Академический Документы
Профессиональный Документы
Культура Документы
Resumen. El artculo presenta la descripcin y Abstract. The article presents the description and
posterior aplicacin de una metodologa de Redes subsequent application of a methodology of networ-
Neuro-Difusas aplicadas al problema de prediccin king Neuro-Difuse applied to the problem of time
de series de tiempo en el mercado de capitales de series forecast in short-term capital market. These
corto plazo. Estas aplicaciones proporcionan cri- applications provide benchmarks for speculative in-
terios de referencia para inversin especulativa en vestment in the stock exchange in Colombia, to the
la bolsa de valores de Colombia, en la medida que extent that complement technical and fundamental
complementan la realizacin de anlisis tcnicos y analysis. The application presented in this article
fundamentales. La aplicacin presentada en este ar- is based on a tool based on the ANFIS (Adaptive
tculo se fundamenta en una herramienta basada en Neuro-Based Fuzzy Inference System) model which
el modelo ANFIS (Adaptive Neuro-Based Fuzzy In- is available in MATLAB language, useful in time-se-
ference System) la cual est disponible en lenguaje ries forecasting. The tool used is based on heuristic
MATLAB, con utilidad en el pronstico de series de methods that combine neural networks and fuzzy lo-
tiempo. La herramienta aqu empleada se apoya en gic, which define the amount and type of membership
mtodos heursticos que combinan redes neuronales of the input variables functions. The decision-maker
y lgica difusa, en las cuales se definen la cantidad can rely on the effectiveness of the prediction due to
y tipo de funciones de pertenencia de las variables the method of calculation of the residual error. Com-
de entrada. El decisor puede confiar en la efectividad parisons are also made with other measures such as
de la prediccin gracias al mtodo de clculo de los the mean square error and the standard deviations of
errores residuales. Tambin se realizan comparacio- the prognosis, which are directly calculated from the
nes con otras medidas como el error medio cuadr- proposed models.
tico y las desviaciones estndar del pronstico, que
son directamente calculados desde los modelos pro- Keywords: Forecasting, time Series, uncertainty,
puestos. networks ANFIS, Neuro-fuzzy networks, stock mar-
ket analysis
Palabras clave: Pronsticos, Series de Tiempo, In-
certidumbre, Redes ANFIS, Redes Neuro-difusas,
Anlisis Burstil
los indicadores utilizados para su medicin. En el se- La filosofa de ANFIS consiste en predecir el valor en
gundo, que coincide con la dcada de los 90 se ha el tiempo x=t+P de la serie desde el punto x=t, a par-
registrado una mejora, no obstante, este cambio en tir de unas entradas que resultan del mapeo de pun-
la tendencia ha sido insuficiente para modificar el re- tos en la serie apartados o rezagados en un espacio
lativo atraso en el contexto internacional [23]. de tiempo , empleando una red neuronal construida
con una arquitectura determinada arbitrariamente
Los aos noventa se caracterizaron por un gran di- (por ejemplo, 4 entradas y 2 funciones tipo campana
namismo de las transacciones burstiles en los de- cada una) [15], [38]. Los resultados de estas predic-
nominados mercados emergentes. Este dinamismo ciones se pueden comparar con otros modelos de re-
se acompa de un intenso proceso de reformas des neuronales y/o otras metodologas estadsticas
econmicas y de un incremento sustancial de los regresivas como ARMA o ARIMA [39], [40].
