Cálculo de predicciones no lineales en bases de datos de tipo intervalo. Aplicaciones a los mercados financieros

El análisis de datos se ha convertido en una herramienta fundamental para facilitar la toma de decisiones en los mercados financieros. Tradicionalmente, los modelos basados en datos clásicos representados por un único valor han sido los más utilizados en la elaboración de métodos para predecir la evolución de una variable en el tiempo. Sin embargo, los datos de intervalo permiten reflejar matices que los datos clásicos son incapaces de contemplar. En la actualidad, este tipo de datos se ha convertido en la esencia de los mercados financieros porque permiten analizar cambios en el precio de las acciones durante un determinado periodo de tiempo. Por otra parte, desde que Moore introdujo el análisis de intervalos, han aparecido numerosos métodos estadísticos (como los modelos de regresión no lineal) y basados en aprendizaje automático (como las redes neuronales artificiales) que permiten pronosticar la evolución de estos datos, dando lugar a las series temporales de intervalos. En este proyecto se compara la eficiencia del método de regresión no lineal para datos de intervalo, propuesto por Lima Neto y de Carvalho (2016), frente al iMLP (interval Multilayer Perceptron), elaborado por Muñoz San Roque et al. (2007) para facilitar el manejo de datos de intervalo con perceptrones multicapa. Los resultados y las medidas de error obtenidas confirman que el modelo de regresión no lineal es capaz de realizar mejores predicciones que el iMLP. Adicionalmente, en este proyecto se propone un sistema original, básico y visual para pronosticar la evolución del precio de activos financieros pertenecientes al mercado NASDAQ.

Data analysis has become a powerful tool to facilitate decision making in financial markets. Traditionally, models based on classical data represented by a single value have been widely used in the development of methods to predict the evolution of a variable over the time. However, interval can reflect nuances that classical data are unable to contemplate. Today, this type of data has become the essence of financial markets because they are useful to analyse changes in the value of equities during a certain period of time. On the other hand, since Moore introduced interval analysis, several methods from statistics (such as nonlinear regression models) and machine learning (such as artificial neural networks) have been proposed to forecast the evolution of these data, leading to the corresponding interval time series. This project compares the efficiency of the nonlinear regression method for interval data, proposed by Lima Neto and de Carvalho (2016), and the iMLP (interval Multilayer Perceptron), elaborated by Muñoz San Roque et al. (2007) to facilitate the management of interval data with multilayer perceptrons. The results and the error measures obtained confirm that the nonlinear regression model is capable of making better predictions than the iMLP. In addition, this project proposes an original, basic and visual system to forecast the evolution of the price of financial assets from the NASDAQ market.