Estimación de tendencia bursátil a corto plazo mediante técnicas de Soft-Computing. Aplicación práctica sobre valores del IBEX 35

  • A. Peralta Departamento de Tecnologías y Sistemas de la Información, Universidad de Castilla La Mancha, España
  • R. Rejas Facultad de Derecho y Economía, Universidad Camilo José Cela, España
Palabras clave: Predicción bursátil, Detección de tendencia, Estimación de comportamientos, Reconocimiento de patrones, Clustering

Resumen

La predicción de comportamientos bursátiles es sin duda el principal problema al que suele enfrentarse todo inversor del mercado de valores. Sin embargo, prever el comportamiento de un mercado tan fluctuante como el determinado por el conjunto de Valores que cotizan en el IBEX 35, donde multitud de factores pueden influir en él, supone todo un reto.

Actualmente son multitud los métodos, modelos y herramientas que tratan de ayudar a conseguirlo. No obstante, la mayoría de ellos realizan sus estimaciones únicamente en base a datos de comportamientos previos, por lo que la aparición de sucesos imprevistos, suelen hacer inservible cualquier estimación inicial al poco tiempo.

Ante este tipo de problemas, el uso de técnicas de Soft-Computing, debido a su capacidad para trabajar con datos imprecisos e incompletos, supone una herramienta polivalente en multitud de entornos. Por este motivo, en el presente trabajo se propone un modelo basado en su uso, como herramienta de ayuda para la previsión de comportamientos bursátiles.

Descargas

La descarga de datos todavía no está disponible.

Referencias

[1] P. M. Alexander, J. J. Van Loggerenber, : “The repertory grid: discovering a 50-yearold research technique”. Proceedings of SAICSIT, pp 192–199, 2005.

[2] T. Anbalagan, Uma S. «Classification and Prediction of Stock Market Index Based on Fuzzy Metagraph». Procedia Computer Science, nº 47, pp 214-221, 2015.

[3] Anish C. M., Babita M. «Hybrid nonlinear adaptive scheme for stock market prediction using feedback FLANN and factor analysis». Journal of the Korean Statistical Society, nº 45, pp 64-76, 2015.

[4] G. Armando. !A hybrid genetic-neural architecture for stock indexes forecas¬ting”. Information Sciences, Vol. 170. Pg. 3-33, 2005.

[5] Chavarnakul T., Enke D. “Intelligent technical analysis based equivolume charting for stock trading using neural networks”. Expert Systems with Applications, nº34, pp. 1004-1017, 2008.

[6] Chavent M., Lechevallier Y., Olivier B. “DIVCLUS-T: A monothetic divisive hierarchical clustering method”. Comput. Stat. Data Anal, pp 687-701. DOI=10.1016/j.csda.2007.03.01, 2007.

[7] Díaz-Hermida F., Bugarín A. “Semi-fuzzy Quantifiers as a Tool for Building Linguistic Summaries of Data Patterns”. IEEE Symposium on Foundations of Computational Intelligence, pp 45-52, 2011.

[8] Evansa C., Pappasa K., Xhafab F. “Utilizing artificial neural networks and genetic algorithms to build an algo-trading model for intra-day foreign exchange speculation”. Mathematical and Computer Modelling, nº58, pp. 1249–1266, 2013.

[9] Grubbs, F. “Procedures for Detecting Outlying Observations in Samples”. Technometrics, V.11, N.1, pp 1-21, 1969.

[10] Kacprzyk J. “Computing With Words Is An Implementable Paradigm: Fuzzy Queries, Linguistic Data Summaries, and Natural-Language Generation”. IEEE Trans. Fuzzy Systems, nº 18, pp. 451-472, 2010.

[11] Karen E. “Automatic extraction and identification of chart patterns towards financial forecast”. Applied Soft Computing, nº 7, pp. 1197–1208, 2007.

[12] Korenius T, Laurikkala J., Järvelin K., and Juhola M. “Stemming and lemmatization in the clustering of finish text documents” in CIKM ’04: Proceedings of the thirteenth ACM international conference on Information and knowledge management. New York, NY, USA: ACM, pp. 625–633, 2004.