flujos de capital provenientes de los pases industria-
lizados [20], [26]. Colombia no fue la excepcin a la 3.1. Redes adaptativas
regla, pero debido a su concentracin, su tamao, su
falta de liquidez y el inters de los inversionistas en Las redes adaptativas corresponden a aquellas es-
unas pocas acciones, mantiene todava un notable tructuras de varias capas compuestas de un con-
rezago frente a otros pases en desarrollo [30], que junto de nodos conectados a travs de enlaces,
ha venido creciendo significativamente en el perio- donde cada nodo es una unidad de procesamiento
do 2001-2013 con un repunte del IGBC en ms del que desempea una funcin sobre la seal recibida
1400% desde su creacin en julio de 2001 [29]. Sin para generar otra de salida [14], [20], [41]. Cada en-
embargo, en los ltimos aos, los operadores del lace indica la direccin del flujo de la seal desde un
mercado accionario han preferido fundamentar su nodo a otro, estos son adaptativos (con funcin pa-
toma de decisiones a partir del anlisis de los otros rametrizada) cuando adems de la seal o seales
dos indicadores de la bolsa de valores, correspon- recibidas, dependen de un conjunto de parmetros
dientes al ndice COLCAP y el ndice COL-20 [29], o valores asociados para generar la salida, o nodos
los cuales reflejan mayor calidad en el comporta- no-adaptativos (sencillos) cuando solo necesitan las
miento de las cotizaciones. Lo anterior se ha dado entradas [26], [39].
por el gran peso de acciones del sector energtico
y de commodities, cuyas empresas no cotizaban en Esta estructura proporciona las siguientes ventajas:
bolsa al momento de la fundacin de la BVC en el
ao 2001 [28]. Se utilizan algunas metodologas y procedi-
mientos tpicos de las redes neuronales para
En el medio colombiano, el anlisis fundamental es el ajuste de sus parmetros, es decir, se confi-
la tcnica ms conocida y utilizada para entender la guran los parmetros de las funciones de per-
bolsa y tambin el juicio de analistas juega un papel tenencia y consecuencia mediante estrategias
determinante [22], [31], por cuya razn, el campo de de entrenamiento [27], [36].
investigacin de herramientas tcnicas para el an- Se pueden construir modelos a partir de pares
lisis y pronstico del mercado accionario constituye de datos entrada/salida, reduciendo conside-
una inmensa motivacin para la aplicacin de herra- rablemente el tiempo de modelamiento y los
mientas y metodologas avanzadas en el pronstico requerimientos de expertos [38].
de series de tiempo [2].
A diferencia de las redes neuronales artificiales, la
red adaptativa no tiene pesos sinpticos y presenta
3. SISTEMA DE INFERENCIA NEURONAL la ventaja de tomar el esquema y arquitectura de un
ADAPTATIVO (ANFIS) Sistema de Inferencia Difusa para poder aplicar me-
todologas conocidas de entrenamiento y ajuste de
ANFIS es una red adaptativa que representa la im- sus parmetros [30], [37].
plementacin del modelo de inferencia difuso Takagi-
Sugeno [17], cuya estructuracin ha sido propuesta 3.2. Descripcin de ANFIS
por Jang [15] y ha sido ampliamente trabajada por la
comunidad de cientficos de los sistemas difusos y ANFIS es considerada una red adaptativa y, como se
los sistemas neuronales [4], [13], [14], [20], [30], [32], mencion, es la adaptacin del sistema de inferencia
[33], [34], [35], [36], [37]. difuso Takagi-Sugeno [17], [38]. La figura 1 represen-
ta una arquitectura ANFIS de dos entradas, cada una
wf Pronstico a 10 das [
Z Z Z Z Z ]
O15 = f ( x) = wi f i =
i i t 3 t 2 t 1 t t +1
i
(6)
i w i i Z1
Z2 Z3 Z4 Z5
Z2 Z3 Z4 Z5 Z6
De este modo se ha descrito la metodologa de apli- Z3 Z4 Z5 Z6 Z7
cacin de una Red Neuronal Artificial (RNA) cuya
funcionalidad es equivalente a la de un Sistema de Z Z n -3 Z n -2 Z n -1 Z n
n -4
Inferencia Difuso, con lo cual pueden aplicrsele to- (9)
dos los algoritmos de entrenamiento propios de las
RNA tradicionales [47]. Cada fila en el ejemplo de formulacin (8) y de la for-
mulacin (9) representa un dato de la serie de tiem-
3.2.1 Seleccin de las variables de entrada a las po, donde el ltimo elemento de la fila es el valor de
capas de entrenamiento. salida deseado. Cada columna es considerada como
Debido a la existencia de algunas dificultades rela- el conjunto de datos de una variable, en este caso
cionadas con la determinacin del mejor modelo de Zt-3, Zt-2, Zt-1 Zt, con variable salida Zt+1 en la ltima
ajuste (puesto que en algunas etapas del modela- columna.
