TCNICAS MODERNAS EN AUTOMTICA, PRIMER SEMESTRE 2013

1

Resumen Este documento se referir y explicar las Redes
Neuronales Artificiales (RNA), su nacimiento como concepto y
posterior evolucin, para luego determinar cmo pueden ser
tiles en un rea tan importante del mundo contemporneo,
como es la economa, aprovechando la caracterstica de las RNA
de poder aprender, es decir, realimentarse con su misma
informacin y de esta manera pronosticar algunas variables
econmicas.

Trminos ClaveRedes neuronales artificiales, economa,
modelos econmicos, finanzas, previsin, pronsticos
econmicos.

I. INTRODUCCIN
AS Redes Neuronales Artificiales no son ms que, la
recreacin o modelacin de las caractersticas de las neuronas
humanas (de las cuales ya se discutir) mediante sistemas
computacionales de software y hardware. Las RNA son un
paradigma para poder computar y detectar patrones, basndose en la
interconexin paralela de neuronas artificiales.
Esta importante caracterstica de las RNA es la que las hace tan
tiles en la Economa, ya que sern una forma de imitar decisiones
humanas a problemas tpicos como crisis, prediccin del tipo de
cambio o pronsticos sobre el PIB, por dar algunos ejemplos, y de
tal manera poder aplicar polticas o toma de decisiones acertadas,
basndose en los resultados que se puedan obtener.

II. MARCO TERICO
Las Redes Neuronales Artificiales, como ya hemos mencionado,
buscan reproducir algunas de las capacidades del cerebro imitando
su estructura neuronal, computando de forma paralela, distribuida y
adaptativa.

Computacin paralela: es simplemente operar sobre el principio
de que grandes problemas se pueden dividir en problemas pequeos,
que posteriormente podrn ser resueltos simultneamente (en
paralelo).
Computacin distribuida: se refiere a varias computadoras
separadas fsicamente y conectadas entre s que el usuario percibir
como un solo sistema. Debe tener la capacidad de ser tolerante a
fallos, es decir, si un componente del sistema falla otro debe ser
capaz de reemplazarlo.


Computacin adaptativa: es la capacidad de un sistema de
computacin de adaptar una o ms de sus propiedades (por ejemplo:
rendimiento) mientras trabaja.


Figura 1: Neurona.

Las neuronas son una unidad de procesamiento que recibe un
estmulo elctrico de otras neuronas a travs de su rbol dendrtico.
Una vez que este estmulo supera cierto umbral de voltaje, produce
que la neurona a su vez enve otra seal elctrica a travs de su axn
a otras sucesivas neuronas. Es debido a la interconexin entre
neuronas que la red ser capaz de computar y detectar patrones
complejos.

Figura 2: Sinapsis.

Los terminales axnicos pueden ser conectados a travs de sinapsis
a diferentes partes de la neurona pero se considera slo la conexin
a otras dendritas. El potencial inducido en la dendrita puede ser
positivo (excitado) o negativo (inhibidor).
Es importante sealar que los computadores tienen una arquitectura
de procesamiento secuencial, por el contrario, el cerebro est
compuesto por millones de estas neuronas que pueden funcionar
como procesadores elementales y que se encuentran interconectadas
entre ellas, formando una red. Podemos ver a una neurona, segn
Martn del Bro [1] como un pequeo procesador, sencillo, lento y
poco fiable, a diferencia de nuestros potentes microprocesadores, las
ventajas respecto a los computadores se encuentran en que en el
cerebro cohabitan unas cien mil millones de neuronas operando en
paralelo (que por medio de la interconexin por sinapsis) hasta
con 10000 neuronas en promedio y trabajando en paralelo pueden
Redes Neuronales: Aplicaciones prcticas para
la economa.
Nicols Oneto Velsquez, Rol 2821022-1, Estudiante Ingeniera Civil Electrnica, UTFSM
L
TCNICAS MODERNAS EN AUTOMTICA, PRIMER SEMESTRE 2013

2
desarrollar una actividad global de procesamiento enorme, as
neuronas no deben ser programadas, estas aprenden a partir de
seales o estmulos que reciben del entorno, y se comportan
diferente a los computadores, las neuronas se autoorganizan
comunicndose a travs de sinapsis excitadoras e inhibidoras.
A continuacin, en la Tabla 1, se presentar un cuadro comparativo
entre el cerebro humano y una computadora.

