Libanes Web
|
REDES NEURONALES
El análisis de los mercados bursátiles suele ser de tipo fundamental, donde lo que se toma en cuenta principalmente son las perpectivas del negocio en el que se asienta la firma, o bien de tipo técnico, donde se entiende que toda la información está contenida en el precio y de su evolución pueden inferirse regularidades.
Otras líneas de avance en la predicción bursátil se van configurando actualmente y una de ellas, de relativo éxito, se basa en la admiración que el hombre siente por la naturaleza. Con la meta de emular el proceso humano de razonamiento la investigación en inteligencia artificial ha ido modelando sistemas imitativos del comportamiento biofisiológico del cerebro.
Si no somos capaces de elaborar neuronas biológicas, con sus dentritas, sus axones y su capacidad sináptica de comunicarse entre sí podemos crear una neurona virtual que acepte un conjunto de estímulos externos y mediante una función de activación no lineal genere una actividad de salida. Esa neurona artificial, llamada perceptrón de McCulloch-Pits, puede ser combinada con otras formando un conglomerado de perceptrones que se interconectan entre sí, como lo hacen las neuronas de verdad. La mayor o menor capacidad sináptica de comunicarse se representa con factores de peso de interconexión que excitan o inhiben la comunicación de la neurona con sus vecinas.
Se tiene así una red neuronal, que actúa según las funciones de activación de las neuronas y los pesos de interconexión entre ellas. Tales pesos pueden ser fijos pero en tal caso la red neuronal tendrá que tener una tarea muy bien definida a priori. Normalmente el valor preciso que deben tener los pesos de interconexión se suele desconocer por lo que la red se tiene que configurar con pesos adaptables y deben emplearse leyes de aprendizaje para ajustarlos.
Si a la red se le proporciona tanto la entrada como la salida correcta puede aprender, porque se dedicará a ajustar sus pesos tratando de minimizar el error de su salida calculada. Pero incluso la red puede aprender también proporcionándole solo la entrada, siempre que tenga definida una ley adecuada de aprendizaje. Las redes necesitan para funcionar un periodo previo de entrenamiento, proporcionándoles entradas y salidas adecuadas, para que aprendan de forma supervisada. Una vez lo han conseguido pueden continuar por sí mismas su autoaprendizaje, generando sus propias reglas, es decir aprendiendo de sus propios errores.
Se han usado las redes neuronales para múltiples actividades, como reconocer la escritura a mano, reconocer voces, detectar explosivos en equipajes, visión artificial, topografía de los terrenos, para controlar los brazos de los robots, para predicción de quiebras o, como no, para predecir tendencias financieras. Las redes neuronales son hábiles en problemas de asociar, evaluar o reconocer patrones y bastante malas cuando se trata de hacer cálculos precisos. Funcionan bien con problemas complejos de difícil cálculo pero que no requieren respuestas perfectas, sino solo respuestas rápidas y buenas, como ocurre en la bolsa, donde se necesita saber con rapidez si conviene comprar, vender o mantener.
La predicción bursátil con redes neuronales se emplea con frecuencia en los boletines divulgativos de las entidades financieras, lo que significa que su éxito es relativo, puesto que en otro caso su predicción no se publicaría, sino que se aprovecharía. A pesar del excepticismo del mundo académico sobre los avances de la inteligencia artificial, las redes han abierto un campo de exploración bursátil que aún tiene mucho que contar.
Enrique Ibañes, en fecha anterior a octubre de 2002, a título personal.
Contactar con el Webmaster. - Somos solidarios y utilizamos correo benefico benmail.