miento suelen recurrir al mtodo de ensayo y error),
se propone utilizar una bsqueda en la fase de deter- Una vez determinada la cantidad de entradas can-
minacin de entradas y caractersticas de los conjun- didatas y su respectivo conjunto de datos, es im-
tos difusos en la metodologa ANFIS [20]. portante identificar cules son las ms relevantes y
remover aquellas que dependan de otras haciendo
Las entradas x e y que se muestran en la figura 1 el modelo ms conciso, reduciendo tambin el tiem-
se consideran como un conjunto de entradas can- po para la construccin del sistema, especialmente
didatas. Las mismas se distribuyen en un mapeo de en lo referente al tiempo de entrenamiento de la red
D puntos de la serie de tiempo espaciados para neuronal [38].
predecir el valor futuro Zt+ [38]:
3.2.2 Validacin de los pronsticos mediante es-
[ Zt-(D-1) , Zt-(D-2) , ... , Zt- , Zt ] Zt+ (7) tadsticos de ajuste y errores.
A partir de las entradas de esta matriz se tiene que Como se ha explicado, la metodologa ANFIS invo-
del formato anterior con n datos, resultan n-D lucra un anlisis previo de la serie, que consiste en
nuevos datos. As, al aplicar (7) se tiene el nuevo adaptar el modelo de capas, ajustar los parmetros
formato de los datos, en forma matricial para el caso de entrenamiento y la configuracin de las entradas
de pronsticos a corto plazo. Debe considerarse un para entrenamiento de la red neuro-difusa [46]. Para
conjunto de entradas candidatas, en este caso, de- efectos prcticos, se sugiere tomar aproximadamen-
terminadas a partir del mtodo estndar [15], [38], el te el 80% de los datos para ajustar el entrenamiento
cual consiste en crear un mapeo de D puntos de la de las neuronas en las capas 3, 4, 5 y el restante
serie de tiempo espaciados para predecir el valor 20% para validar el modelo de pronstico [20], [26].
futuro Zt+. Por ejemplo, para 1 da (=1) o para 10 Esto se hace con el fin de generar modelos confia-
das (=10) definiendo D=4, como el nmero desea- bles desde el punto de vista del ajuste del modelo en
do de entradas candidatas [20], esto es: un trabajo de validacin.
0.5 0.5
0 0
Es conveniente medir la capacidad que tiene ANFIS memoria RAM. Para la evaluacin de los modelos se
para explicar el comportamiento de la serie de tiem- implement una funcin en lenguaje MATLAB, cono-
po y as, tener una perspectiva de la calidad de los cida con el nombre de pronstico.
pronsticos que puede generar cada modelo [48].
Con este fin comparativo, se emplean estadsticos 4.1 Configuracin bsica de la herramienta
de ajuste, que al medir qu tan bien se ajustan las
observaciones a la relacin funcional, actan como El procedimiento toma aproximadamente 6 segundos
medidas de error [20]. Los estadsticos que se calcu- para generar 16 reglas difusas tipo TS especificadas
lan son [6], [33], [49]: en la ecuacin (5), compuestas por 64 parmetros
(incluyendo 48 parmetros lineales y 16 no lineales).
RMSE, raz del error cuadrtico medio del pro- En esta funcin se escribe entre parntesis el nme-
nstico. ro de das que se desea conocer la rentabilidad de
una serie de tiempo. ANFIS es muy til para calcular
s, desviacin estndar de los errores.
rentabilidades en el corto plazo (entre 1 y 15 das).
