Procesos gaussianos en la predicción de las fluctuaciones de la economía mexicana

##plugins.themes.bootstrap3.article.main##

Irene García
Loren Trigo
Sabatino Costanzo
Enrique ter Horst

Resumen

La capacidad de algunas redes neuronales para predecir la dirección de la economía de México —representada por el LEI— cuyos insumos son las versiones simultáneas (suavizante y predictiva) de un proceso gaussiano alimentado por un índice de acciones y uno de bonos —ambos representativos del mercado mexicano—, es comparada favorablemente (por medio del método de Anatolyev y Gerko para evaluar la precisión de un predictor), con la capacidad predictiva de redes desarrolladas para el mismo fin por dos de los autores de este artículo en uno anterior, cuyos insumos son rezagos de dichos índices.
Palabras clave:
redes neuronales, predicción, fluctuaciones, economía, mercados, mercados de capitales, procesos gaussianos

Descargas

La descarga de datos todavía no está disponible.

##plugins.themes.bootstrap3.article.details##

Métricas PlumX

Citas

Anatolyev, Stanislav (2005), “A Trading Approach to Testing for Predictability”, Journal of Business and Economic Statistics, Vol. 23, No. 4, pp. 455-461.

Jagric, Timotej (2003), “A Nonlinear Approach to Forecasting with Leading Economic Indicators”, Studies in Nonlinear Dynamics & Econometrics 7, núm. 2.

Jurik, Mark (1994), “Back Percolation, Assigning Local Error in Feed-forward Perception Methods”, Braincel, New Haven, Promised Land Technologies, Inc.

Lahiri, Kajal, y Geoffrey Moore (1991), Leading Economic Indicators: New Approaches and Forecasting Records, Nueva York, Cambridge University Press.

Parisi F., Antonino, Franco Parisi F. y José Luis Guerrero C. (2003), “Modelos predictivos de redes neuronales en índices bursátiles”, EL TRIMESTRE ECONÓMICO, vol. LXX (4), núm. 280, pp. 721-744.

Pesaran, M. H., y A. Timmermann (1992), “A Simple Nonparametric Test of Predictive Performance”, Journal of Business and Economic Statistics 10, pp. 461-465.

Rasmussen, C. E. (1996), “Evaluation of Gaussian Processes and Other Methods for Non-linear Regression”, tesis doctoral, University of Toronto, disponible en (http://www.kyb.mpg.de/publications/pss/ps2304.ps) y (www.es.otoronto,ca/~carl/).

--, y Christopher K. I. Williams (2005), Gaussian Processes for Machine Learning. Cambridge, Masachusetts y Londres, Inglaterra, MIT Press.

Ruggiero, Murray (1996), “Using Correlation Analysis to Predict Trends”, Futures Magazine, febrero, pp. 46-49.

-- (1997), Cybernetic Trading Strategies, John Wiley & Sons, Inc.

-- (1998), “Intermarket Analysis is Fundamentally Sound”, Futures Magazine, abril, pp. 58-62.

-- (2001), “Intermarket Analysis & Economic Forecasting”, Futures Magazine, marzo, pp. 60-62.

-- (2001), “The Economy & Markets: Trading the Relationship”, Futures Magazine, abril, pp. 60-62.

Tkacz, G. (2000), “Neuronal Network Forecasting of Canadian GDP Growth”, The International Journal of Forecasting.

Trigo, Lorenza, y Sabatino Costanzo (2007), “Redes neuronales en la predicción de las fluctuaciones de la economía a partir del movimiento de los mercados de capitales”, EL TRIMESTRE ECONÓMICO, vol. LXXIV (2), núm. 294, pp. 415-440.

Walczak, Steven (2001), “An Empirical Analysis of Data Requirements for Financial Forecasting with Neural Networks”, Journal of Management Information Systems, vol. 17, núm. 4, pp. 203–222.

Cerpa, Narciso, y Steven Walczak (1999), “Heuristic Principles for the Design of Artificial Neural Networks”, Information and Software Technology, vol. 41, núm. 2, pp. 109-119.



Weigend, A. S., y N. A. Gershenfeld (1994), Time Series Prediction: Forecasting the Future and Understanding the Past. Addison-Wesley.

Wheelwright, Steven C., y Spyros Makridakis (1985), Forecasting Methods for Management, Nueva York, John Wiley & Sons, Inc.

Williams, C. K., y C. E. Rasmussen (1996), Gaussian processes for regression. D. S. Touretzky, M. C. Mozer, y M. E. Hasselmo (comps.), Advances in Neural Information Processing Systems 8, MIT Press.

Wolberg, John R. (2000), Expert Trading Systems, Nueva York, John Wiley & Sons, Inc.

Wolpert, L. Robert, Katja Ickstadt y Martin B. Hansen (2003), “A Nonparametric Bayesian Approach to Inverse Problems”, J. M. Bernardo, M. J. Bayarri, J. O. Berger, A. P. Dawid, D. Heckerman, A .F. M. Smith y M. West (comps.), Bayesian Statistics, Oxford University Press, 2003.