CEREBRO COMPUTADOR
VELOCIDAD DE
PROCESO

ESTILO DE
PROCESAMIENTO
Paralelo Secuencial
NUMERO DE
PROCESADORES

Pocos
CONEXIONES 10000 por procesadores Pocas
ALMACENAMIENTO
DEL
CONOCIMIENTO
Distribuido Direcciones fijas
TOLERANCIA A
FALLOS
Amplia Nula
TIPO DE CONTROL
DEL PROCESO
Auto-organizado Centralizado
Tabla 1: Comparacin Cerebro v/s Computador.

La neurona se definir especficamente como un dispositivo simple
de clculo que, a partir de un input o entrada procedente del exterior
o de otras neuronas, proporcionar una nica respuesta o salida y se
constituye de un conjunto de entradas, pesos sinpticos, regla de
propagacin, funcin de activacin y funcin de salida.
Las neuronas artificiales, en cambio, se organizan en capas, y las
neuronas de una capa se pueden juntar a su vez formando grupos
neuronales o clusters. Varias capas forman una red neuronal y un
conjunto de redes neuronales, junto con las entradas y salidas,
constituyen el sistema neuronal. Lo podemos ver en la Figura 3:


Figura 3: Estructura jerrquica de un sistema basado en RNA.

Esta forma de modelar una neurona se refiere al Modelo de
McCulloch & Pitts (1943), el cual podra calcular funciones lgicas
para poder construir mquinas de estados finitos.

Figura 4: Modelo MP de una neurona.

Este modelo de la Figura 4 incluye principalmente entradas, que
reciben informacin del exterior, en este caso se refieren a
Pesos se refiere a la importancia de la entrada dentro de la funcin,
es anlogo a las fuerzas sinpticas (voltaje) de las neuronas
biolgicas. Es decir, en algunos casos algunas entradas son ms
importantes que otras de manera que tienen mayor efecto sobre el
procesamiento. Estos coeficientes pueden adaptarse dentro de
la red y determinan la intensidad de la seal de entrada registrada
por la neurona artificial. Estas fuerzas pueden ser modificadas en
respuesta de los ejemplos de entrenamiento de acuerdo a la
topologa especfica o debido a las reglas de entrenamiento.
Las salidas sern la respuesta de estas neuronas a las entradas,
luego de haber sido pesadas y pasadas a travs de la funcin de
transferencia o activacin

III. APLICACIN EN EL MBITO ECONMICO
Refirindonos a la utilidad del uso de las Redes Neuronales
Artificiales para analizar modelos econmicos, es de suma
importancia referirse a la capacidad de aprendizaje de los mismos,
la cual se refiere a la neurona adaptndose al estmulo modificando
sus pesos y eventualmente produciendo un resultado esperado.
Hay bsicamente dos tipos de aprendizaje:

Aprendizaje supervisado: incluye un supervisor (o teacher) que
le indica a la red cun cerca est de aprender y va modificando los
pesos neuronales.

Aprendizaje sin supervisin o autoorganizado: solamente se
forman grupos de clasificacin de acuerdo a indicaciones o
propiedades, no se calcula error (E). Es decir, no posee el
supervisor que le indica a la red cun cerca est de aprender.


Figura 5: Algoritmo de aprendizaje supervisado.

En la Figura 5 se aprecia como en el modelo supervisado hay
circuitos externos a la neurona que comparan la salida deseada ( )
con el actual ( ) y producen el error E entre ellas, mediante el cual
se modifican los valores de los pesos uno por uno tratando de
minimizar este error.

Definiremos la construccin de una Red Neuronal Artificial:

a) Identificacin de la variable financiera a pronosticar.

Primeramente debemos definir la variable financiera objetivo. Las
RNA permiten enfrentar los problemas financieros con un enfoque
distinto al de los modelos lineales. Las aplicaciones son variadas:
administracin de portafolios de inversin, evaluacin de acciones y
bonos, estrategias de cobertura y arbitraje, bonos, tasas de inters,
etc. Una vez determinada la variable a estudiar debemos seleccionar
los lmites de la medicin del fenmeno.

b) Construccin del conjunto de datos que permitirn activar el
proceso de aprendizaje de la RNA.

