Arquitectura multi-agente con redes neuronales artificiales para el análisis de acciones en la bolsa de valores de Colombia
Contenido principal de artículos
Palabras clave:
Agentes inteligentes, Series de tiempo, Red neuronal artificial, predicción, Acciones, Bolsa de valores de Colombia
Resumen
En este artículo se desarrolla la implementación de una plataforma para el análisis de acciones en la bolsa de valores de Colombia, que además provee una recomendación de que y cuando invertir, para que los inversionistas puedan decidir dónde invertir su dinero en determinado momento. Esto se realiza a través de la integración de metodologías para el análisis de series de tiempo, modelos de redes neuronales y sistema multi-agentes. Los resultados obtenidos muestran que los parámetros relacionados con la información tienen un significativo impacto para la predicción de las variables y de esta manera poder advertir la evolución y el comportamiento de valores futuros de las acciones, para lo cual se hace uso de múltiples tecnologías y lenguajes de programación, que permiten la integración de los agentes y la red neuronal. En general, el objetivo del presente trabajo es ofrecer una sugerencia sobre el comportamiento de cada una de las acciones, basándose solo en datos cuantitativos, como resultado de un proceso coordinado por agentes inteligentes que cumplen determinadas tareas, los cuales se comunican con una plataforma de redes neuronales y con un sistema de base de datos
Citas
[2] O. Monzó, “Predicción del Ibex 35 con un modelo estocástico de salto de Poisson compuesto,” Universitat Politècnica De València, 2014.
[3] J. J. Murphy, ANÁLISIS TÉCNICO DE LOS MERCADOS FINANCIEROS, vol. 39, no. 5. 1999.
[4] S. O. Adebiyi, A. A., Ayo, C. K., Adebiyi, M. O., & Otokiti, “Stock Price Prediction using Neural Network with Hybridized Market Indicators,” J. Emerg. Trends Comput. Inf. Sci., vol. 3, no. 1, pp. 1–9, 2012.
[5] B. Londoño and P. Sánchez, “NOVEL ALGORITHM FOR DETECTION OF REPETITIVE TASKS IN THE KEYBOARD,” vol. 2, no. 3, pp. 55–69, 2015.
[6] R. Hafezi, J. Shahrabi, and E. Hadavandi, “A bat-neural network multi-agent system (BNNMAS) for stock price prediction: Case study of DAX stock price,” Appl. Soft Comput. J., vol. 29, pp. 196–210, 2015.
[7] P. A. Sánchez-Sánchez and J. R. García-González, “A new methodology for neural network training ensures error reduction in time series forecasting,” J. Comput. Sci., vol. 13, no. 7, p. 211.217, 2017.
[8] Z. Tang and P. A. Fishwick, “Feedforward Neural Nets as Models for Time Series Forecasting,” ORSA J. Comput., vol. 5, no. 4, pp. 374–385, 1993.
[9] M. R. Hassan, B. Nath, and M. Kirley, “A fusion model of HMM, ANN and GA for stock market forecasting,” Expert Syst. Appl., vol. 33, no. 1, pp. 171–180, 2007.
[10] P. Sánchez-Sánchez and J. García-González, “Autoregressive Moving Average Recurrent Neural Networks Applied to the Modelling of Colombian Exchange Rate,” Int. J. Artif. Intell., vol. 16, no. 2, 2018.
[11] R. Lee and J. Liu, “iJADE WeatherMAN: A weather forecasting system using intelligent multiagent-based fuzzy neuro network,” IEEE Trans. Syst. Man Cybern. Part C Appl. Rev., vol. 34, no. 3, pp. 369–377, 2004.
[12] E. Kustermann et al., “In Vivo Observation of Stem Cell Migration?: A High-Resolution Magnetic Resonance Investigation,” Stroke, vol. 10, pp. 2002–2002, 2002.
[13] P. C. Chang and C. H. Liu, “A TSK type fuzzy rule based system for stock price prediction,” Expert Syst. Appl., vol. 34, no. 1, pp. 135–144, 2008.
[14] A. P. Canelles, “Análisis Técnico de Los Mercados Financieros Basado en Técnicas de Integigencia Artificial,” 2014.
[15] R. De Arce and R. Mahía, “MODELOS ARIMA,” U.D.I Econ. e Informática, pp. 1–31.
Barra lateral de artículos
Detalles de artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.