Eficiencia de la inteligencia artificial como modelos de optimización y pronóstico en los mercados bursátiles Efficiency of artificial intelligence as optimization and forecasting models in stock markets
Barra lateral del artículo
Contenido principal del artículo
Resumen
El documento muestra un análisis realizado por medio de modelos de Inteligencia Artificial para hacer comparativas en las predicciones de carteras de inversión en México y Estados Unidos, se utilizó los modelos ARIMA para la predicción de series temporales en comparación con la red neuronal de perceptrón multicapa y enjambre de partículas en la selección óptima de cartera. También se aplica la teoría de Markowitz (1952), para identificar el tipo de cartera en la frontera eficiente. El estudio muestra que la inteligencia artificial puede ayudar al diseño de mejores estrategias de inversión en un tiempo determinado. El estudio tiene como limitante que solo se tomaron las principales empresas de los países antes mencionados, pero el modelo se puede replicar con muestras más grandes incluso en otras bolsas de valores.
Palabras claves: Carteras de inversión, Estrategias de inversión, Inteligencia artificial.
Códigos Jel: G11, G12, G14
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Citas
Bohorquez, A., Vega, C., & Quimbayo, C. (2018). Optimización de estrategias de trading con promedios móviles para futuros de petróleo mediante algoritmos genéticos.
Códigos “Jel” UNAM (2024), Repositorio Universitario, Instituto de Investigaciones Económicas, https://ru.iiec.unam.mx/view/subjects/
Dow, C. H. (1960). The Dow Theory. New York: Appleton-Century-Crofts.economía, T. (2020). ¿Qué es el análisis de regresión? Retrieved from https://tueconomia.net/economia/regresion-lineal/
Fama, E. (1970). Efficient capital markets: A review of theory an empirical work. Journal of Finance, 25, 383-417.
González, E. R. (2019). 1894, año en el que se fundó la Bolsa Mexicana de Valores. Retrieved from https://blog.bmv.com.mx/2019/08/1894-ano-en-el-que-se-fundo-la-bolsa-mexicana-de-valores/
Markowitz, H. (1952). Portfolio Selection. The Journal of Finance, 7(1), 77-91. doi:https://doi.org/10.1111/j.1540-6261.1952.tb01525.x
Aragón Bohorquez, A, Mejía Vega, C y Zapata Quimbayo, C. (2019). Optimización de estrategias de trading con promedios móviles para futuros de petróleo mediante algoritmos genéticos. (Núm. 15, Año 2018 : Julio-Diciembre). Facultad de Finanzas, Gobierno y Relaciones Internacionales.
Pakdel, A. (2017). Selecting optimal portfolio using particle swarm optimization algorithm. Ardabil, Iran.
Quintana, D., & Isasi, P. (2007). Predicción del rendimiento inicial en mercados segmentados mediante redes de neuronas. Economía y Administración, 44(68), 7-23. Retrieved from http://ezproxy.iteso.mx/login?qurl=http%3a%2f%2fsearch.ebscohost.com%2flogin.aspx%3fdirect%3dtrue%26db%3da9h%26AN%3d35844906%26lang%3des%26site%3dehost-live%26scope%3dsite
Rodrigo, J. A. (2019). Optimización con enjambre de partículas (Optimization). Retrieved from https://www.cienciadedatos.net/documentos/py02_optimizacion_pso
Russell, S. J., & Norvig, P. (2021). Artificial intelligence: a modern approach (Fourth edition. ed.). Hoboken: Pearson.
Sarkar, S. (2020). Time Series Forecasting and Analysis: ARIMA and SEASONAL-ARIMA. Retrieved from https://medium.com/analytics-vidhya/time-series-forecasting-and-analysis-arima-and-seasonal-arima-cacaf61ae863
Sedighi, M., Jahangirnia, H., Gharakhani, M., & Farahani Fard, S. (2019). A Novel Hybrid Model for Stock Price Forecasting based on Metaheuristics and Support Vector Machine. Data, 4(2), 75. Retrieved from https://www.mdpi.com/2306-5729/4/2/75