TCNICAS MODERNAS EN AUTOMTICA, PRIMER SEMESTRE 2013

3
Debemos considerar la recoleccin de datos, el anlisis y la
seleccin de las variables de entrada y salida.
La recoleccin debe obtenerse de los mercados financieros y se debe
prestar atencin a la preparacin de datos de entrada y salida. De
esta forma, una RNA que permita pronosticar series de tiempo de
variables financieras se puede establecer usando tres tipos de
informacin:

1. Aquella relacionada directamente con la variable de salida (en el
mercado seleccionado).
2. Aquella resultante de las operaciones relacionadas con la variable
de salida.
3. Aquella que depende de los componentes fundamentales.

c) Activacin del proceso de aprendizaje.

Debemos seleccionar la arquitectura ms adecuada para el proceso
de aprendizaje. Lo ms importante de esta fase depende del
mecanismo de conexin de los nodos de salida, por medio de las
capas ocultas, lo cual se convierte en un elemento decisivo.
Se determinar la definicin de la arquitectura segn la Figura 6.


Figura 6: Variables de entrada para pronsticos financieros en una
RNA.

Los parmetros para determinar la arquitectura se desarrollan a
continuacin:

i. Divisin temporal de la base de datos: una vez definidas la
variable de salida y el contenido de la base de datos, las series de
tiempo histricas debern subdividirse en periodos de tiempo, lo
que determinar el proceso de aprendizaje y evaluacin
.
ii. Nmero de capas ocultas y el nmero de neuronas que se va a
insertar en cada capa: para esto existen diversas metodologas que
establecen que una sola capa oculta es suficiente para aproximar las
funciones no lineales ms recurrentes. El nmero de neuronas debe
garantizar que se minimice el riesgo de sobreaprendizaje, que exige
un mayor nmero de entradas pero no garantiza un pronstico ms
fiable.

iii. Mecanismos de conexin entre capas: la arquitectura conocida
como Back Propagation se emplea mucho por su habilidad para
generalizar resultados financieros. Esta arquitectura es supervisada.
La conexin puede ser estndar, con salto o recurrente.
iv. La funcin de activacin: puede ser lineal, logstica, sinusoidal
o gaussiana.

v. Las reglas de aprendizaje: esto es difcil de definir, ya que se
deber decidir qu tasa de cambio de la Red debe modificar la
definicin de los pesos de las neuronas. Si la tasa de cambio es muy
alta, no se puede lograr convergencia y sta se debera reducir.

vi. Indicadores de error: se debe determinar en qu momento
detener el proceso de aprendizaje, lo que va relacionado con los
indicadores de error tales como error medio, error mximo y nmero
de ciclos sin mejora en el error. Estos parmetros se pueden fijar
para que la RNA se detenga cuando haya alcanzado el valor
deseado.

d) Generalizacin de la salida para el pronstico de la variable
financiera.
Una vez que los indicadores sean favorables para la RNA, es
necesario verificar la bondad del pronstico ya que el modelo puede
ser exitoso en la seleccin de conjuntos de aprendizaje y prueba,
pero puede que no pronostique bien.


IV. APLICACIN PRCTICA
Los modelos autorregresivos e integrados de promedios mviles
(ARIMA) utilizados para la prediccin financiera surgen de la
chance de que un cierto tipo de no estacionariedad mostrado por
algunas series de tiempo, puede representarse por la toma sucesiva
de diferencias de la serie original. Se hace uso de operadores y
polinomios de retraso para retrasar una variable en k periodos.
Este modelo es una unin de los modelos AR y MA al que se le
incluye un operador de diferencia que elimina una posible tendencia
polinomial.

El modelo AR es un modelo autorregresivo en el que el valor de la
variable dependiente Z en el periodo t depende de sus propios
valores, el valor p corresponde al nmero de rezagos que se tienen
en cuenta sobre la variable. El modelo MA es un modelo de
promedios mviles, en donde bsicamente se representa un proceso
estocstico { respecto a su nivel medio .

El modelo ARIMA (p,d,q) se puede representar como:



Donde d corresponde a las d diferencias que son necesarias para
convertir la serie original en estacionaria. son los
parmetros pertenecientes a la parte autorregresiva del modelo.
son los parmetros pertenecientes a la parte medias
mviles del modelo. es una constante y es el trmino de
error.

Descripcin de la TRM

La Tasa Representativa del Mercado (TRM) es el promedio
aritmtico simple de las tasas ponderadas de las operaciones de
compra y venta de divisas y por ello se puede ver como una
representacin del tipo de cambio, el tipod e cambio es la tasa o
relacin de proporcin que existe entre dos divisas (dlar y peso
chileno por ejemplo).

