Facultad de Ciencias Económicas

Redes Neuronales Artificiales en las Ciencias Económicas

Imagen tomada de: https://www.iartificial.net/redes-neuronales-desde-cero-i-introduccion/
, , , ,

El propósito de este proyecto de estudio es proporcionar un acercamiento teórico a los Sistemas de Redes Neuronales Artificiales, así como a los software en los que se pueden realizar estás implementaciones y mostrar la manera en que esta puede constituirse como una metodología para el ajuste en series de tiempo económicas. Con el fin de contrastar los resultados obtenidos, se ajusta un modelo ARIMA, que corresponde a una de las metodologías convencionalmente utilizadas en la ciencia económica.

Marco teórico y revisión de la literatura.

Las Redes Neuronales Artificiales (RNA) buscan reproducir algunas de las capacidades del cerebro imitando su estructura neuronal mediante un estilo de computación paralelo, distribuido y adaptativo, capaz de aprender a partir de ejemplos. El estudio de RNA puede orientarse en 2 formas: Modelos del sistema nervioso y los fenómenos cognitivos o herramientas para la resolución de problemas prácticos, éste segundo enfoque es el que se desarrolla en este texto.

Entre las características que se deben definir al determinar la arquitectura de la Red Neuronal que se está creando se debe tener en cuenta: Tipos de capas, conexión, cantidad de capas, flujo de datos, dinámicas de actualización de estado. Este proceso tiene dos fases que se muestran a continuación:

Fase de aprendizaje: Es el proceso de ajuste de parámetros libres de la red a partir de un proceso de estimulación por el entorno que rodea a la red. El tipo de aprendizaje se determina por la forma en la que dos parámetros son adaptados. 

Fase de recuerdo o ejecución: Generalmente, luego del aprendizaje, los pesos y la estructura quedan fijos, la red neuronal está lista para procesar datos. 

Descripción de modelos ARIMA

Los modelos autorregresivos e integrados de promedios móviles (ARIMA) surgen de la posibilidad de que un cierto tipo de no estacionariedad mostrado por algunas series de tiempo, puede representarse mediante la simple toma sucesiva de diferencias de la serie original. En general, se hace uso de operadores y polinomios de retraso para retrasar una variable en k periodos. Los modelos autorregresivos e integrados de promedios móviles (ARIMA) surgen de la posibilidad de que un cierto tipo de no estacionariedad mostrado por algunas series de tiempo, puede representarse mediante la simple toma sucesiva de diferencias de la serie original. En general, se hace uso de operadores y polinomios de retraso para retrasar una variable en k periodos. 

Descripción de la TRM 

La Tasa Representativa del mercado (TRM) es el promedio aritmético simple de las tasas ponderadas de las operaciones de compra y de venta de divisas y por ello se puede ver como una representación del tipo de cambio, el tipo de cambio es la tasa o relación de proporción que existe entre dos divisas (Dólar y Peso Colombiano en esta investigación). 

METODOLOGÍA 

La metodología implementada en esta investigación comenzó con una revisión teórica de las Redes Neuronales Artificiales y los Modelos ARIMA, después se realizó una búsqueda de los Softwares en los que se pueden implementar Redes Neuronales Artificiales y la pertinencia de ellos en la UIFCE, posteriormente se desarrolló una aplicación de Redes Neuronales Autorregresivas para la TRM, así como del modelo ARIMA en el Software R-Project y finalmente, se realizó una análisis de los resultados. 

RESULTADOS 

Softwares en los que se puede implementar Redes Neuronales Artificiales son:

  1. MATLAB
  2. Neuronal Tools para EXCEL
  3. R-Project
  4. Sharky Neural Network 0.9 Beta
  5. Sharky Neural Network 0.9 Beta

Aplicación de Redes Neuronales

Implementación en R-Project: En el software R-Project se instala el paquete “ARNN PACKAGE” Este paquete crea Redes Neuronales Autorregresivas y Redes Neuronales Perceptrón Multicapa, el paquete crea una Red Neuronal feed-forward autorregresiva con una capa de entrada, un nodo para cada retraso, una capa oculta con nodos H y una capa de salida con un nodo, estos nodos se activan con la función sigmoidea y el nodo de salida se activa con la función g(u)=u . En R-Project se crea la siguiente forma:

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

Aplicación de modelos ARIMA 

Desarrollo de modelos ARIMA en R-Project.

Para estimar el modelo ARIMA se utiliza el siguiente comando en R-Project:

modeL=arima(ltrm,order=c(p,1,q))

Y se desarrollan los test de Akaike (Aic), Bayesiano (Bic) y Hannan-Quinn (Hq) para determinar el tipo de modelo que mejor se ajusta a la serie de tiempo que se está trabajando. 

Resultados de aplicación de modelos ARIMA en R-Project 

Los modelos que mejor se ajustaban con los criterios explicados anteriormente eran un ARIMA (2,1,0) y un ARIMA (2,1,3), que arrojaron los siguientes resultados:

El modelo ARIMA(2,1,0) es el que mejor se ajusta al evaluar los supuestos explicados en el

marco teórico. 

CONCLUSIONES Y DISCUSIÓN

  1. Los modelos ARIMA parecen dar como pronóstico una línea recta, esto se debe a que la variación en los pronósticos es muy pequeña y tienden a estar alrededor de la media de la serie.
  2. La Red Neuronal Autorregresiva simula mejor que los modelos ARIMA la volatilidad que tiene la TRM a lo largo del tiempo, a pesar de que los pronósticos que genera no son correctos, se percibe que con un desarrollo más riguroso de este paquete o de otro paquete u otro software se puede llegar a construir una arquitectura de Red Neuronal con la que se logren los pronósticos deseados.
  3. Un aspecto negativo de las Redes Neuronales es que funcionan como una caja negra en la que si fallan no muestran el motivo del error y, por lo tanto, se debe entrenar la Red con nuevas características tantas veces como sea necesario hasta llegar al resultado que se espera. 
  4. Queda claro que el trabajo con Redes Neuronales Artificiales es muy importante para las Ciencias Económicas por sus características de cálculo en paralelo, memoria distribuida y adaptabilidad; y sus desarrollos deben comenzar a enfocarse en diversas problemáticas hasta que se domine este tema, lo que le dará una ventaja a la Universidad Nacional sobre las demás Universidades y le permitirá estar trabajando de cerca algunos de los temas que son investigados por el Banco de la República. 

_________________________________________________________________________

Créditos y referencias

Bibliografía



Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *