Podding y Rehkugler (1995) indican que en las dos décadas pasadas, muchos cambios
importantes han tenido lugar en el área de finanzas. La liberalización de los mercados
financieros, el desarrollo en las comunicaciones y las facilidades para hacer las
transacciones por parte de los inversionistas han ampliado enormemente su espectro de posibilidades.
Lo anterior ha motivado a muchos investigadores a trabajar en temas financieros, lo que ha dado lugar a que la teoría tradicional del mercado de capitales haya evolucionado y con ella los métodos de análisis financiero también se hayan vuelto cada vez más sofisticados.
Producto de estas investigaciones se ha logrado describir parcialmente el comportamiento de los mercados, así como sus principales características. Una de
estas características, es la existencia de no linealidad de los movimientos en los
mercados financieros, la cual ha sido enfatizada por numerosos investigadores y
analistas financieros en los últimos años.
Es por esto que se ha vuelto necesaria una nueva manera de hacer análisis financiero
la de algoritmos genéticos proponen interesantes herramientas para abordar este tipo de problemas.
Las investigaciones realizadas muestran que las redes neuronales han reaccionado eficientemente a la inserción de nuevos datos, es decir, son capaces de “aprender” y
reconocer diferentes características del conjunto de entrenamiento. En cuanto a la
elección del tamaño, la elección de los parámetros iniciales y el conjunto de datos de
entrenamiento, esto queda a la experiencia del programador quien juega un papel
básico en el análisis y quien debe tener un conocimiento especializado en temas
financieros, de esta forma los resultados obtenidos podrán ser interpretados de
manera correcta.
3.2.2.1. Redes neuronales
De acuerdo a Martín del Brío y Sanz (1997), las redes neuronales artificiales (RNA) “son
sistemas de procesamiento que copian esquemáticamente la estructura neuronal del
cerebro para tratar de reproducir sus capacidades”. En consecuencia, son una clase de
modelos no lineales flexibles que se caracterizan por ser sistemas paralelos9,
distribuidos10 y adaptativos11, todo lo cual se traduce en un mejor rendimiento y en
una mayor velocidad de procesamiento.
Según Parisi (2006), “La literatura sugiere que las redes neuronales poseen varias
ventajas potenciales sobre los métodos estadísticos tradicionales, destacándose el que
éstas pueden ser aproximadoras de funciones universales aún para funciones no
lineales (Hornik et al., 1989), lo que significa que ellas pueden aproximar
automáticamente cualquier forma funcional (lineal o no lineal), que mejor caracterice los datos, permitiéndole a la red extraer más señales a partir de formas funcionales subyacentes complejas (Hill et al., 1994)”.
9Cuentan con una gran cantidad de neuronas o procesadores elementales (PEs), cada uno de los cuales
trabaja paralelamente con una pequeña parte de un problema mayor.
10 Cuentan con muchas neuronas a través de las cuales distribuyen su memoria.
11Tienen la capacidad de adaptarse al entorno modificando sus pesos y sinapsis de manera de encontrar
Recordemos que varios investigadores han encontrado que, en general, los mercados financieros se comportan de una forma no lineal (Bosarge, 1993), cuestión que ha favorecido el empleo de modelos de redes neuronales.
Como se ha podido evidenciar, se pueden encontrar aplicaciones de las RNA en el área
financiera de naturaleza muy diversa, Del Carpio (2005) señala algunas de ellas: en la
administración de portafolios de inversión, la evaluación de acciones y bonos, las
estrategias de cobertura y arbitraje, el análisis de la volatilidad y correlación y la
predicción de los precios de las acciones, bonos, tasas de interés y de cambio entre
otros.
También esquematiza la forma de usar los diferentes tipos de información:
a. Información directamente relacionada con la variable de salida (en el mercado
seleccionado).
b. Información resultante de las operaciones relacionadas con la variable de salida.
c. Información que depende de los componentes fundamentales.
Figura 5. Esquema de una Red Neuronal Artificial aplicada a finanzas
Fuente. Del Carpio (2005).Variables de entrada de una Red Neuronal Artificial para
pronósticos financieros.
3.2.2.2. Algoritmos genéticos
Parisi (2006) define: “Los algoritmos genéticos consisten en una función matemática o
una rutina que simula el proceso evolutivo de las especies, teniendo como objetivo
Así, un algoritmo genético recibe como entrada una generación de posibles soluciones para el problema en cuestión, y arroja como salida los especímenes más aptos por generación (es decir, las mejores soluciones), para que estos se reproduzcan y generen mejores descendientes, los que a su vez deberían tener características superiores que
las generaciones pasadas.
Figura 6. Esquema de un algoritmo genético
Fuente: Parisi (2006). En este cuadro el cromosoma A representa a un padre, individuo o modelo, cuyas
variables explicativas corresponden a 4 rezagos del error y a 4 rezagos de DJI. El cromosoma B representa
un modelo cuyas variables explicativas corresponden a 4 rezagos de la variable independiente. Cada hijo
toma una porción de los genes de sus padres, de acuerdo al operador de cruce doble. Con una
probabilidad del 8.33% algunos genes de los hijos mutarán para dar paso a potenciales soluciones no
cubiertas en la selección aleatoria de la primera generación y sus sucesivas descendencias. Ventaja
Kim y Han (2000), mostraron que los algoritmos genéticos pueden ser usados para reducir la complejidad y eliminar factores irrelevantes, lo que resultó mejor que los métodos convencionales para predecir un índice de precios.
Desventaja
Por otra parte, Feldman y Treleaven (1994) señalaron que la mayor desventaja de los algoritmos genéticos es la dificultad que presentan para escoger una técnica de codificación manejable, y para determinar el tipo de selección y las probabilidades de