Metodologa

TCNICAS MODERNAS EN AUTOMTICA, PRIMER SEMESTRE 2013

4
Utilizacin del software R-Project para implementar Redes
Neuronales Artificiales y aplicacin de Redes Neuronales
Autorregresivas para la TRM.

R-Project es un programa de libre uso y puede ser instalado en
forma fcil, y adems provee herramientas para distintos tipos de
Redes Neuronales. Cabe destacar que el programa es incmodo en
su uso y por lo mismo, se utilizaron resultados de los estudios
hechos por la Universidad Nacional de Colombia.

Se utiliza el paquete ARNN Package que sirve para crear Redes
Neuronales Autorregresivas como tambin una Red Neuronal feed-
forward con una capa de entrada, un nodo para retraso, una capa
oculta con ndoos H y una capa de salida con un nodo, los cuales se
activan con la funcin sigmoidea y el nodo de salida se activa con la
funcin g(u)=u.

Se programa la funcin:

arnn(x, lags = NULL, isMLP = FALSE, H = 1, w.max = 1.0, restarts =
1, seed = NULL,
lambda = 0, model = NULL, optim.control = list())

En donde:

- x: Serie de tiempo univariada
- lags: Retraso a ser incluidos como inputs de la Red
Neuronal Artificial.
- isMLP: Cuando es TRUE crea una Red Neuronal
Perceptrn Multicapa, sino, crea una Red Neuronal
Autorregresiva.
- H: Nmero de neuronas en la capa oculta.
- w.max: Mximo valor inicial para los pesos de la Red
Neuronal Artificial.
- restarts: Nmero de reinicios aleatorios del algoritmo de
ajuste.
- seed: NULL o un entero que puede ser llamado en
"set.seed" antes de la simulacin de la serie de tiempo,
dejar NULL no cambiar la generacin de estado al
azar.
- lambda: Regularizacin de los parmetros de la funcin de
prdida.
- model: Salida de un modelo anteriormente llamado arnn,
si el modelo se pasa, este mismo modelo se ajusta a x
sin volver a calcular todos los parmetros.

Cdigo aplicado:

serie=read.table("trmn100.txt",header=T)
trma=ts(serie$trm[1:80],s=1,f=1)
plot(trma)
library(arnn)
fit=arnn(x=trma,lags=1:5,H=2,isMLP=F,w.max = 1.0,restarts = 1,
lambda = 0
fit
accuracy(fit)
fit1=arnn(x=trma, model=fit)
accuracy(fitted(fit1)[76:96],trma[81:100])
plot(trma, lwd=2)
lines(fitted(fit1),col=50,lwd=2)
grid()
forecast(fit,h=20,level=90,fan=FALSE,bootstrap=FALSE,npaths=1000
)
plot(forecast(fit,h=20,level=90,fan=FALSE,bootstrap=FALSE,npaths=
1000))

Se encuentra en azul lo que difiere dependiendo del nmero de
datos.



Figura 7: Estimacin de la serie TRM.


Figura 8: Prediccin de la serie TRM.

La zona amarilla de la Figura 8 es la prediccin realizada por el
programa R-Project, a partir de una tabla de datos que se le es
ingresada.
V. CONCLUSIONES
Pese a la complejidad del aprendizaje de las Redes Neuronales, si
revisamos literatura o en el mismo internet podemos encontrar una
vasta aplicacin al tema financiero particularmente referido a
pronosticar variables.
Se deber continuar investigando sobre Redes Neuronales aplicadas
a distintos temas y con diferentes tipos de redes para manejar de
mejor manera la temtica y poder dominar las redes conjuntamente.
Se deber mejorar el uso de los Software relacionados y su interfaz,
quiz por ser gratuito es de difcil uso.

REFERENCIAS
[1] Martn del Brio, B., & Sanz Molina, A. (Octubre de 2006). Redes neuronales
y sistemas borrosos. Zaragoza, Espaa: RA-MA.

[2] Ivan Martnez Ortiz, Introduccin a la Redes Neuronales, Universidad
Complutense de Madrid, Facultad de Informtica

TCNICAS MODERNAS EN AUTOMTICA, PRIMER SEMESTRE 2013

5
[3] White, H. (1988). Economic Prediction using Neural Networks: The case of
IBM Daily Stock Returns.

[4] Lamothe, Prosper; Garca, Pablo. (2004). La volatilidad implcita en las
opciones sobre ndices burstiles. Propuesta de Metodologa de Estimacin.

[5] Wikipedia.

[6] Redes Neuronales Artificiales, Universidad Nacional de Colombia. (2012).