (Inteligencia artificial) Artificial intelligence Machine learning Artificial neural network Genetic algorithm Perceptron Technical analysis Decision rules En esta tesis se exploran varias técnicas de machine learning, las cuales son aplicadas al problema de decisión de inversión. Se utilizan una serie de indicadores de análisis técnico como entradas de una red neuronal, entrenada para determinar con cada vector de entrada una señal de compra, venta o permanencia. Asimismo, mediante la aplicación de un algoritmo genético se optimiza la estructura de la red con el fin de determinar su profundidad adecuada. Con este trabajo, se establecen algunas bases para realizar distintos estudios empíricos que mejoren y profundicen las temáticas desarrolladas. In this thesis, several machine learning techniques are explored and applied to the investment decision problem. Some indicators of technical analysis are used as inputs of a neural network which is trained to determine, with each input vector, a buy, sell or hold signal. Likewise, the structure of the network is optimized by applying a genetic algorithm, in order to determine its adequate depth. With this work, some bases are established to perform different empirical studies that improve and deepen the analyzed topics. 2018-08-16 2018-08-24T21:53:22Z info:eu-repo/semantics/masterThesis info:eu-repo/semantics/acceptedVersion http://repository.urosario.edu.co/handle/10336/18361 spa info:eu-repo/semantics/openAccess application/pdf Universidad del Rosario Maestría en Finanzas Cuantitativas Facultad de Economía reponame:Repositorio Institucional EdocUR instname:Universidad del Rosario Alander, J. T. On optimal population size of genetic algorithms. In 1992 Proceedings Computer Systems and Software Engineering (1992), IEEE, pp. 65-70. Alexandridis, A. K., and Zapranis, A. D. Wavelet neural networks: with applications in nancial engineering, chaos, and classi fication. John Wiley & Sons, 2014. Blau, W. Momentum, direction, and divergence, vol. 5. John Wiley & Sons, 1995. Brabazon, A., and O'Neill, M. Natural computing in computational nance, vol. 100. Springer Science & Business Media, 2011. Dunis, C. L., Middleton, P. W., Karathanasopolous, A., and Theofilatos, K. Arti cial Intelligence in Financial Markets: Cutting Edge Applications for Risk Management, Portfolio Optimization and Economics. Springer, 2016. Edwards, R. D., Magee, J., and Bassetti, W. C. Technical analysis of stock trends. CRC press, 2007. Goldberg, D. E., and Holland, J. H. Genetic algorithms and machine learning. Machine learning 3, 2 (1988), 95-99. Graupe, D. Principles of arti cial neural networks, vol. 6. World Scienti c, 2007. Idler, C. Pattern recognition and machine learning techniques for algorithmic trading. PhD thesis, MA thesis, FernUniversit at, Hagen, Germany, 2014. JingTao, Y., and Tan, C. L. Guidelines for nancial forecasting with neural networks. In Int. Conf. Neural Information Processing, Shanghai, China (2001), Citeseer. Johnson, B. Algorithmic Trading & DMA: An introduction to direct access trading strategies, vol. 200. 4Myeloma Press London, 2010. Kantartzis, I., and Papakostas, A. Las ondas del éxito. TRADERSA' 04 (2016), 38-41. Leardi, R. Nature-inspired methods in chemometrics: genetic algorithms and arti cial neural networks, vol. 23. Elsevier, 2003. Lo, A. W. Reconciling efficient markets with behavioral finance: the adaptive markets hypothesis. Mostafa, E. H., Mohammed, E. H., and Abderrahim, E. A. Minimization of value at risk of fi nancial assets portfolio using genetic algorithms and neural networks. Journal of Applied Finance & Banking 6, 2 (2016). Murphy, J. J. Análisis Técnico De Los Mercados Financieros (Sin colección). 2000. Pring, M. J. Martin Pring's Introduction to Technical Analysis. McGraw-Hill Education, 2015. Rumelhart, D. E., Hinton, G. E., and Williams, R. J. Learning internal representations by error propagation. Tech. rep., California Univ San Diego La Jolla Inst for Cognitive Science, 1985. Thinyane, H., and Millin, J. An investigation into the use of intelligent systems for currency trading. Computational Economics 37, 4 (2011), 363-374. Zavadskaya, A., et al. Arti cial intelligence in fi nance: Forecasting stock market returns using arti ficial neural networks (available on internet). |
| score |
12,139156 |