Pronóstico del tipo de cambio empleando algoritmos de aprendizaje profundo: el caso del dólar de Estados Unidos (USD) respecto al peso mexicano (MXN)

Alfredo Yasberht Pérez-Frías, Ana Lorena Jiménez-Preciado, Salvador Cruz-Aké

Resumen


Se presenta un análisis del pronóstico el tipo de cambio peso mexicano/dólar estadounidense (MXN/USD) utilizando datos diarios. Desarrollamos tres modelos para el pronóstico: 1) Redes Neuronales Recurrentes con Memoria a Largo Corto Plazo (LSTM), correspondiente a una especificación de aprendizaje profundo, 2) un algoritmo Random Forest (RF) (aprendizaje automático), y 3) un Modelo Autoregresivo de media móvil integrada (ARIMA) como referencia. La principal contribución de este trabajo es mostrar que una Red Neuronal Recurrente del tipo LSTM predice con un mínimo margen de error el tipo de cambio MXN/USD incluso bajo alta volatilidad (incluyendo efectos del COVID-19). Estos resultados permiten a los agentes económicos, que quieren arbitrar y cubrir, tener un método de selección más robusto y con mayor poder predictivo.

Palabras clave


Tipo de cambio; Machine Learning; Deep Learning; Forecasting

Texto completo:

PDF

Referencias


Ao, Y., Li, H., Zhu, L., Ali, S., & Yang, Z. (2019). The linear random forest algorithm and its advantages in machine learning assisted logging regression modeling. Journal of Petroleum Science and Engineering, 174, 776-789. doi:10.1016/j.petrol.2018.11.067

Bhagya, R., & Dash, G. (2020). Comprehensive study on applications of artificial neural network in food process modeling. Critical Reviews in Food Science and Nutrition, 1-28. doi:doi.org/10.1080/10408398.2020.1858398

BIS. (2019). Triennial Central Bank Survey. Foreign exchange turnover in April 2019. Basel: Bank for International Settlements.

Bonet, I., Sain, S., Rodríguez, A., & Grau, R. G. (2007). Redes Neuronales Recurrentes para el análisis de secuencias. Revista Cubana de Ciencias Informáticas, 1(4), 48-57.

Box, G. E., & Jenkins, G. M. (1970). Time Series Analysis Forecasting. San Francisco: Holden-Day.

Contreras, A., Llanes, A., Pérez-Bernabeu, A., Navarro, S., Pérez-Sánchez, H., López-Espín, J., & Cecilia, J. (2018). ENMX: An elastic network model to predict the FOREX market evolution. Simulation Modelling Practice and Theory, 86, 1-10. doi:10.1016/j.simpat.2018.04.008

Dash, R. (2020). Performance analysis of an evolutionary recurrent Legendre Polynomial Neural Network in application to FOREX prediction. Journal of King Saud University - Computer and Information Sciences, 32(9), 1000-1011. doi:10.1016/j.jksuci.2017.12.010

Esmaiel, A., Shahrazi, M., & Rasekhi, S. (2012). An investigation of Forex market efficiency based on detrended fluctuation analysis: A case study for Iran. Physica A: Statistical Mechanics and its Applications, 391(11), 3170-3179. doi:10.1016/j.physa.2011.12.045

Janiesch, C., Zschech, P., & Heinrich, K. (2021). Machine learning and deep learning. Electron Markets, 1-11. doi:10.1007/s12525-021-00475-2

Jubert, B., Neves, R., & Horta, N. (2018). Combining Support Vector Machine with Genetic Algorithms to optimize investments in Forex markets with high leverage. Applied Soft Computing, 64, 596-613. doi:10.1016/j.asoc.2017.12.047

Labañino, S., Valencia, H., & Toledano, O. (2019). Algoritmo Random Forest para la detección de fallos en redes de computadoras. Serie Científica de la Universidad de las Ciencias Informáticas, 12(8), 27-41.

Lee, V., & Wong, H. T. (2007). A multivariate neuro-fuzzy system for foreign currency risk management decision making. Neurocomputing, 70(4-6), 942-951. doi:10.1016/j.neucom.2006.10.025

Martín, B., & Sanz, A. (2006). Redes Neuronales y Sistemas Borrosos (3ra ed.). Madrid: Alfaomega.

Martínez, V., & Tse, Y. (2018). Intraday price discovery analysis in the foreign exchange market of an emerging economy: Mexico. Research in International Business and Finance, 45, 271-284. doi:10.1016/j.ribaf.2017.07.159

Mechelli, A., & Vieira, S. (2019). Machine Learning: Methods and Applications to Brain Disorders (Primera ed.). España: Academic Press.

Medina, F., & Ñique, C. (2017). Bosques aleatorios como extensión de los árboles de clasificación con los programas R y Python. Interfases(10), 165-189. doi:10.26439/interfases2017.n10.1775

Ni, L., Li, Y., Wang, X., Zhang, J., Yu, J., & Qi, C. (2019). Forecasting of Forex Time Series Data Based on Deep Learning. Procedia Computer Science, 147, 647-652. doi:10.1016/j.procs.2019.01.189

Rojas, C., & Herman, M. (2018). Foreign exchange forecasting via machine learning. Obtenido de http://cs229.stanford.edu/proj2018/report/76.pdf

Sánchez, N. (2015). Máquinas de soporte vectorial y redes neuronales artificiales en la predicción del movimiento USD/COP spot intradiario. Observatorio de Economía y Operaciones Numéricas, 9, 113-172. doi:10.18601/17941113.n9.04

Sandoval, L. (2018). Algoritmos de aprendizaje automático para análisis y predicción de datos. Revista Tecnológica, 36-40.

Villada, F., Muñoz, N., & García, E. (2012). Aplicación de las Redes Neuronales al Pronóstico de Precios en el Mercado de Valores. Información tecnológica, 23(4), 11-20. doi:10.4067/S0718-07642012000400003


Enlaces refback

  • No hay ningún enlace refback.




Copyright (c) 2022 Alfredo Yasberht Pérez-Frías, Ana Lorena Jiménez-Preciado, Salvador Cruz-Aké

Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internacional.

  

Revista de Investigación en Ciencias Contables y Administrativas , Volumen V, Número 2, enero-julio de 2020, es una publicación semestral en formato electrónico, editada por la  Universidad Michoacana de San Nicolás de Hidalgo a través de la  Facultad de Contaduría y Ciencias Administrativas , Av. Gral. Francisco J. Múgica S/N, Ciudad Universitaria, Edificio AII, Morelia, Michoacán, México, Tel. y Fax (443) 3-16-74-11, C.P. 58030,  ricca@umich.mx http://ricca.umich.mx. Editor de la revista: Dr. Oscar De la Torre. Reserva de Derechos al Uso Exclusivo ID: 04-2019-061212154000-203, otorgado por INDAUTOR, ISSN: 2448-606X

Última actualización del sitio: 14 de septiembre del 2020

  
Licencia Creative Commons
Revista de investigación en Ciencias Contables y Administrativas por Universidad Michoacana de San Nicolás de Hidalgo se distribuye bajo una Licencia Creative Commons Atribución-NoComercial 4.0 Internacional.
Basada en una obra en http://ricca.umich.mx/index.php/ricca.
Permisos más allá del alcance de esta licencia pueden estar disponibles en http://ricca.umich.mx/index.php/ricca/about/submissions#copyrightNotice.