La metodologa ANFIS tambin sugiere examinar los Para facilitarle el proceso al decisor, el modelo AN-
residuales, es decir, la diferencia entre los valores FIS, se ha pre-ajustado con un modelo de pronstico
estimados y los reales de la serie, con los cuales se de 4 particiones difusas para los parmetros de en-
elaboran algunos estadsticos que permiten compa- trada de la serie de tiempo, as:
rar la calidad de los pronsticos generados por el
modelo [15], [33], [38], [49]. Para verificar si los resi- Particiones difusas en la Capa 1 = 3. La difu-
duales son ruido blanco se analiza la varianza de los minacin de la entrada se realiza como precio
errores, la cual puede considerarse constante y con alto, medio, bajo, segn la ecuacin (1). La fi-
una distribucin aleatoria [9], [44]. Si se satisface que gura 2 proporciona un ejemplo de tal represen-
los residuos son realmente ruido blanco el modelo tacin conceptual de la informacin en el sis-
es apropiado; de lo contrario, debe considerarse otro tema, donde la entrada es la variable precio.
modelo e iniciar nuevamente el proceso [20], [33].
Tipo de Funciones de Pertenencia = Campana.
Segn la ecuacin (2), de acuerdo al ejemplo
4. HERRAMIENTA COMPUTACIONAL de la figura 2.
Nmero de entradas candidatas = 4. Segn las
Los modelos descritos se han implementado en len- ecuaciones (7) y (8).
guaje MATLAB, utilizando algunos comandos de la
toolbox de sistemas de inferencia con lgica difusa A partir del ensayo y error, se encontr que
[8] y las funciones de entrenamiento para sistemas esta combinacin garantiza resultados certe-
ANFIS y Takagi-Sugeno [6], [7]. La ejecucin del ros, con menor tiempo de procesamiento com-
algoritmo se realiza en un ordenador personal, con putacional, y tambin es empleada en proce-
versin Matlab 7.2 y cuyo hardware corresponde a dimientos de pronstico similares [1], [20]. No
un procesador Intel Core Duo de 2.33 GHz, y 2GB de obstante, la funcin programada con las herra
Errores de las Entradas de entrenamiento. Modelo Difuso con 4FdP de Tipo gaussmf
40
35
30
25
RMSE
20
1045
15 348
10
0
x2 x1 x
x2 x x+2
x1 x x+2
x x+2 x+2
x2 x1 x+2
x1 x+2 x+2
x2 x+2 x+2
Fig. 3. Error RMSE de las entradas candidatas segn entrena-
miento con 3 FdP Gaussianas para la serie COLCAP
1045
348
Tabla 1. Caracterizacin de las series de tiempo y resultados de pronstico con el modelo ANFIS
Pronsticos
Datos
Datos
Serie Totales = 1 da = 2 das = 10 das
Entrena
(t , Zt )
Pronstico RMSE Real Pronstico RMSE Real Pronstico RMSE Real
COLCAP 1392 1111 1774 21,7 1765 1763 30,4 1768 1716 59,9 1757
ISA 1391 1115 9699 126 9620 9835 246 9700 9374 438 9480
ECOPETROL 1397 1116 4483 81 4435 4460 107 4425 4670 342 4355
BANCO-
1397 1116 27553 567 26960 27692 689 26760 27129 1312 26640
LOMBIA
4
AJUSTE MODELO ANFIS 1-COLCAP.dat x 10 AJUSTE MODELO ANFIS ISA.dat
2000 1.8
1400 1.2
precio
precio
1200 1
1000 0.8
salida ANFIS
serie real
800 0.6
600 0.4
0 200 400 600 800 1000 1200 1400 0 200 400 600 800 1000 1200 1400
tiempo tiempo
5000 3
2.5
4000
precio
precio
2
salida ANFIS
3000
salida ANFIS 1.5 serie real
serie real
2000
1
1000 0.5
0 200 400 600 800 1000 1200 1400 0 200 400 600 800 1000 1200 1400
tiempo tiempo
5.1 Pronstico del comportamiento de valores ao 2008. En la figura 5 se presentan las series de
en la Bolsa tiempo que se analizan con ANFIS. La Tabla 1 rela-
ciona las series contempladas como casos de anli-
A continuacin se toman las comparaciones de pre-
sis para la construccin de los respectivos modelos
cios de acciones, en los periodos comprendidos en-
y la cantidad de datos a utilizar, as como los resulta-
tre el 14 de enero de 2008 y el 25 de septiembre
dos obtenidos en el pronstico.