[13] Korfhage R. R. “Information storage and retrieval”. John Wiley & Sons, Inc.

[14] Lam M. (2004): “Neural network techniques for financial performance prediction: integrating fundamental and technical analysis”. Decision Support Systems, nº 37, pp. 567–581, 1997.

[15] Li D., Edwards E. “Automatic Estimation of Dixon’s Test for Extreme Values Using a SAS Macro Driven Program”. PharmaSug, Toronto, 2001.

[16] Mabua S., Hirasawab K., Obayashia M., Kuremotoa T. “Enhanced decision making mechanism of rule-based genetic network programming for creating stock trading signals”. Expert Systems with Applications, nº 40, pp. 6311–6320, 2013.

[17] Madrigal J. A. “Invertir en bolsa con sentido común”. Anaya Multimedia. ISBN: 9788441537194, 2015.

[18] Matsumoto, S., Kamei, Y., Monden, A., Matsumoto, K. “Comparison of Outlier Detection Methods in Faultproneness Models”. Proceedings of the First international Symposium on Empirical Software Engineering and Measurement ESEM. IEEE Computer Society, Washington, USA, 2007.

[19] Nayal S. C., Misra B. B., Behera H. S. «Artificial chemical reaction optimization of neural networks for efficient prediction of stock market indices». Ain Shams Engineering Journal, in press, 2015.
Olivas J.A. “Contribución al Estudio Experimental de la Predicción basada en Categorías Deformables Borrosas”, Universidad de Castilla La Mancha, España. Tesis Doctoral, 2000.

[20] Oliveira F. A. “Applying Artificial Neural Networks to prediction of stock price and improvement of the directional prediction index – Case study of PETR4”. Expert Systems with Applications, nº 40, pp. 7596–7606, 2014.

[21] Peralta A., Romero F. P., Polo M., Olivas J. A. “Knowledge extraction of the behaviour of software developers by the analysis of time recording logs”. FUZZIEEE. pp. 1-8, 2010.

[22] Quilan, J.R. “Induction of decision trees”. Machine Learning 1, nº 81-106, 1986.

[23] Rodríguez-González A., García-Crespo A, et al. “CAST: Using neural networks to improve trading systems based on technical analysis by means of the RSI financial indicator”. Expert Systems with Applications. Elsevier, 2011.

[24] Romero F. P., Peralta A., Soto A., Olivas J. A., Serrano-Guerrero J. “Fuzzy optimized self-organizing maps and their application to document clustering”, Soft- Computing. DOI 10.1007/s00500-009-0468-3, Springer, 2009.

[25] Rousseeuw P., Leroy A.: “Robust Regression and Outlier Detection”. John Wiley & Sons. New York, USA, 1996.

[26] Svalina I., Galzina V., et al. “An adaptive network-based fuzzy inference system (ANFIS) for the forecasting: The case of close price indices”. Expert Systems with Applications, nº 40, pp. 6055–6063, 2013.

[27] Wang L., Wang Z., Zhao S., Tan S. «Stock market trend prediction using dynamical Bayesian factor graph». Expert Systems with Applications, nº 42, pp 6267-6275, 2015.

[28] Zadeh, L. A. “A note on prototype set theory and fuzzy sets”. Cognition, nº 12, pp. 291- 297, 1982.

[29] Zhanga W-G., Xiaob W-L., Konga W-T, Zhang Y. “Fuzzy pricing of geometric Asian options and its algorithm”. Applied Soft Computing, nº 28, pp. 360–367, 2015.
Publicado
2016-06-30
Cómo citar
Peralta, A., & Rejas, R. (2016). Estimación de tendencia bursátil a corto plazo mediante técnicas de Soft-Computing. Aplicación práctica sobre valores del IBEX 35. Revista CINTEX, 21(1), 113-135. Recuperado a partir de https://revistas.pascualbravo.edu.co/index.php/cintex/article/view/12
Sección
ARTÍCULOS DE INVESTIGACIÓN / RESEARCH PAPERS