de 2013, correspondiente al periodo de vigencia del
ndice COLCAP (esto equivale a una serie de tiempo
El comando pronstico requiere que el archivo
con 1393 datos). Este ejercicio es muy interesante
de alimentacin de la serie de tiempos est ordena-
debido a la altsima volatilidad que se ha presentado
do cronolgicamente, con el valor desde el primer
en la Bolsa de Valores de Colombia, incluyendo la
da hasta el da con que se cuenta la informacin
crisis econmica mundial en el mes de octubre del
histrica.
Obsrvese que el modelo hace un muy buen segui- posible consultar trabajos especiales como [1], [20],
miento de la tendencia de la serie de tiempo. El mo- [34], [36] en los que se realizan aplicaciones de com-
delo predice una leve valorizacin del 0.68% ndice paracin de los errores entre tcnicas de pronstico
COLCAP para el da 2. Como informacin de refe- autorregresivas como ARIMA, las cuales se compa-
rencia, el da 27 de septiembre de 2013, el ndice ran con tcnicas heursticas como las redes neuro-
COLCAP cerr con un valor de 1768 puntos [29]. nales y/o los sistemas ANFIS. Dichos trabajos han
Los correspondientes valores se han registrado en demostrado que en muchos casos, se obtienen me-
la Tabla 1. didas de error menores con modelos ARIMA en pro-
nsticos de largo plazo, pero mejores rendimientos
Un inversionista especulativo podr decidir si com- con ANFIS en pronsticos a corto plazo (1 2 das).
prar o vender sus participaciones en ISA, Ecopetrol A partir de la Tabla 1, se observa que el pronstico
y Bancolombia, si con anticipacin conoce la valori- para el da = 2 (o sea, para el 27 de septiembre de
zacin (o desvalorizacin) que se espera de las mis- 2013) se expresar como:
mas en el corto plazo.
Valor = Pronstico (27 septiembre) RMSE (10)
5.2 Validacin del pronstico En este caso particular, se confirma que el pronsti-
Al momento de analizar la serie de tiempo, la meto- co de rentabilidad se ha ajustado adecuadamente a
dologa ANFIS sugiere examinar los residuales, para la realidad, al observarse en la Tabla 1 una predic-
comprobar la validez del modelo. Si se satisface que cin del COLCAP a 1763 puntos con RMSE de 30
los residuos son realmente ruido blanco, el modelo puntos. El dato real del COLCAP fue de 1768 pun-
es apropiado; de lo contrario, debe considerarse otro tos, con lo que la prediccin se ajusta a la ecuacin
modelo e iniciar nuevamente el proceso [6], [38]. El (10). Similares casos se presentan para el caso de
clculo de los residuales, es decir, de la diferencia pronsticos a = 1 da y = 10 das, por lo que la
entre los valores estimados y los reales de la serie prediccin se sita dentro de los lmites diagnostica-
con los cuales se elaboran algunos estadsticos, son dos por el modelo.
utilizados como parmetros de comparacin de la Un comentario positivo, tiene que ver con el hecho
calidad de los pronsticos generados por la metodo- que estos tres ttulos se desvalorizaron en el mismo
loga ANFIS [49]. periodo que se evidenci una renta positiva del ndi-
ce COLCAP (Tabla 1), a pesar de ser acciones con
En la figura 5 se evidencia ruido blanco a lo largo altsima participacin en la conformacin del ndice.
de toda la serie de tiempo, incluyendo las fechas de Lo anterior demuestra la versatilidad del modelo de
altas coyunturas (por ejemplo, el mes de octubre de prediccin.
2008), pues se observa que la franja de error oscila
entre 50 puntos (aproximadamente 5% de toleran- 5.3 Generacin del modelo difuso tipo Takagi-
cia). Este indicativo permite concluir que el modelo Sugeno
ANFIS puede ser efectivo para pronsticos de muy Una importante aplicacin de la funcin prons-
corto plazo (1 a 5 das). tico tiene que ver con la posibilidad de generar un
modelo difuso Takagi-Sugeno, con sus respectivas
Como dato adicional, la funcin pronstico reglas, para futuros estudios y anlisis de la serie de
tambin permite calcular los siguientes indicadores tiempos.
de error, mencionados en la seccin 3.2.2 y en la
Tabla 1. Para el caso particular del ndice COLCAP El comando fuzzy de Matlab permite visualizar el mo-
en el periodo = 2: delo difuso que se genera al momento de calcular
Desviacin estndar (s) = 31,1 el modelo ANFIS [6], [7], [8]. Como informacin, el
Raz del error cuadrtico medio del pronstico modelo que se genera no es de tipo lingstico (Man-
(RMSE) = 30,4 dani). La figura 6 ilustra las 16 reglas difusas del tipo
Takagi-Sugeno (TS), as como la respectiva super-
Estas medidas de error permiten efectuar compara- ficie del modelo para el entrenamiento de la capa 5
ciones entre uno o ms sistemas de pronsticos. Lo de ANFIS.
anterior permitir concluir que el mejor sistema de
pronsticos es aquel que presenta menores valores
de dichos estadsticos. Para mayores referencias es
Fig. 6. Superficie difusa y reglas de los modelos TS (Serie de tiempo del ndice COLCAP)
[11] N. lk and E. Prodan, Drivers of technical [21] M. A. Henao, W. M. Trejos, and F. V. Duque,
trend-following rules profitability in world stock Pronstico de las tasas de cambio. Una apli-
markets, International Review of Financial cacin al Yen Japons mediante redes neu-
Analysis, vol. 30, pp. 214-229, 12// 2013. ronales artificiales, Scientia Et Technica, vol.
12, pp. 233-238, 2006.
[12] D. A. Agudelo and J. H. Uribe, Realidad o
sofisma? Poniendo a prueba el anlisis tc- [22] T. Cruz, E. Arturo, J. H. Restrepo, and P. Me-
nico en las acciones colombianas, Cuader- dina Varela, Pronstico del ndice general de
nos de Administracin, vol. 22, pp. 189 -217, la Bolsa de Valores de Colombia usando re-
2009. des neuronales, Scientia et Technica, vol. 1,
2009.
[13] R. Babuka and H. Verbruggen, Neuro-fuzzy
methods for nonlinear system identification, [23] D. A. Agudelo Rueda, Liquidez en los merca-
Annual reviews in control, vol. 27, pp. 73-85, dos accionarios colombianos, Cuadernos de
2003. Administracin, vol. 23, pp. 239-269, 2010.
[14] K. Cios and W. Pedrycz, Neuro-fuzzy algo- [24] S. Botero Botero and J. A. Cano Cano, An-
rithms, Handbook of Neural Computation, lisis de series de tiempo para la prediccin de
IOP Publishing and Oxford University Press, los precios de la energa en la Bolsa de Co-
Oxford, p. D1, 1997. lombia, Cuadernos de Economa, vol. 27, pp.
173-208, septiembre, 2008.
[15] J.-S. Jang, ANFIS: adaptive-network-based
fuzzy inference system, Systems, Man and [25] M.-G. Financial. (2013). S&P Dow Jones In-
Cybernetics, IEEE Transactions on, vol. 23, dices. [Online]. Available: http://us.spindices.
pp. 665-685, 1993. com/
[16] M. Roubens, Fuzzy sets and decision analy- [26] G. A. Marn, Prediccin de precios de ac-
sis, Fuzzy sets and systems, vol. 90, pp. ciones en bolsa mediante redes neuronales
199-206, 1997. artificiales, Especializacin en Sistemas de
Informacin, Trabajo de grado Especialista
[17] T. Takagi and M. Sugeno, Fuzzy identification
en Sistemas Informticos, Facultad de Minas,
of systems and its applications to modeling
Universidad Nacional de Colombia, Sede Me-
and control, Systems, Man and Cybernetics,
delln, 2000.
IEEE Transactions on, pp. 116-132, 1985.
[27] T. B. Ludermir, A. Yamazaki, and C. Zanchet-
[18] T. Whalen and C. Brnn, Essentials of Deci-
tin, An Optimization Methodology for Neural
sion Making Under Generalized Uncertainty,
Network Weights and Architectures, Neural
in Combining Fuzzy Imprecision with Probabi-
Networks, IEEE Transactions on, vol. 17, pp.
listic Uncertainty in Decision Making. vol. 310,
1452-1459, // 2006.
J. Kacprzyk and M. Fedrizzi, Eds., ed: Sprin-
ger Berlin Heidelberg, 1988, pp. 26-47. [28] D. A. Agudelo Rueda, Costos de transaccin
asociados a la liquidez en la Bolsa de Valores
[19] G. J. Correa Henao, Aproximaciones meto-
de Colombia, Cuadernos de Administracin,
dolgicas para la toma de decisiones, apoya-
vol. 24, pp. 13-37, 2011.
das en modelos difusos, Mster Ingeniera
de Sistemas Tesis Magister en Ingeniera de [29] B. V. C. BVC. (2013). Comunicados de Pren-
Sistemas Universidad Nacional de Colombia, sa Bolsa de Valores de Colombia. [Online].
Facultad de Minas, Universidad Nacional de Available: http://www.bvc.com.co/
Colombia, Sede Medelln, 2004.
[30] A. Ziga and C. Jordn, Pronstico de
[20] J. F. Marn Valencia and K. A. Muoz Ocam- caudales medios mensuales empleando sis-
po, Comparacin entre los Modelos de Box temas Neurofuzzy, Revista Tecnolgica-ES-
& Jenkins y el Modelo ANFIS en el pronstico POL, vol. 18, 2013.
de precios de acciones en el corto plazo, In-
[31] L. . Medina, Aplicacin de la teora del por-
geniera Industrial Tesis Ingeniero Industrial,
tafolio en el mercado accionario colombiano,
Facultad de Minas, Universidad Nacional de
Cuadernos de Economa, vol. 22, pp. 129-
Colombia, Sede Medelln, 2002.
168, 2003.
[32] A. Abraham and B. Nath, A neuro-fuzzy ap- humedad del aire en invernaderos tipo cenital
proach for modelling electricity demand in y capilla en el centro de Mxico, Agrociencia,
Victoria, Applied Soft Computing, vol. 1, pp. vol. 44, pp. 791-805, 2010.
127-138, 2001.
[43] P. Sink, M. Holcy, and M. Duai. (1998).
[33] L. dos Santos Coelho, A. A. Portela Santos, Computational Intelligence in Financial Cy-
and N. C. Affonso da Costa Jr., Podemos bernetics. [Online]. Available: http://www.
prever a taxa de cambio brasileira? Evidn- ai-cit.sk/cigOld/source/publications/conferen-
cia emprica utilizando inteligncia computa- ce_papers/sincak/AII/html/index.html
cional e modelos economtricos, Gesto &
[44] S. Areerachakul and S. Sanguansintukul, A
Produo, vol. 15, pp 635-647, 2008.
comparison between the multiple linear re-
[34] D. Quintana, R. Gimeno, and P. Isasi, De- gression model and neural networks for bio-
teccin de inercia sectorial en salidas a bolsa chemical oxygen demand estimations, in
mediante modelos ARIMA y redes neurona- Eighth International Symposium on Natural
les, Instituto Centroamericano de Adminis- Language Processing, 2009. SNLP 09, Ban-
tracin Pblica - ICAP, 2005. gkok, Thailand, 2009, pp. 11-14.
[35] F. Villada, E. Garca, and J. D. Molina, Pro- [45] W. Yu and X. Li, Fuzzy identification using
nstico del precio de la energa elctrica fuzzy neural networks with stable learning al-
usando redes neuro-difusas, Informacin gorithms, Fuzzy Systems, IEEE Transactions
tecnolgica, vol. 22, pp. 111-120, 2011. on, vol. 12, pp. 411-420, 2004.
[36] Y. Gao and M. J. Er, NARMAX time series [46] J. D. Velsquez and C. Zapata, Pronstico
model prediction: feedforward and recurrent del caudal medio mensual, con una ventana
fuzzy neural network approaches, Fuzzy sets de 12 meses, usando sistemas difusos, Pro-
and systems, vol. 150, pp. 331-350, 2005. yecto de Investigacin. Universidad Nacional
De ColombiaMedelln, 2004.
[37] A. E. Gaweda, J. M. Zurada, and R. Setiono,
Input selection in data-driven fuzzy mode- [47] H. D. lvarez Zapata, Versin breve de algu-
ling, in Fuzzy Systems, 2001. The 10th IEEE nas tcnicas de Inteligencia Artificial, Dyna,
International Conference on, 2001, pp. 1251- vol. 63, pp. 13-23, 1996.
1254.
[48] L. P. Maguire, B. Roche, T. M. McGinnity, and
[38] J.-S. Jang, Input selection for ANFIS lear- L. McDaid, Predicting a chaotic time series
ning, in Fuzzy Systems, 1996, Proceedings using a fuzzy neural network, Information
of the Fifth IEEE International Conference on, Sciences, vol. 112, pp. 125-136, 1998.
1996, pp. 1493-1499.
[49] E. C. Zapata, J. D. Velsquez, and R. Smith
[39] J. D. Velsquez Henao, Pronstico de la Q, Caracterizacin del SOI usando ANFIS
serie de MackeyGlass usando modelos de con residuales heterocedsticos, Ingenia-
regresin no lineal, Dyna, vol. 71, pp. 85-95, re. Revista chilena de ingeniera, vol. 15, pp.
2004. 302-312, 2007.
[40] J. D. Velsquez Henao and C. Zapata, Pro- [50] P. Estvez Garca, Aplicaciones de las redes
nstico del caudal medio mensual, con una neuronales en finanzas, Documentos de tra-
ventana de 12 meses, usando sistemas difu- bajo de la Facultad de Ciencias Econmicas
sos, 2004. y Empresariales, p. 5, 2002.
[41] J. J. Montao Moreno, Redes neuronales ar- [51] N. Science. (2004). ANNI Standard - Ar-
tificiales aplicadas al anlisis de datos, Doc- tificial Neural Network Investing. [Online].
torado Psicologa, Facultad de Psicologa, Available: http://download.cnet.com/ANNI-
Tesis doctoral de la Facultad de Psicologa, Standard-Artificial-Neural-Network-Inves-
Universitat de Les Illes Balears, Palma de ting/3000-2057_4-10343970.html?tag=pdp_
Mallorca, Espaa, 2002. prod
[42] I. L. Lpez-Cruz and L. Hernndez-Larragoiti,
Modelos neuro-difusos para temperatura y