Tesis profesional presentada por Alejandro Díaz Torres [adiazt81@hotmail.com]

Maestría en Ciencias de la Computación. Departamento de Computación, Electrónica y Mecatrónica. Escuela de Ingeniería, Universidad de las Américas Puebla.

Jurado Calificador

Presidente: Dr. Gibrán Etcheverry Doger
Secretario y Director: Dr. Roberto Rosas Romero
Vocal: Dr. Edgar Guevara Codina

Cholula, Puebla, México a 9 de diciembre de 2015.

Resumen

Una de las mayores preocupaciones de quienes toman decisiones gerenciales es el comportamiento futuro del mercado basándose en un modelo matemático representativo del proceso para generar pronósticos. Para análisis de series de tiempo se usan métodos que ayudan a interpretarlas extrayendo información sobre las relaciones de los datos de la serie o de varias series permitiendo extrapolar o interpolar los datos para predecir el comportamiento de la serie en momentos no observados (Ramírez, 2007).

Para este proyecto, presentamos la teoría,...

Palabras clave: Series de tiempo financieras, predictores artificiales financieros, representación esparsiva, aprendizaje de diccionarios sobre-redundantes, reconocimiento temporal de patrones..

Resumen (archivo pdf, 197 kb).

Índice de contenido

Índices (archivo pdf, 243 kb)

Capítulo 1. Introducción (archivo pdf, 190 kb)

  • 1.2 Antecedentes

Capítulo 2. Series de tiempo financieras y pronóstico de rendimientos futuros (archivo pdf, 487 kb)

  • 2.1 Representación esparsiva, aprendizaje de diccionarios, bases y reconstrucción de series de tiempo
  • 2.2 Aprendizaje de diccionarios sobre-redundantes

Capítulo 3. Modelos predictivos para series financieras de tiempo basados en la representación esparsiva (archivo pdf, 354 kb)

  • 3.1 Inicialización de diccionario y etapas de aprendizaje

Capítulo 4. Etapa de predicción de valores de ganancia de retorno (archivo pdf, 340 kb)

Capítulo 5. Resultados experimentales (archivo pdf, 1 mb)

  • 5.1 Resultados de predicción basada en representación esparsiva con diccionarios entrenados
  • 5.2 Resultados de predicción basada en representación esparsiva con diccionarios sin entrenamiento
  • 5.3 Comparación de modelo predictivo basado en diccionarios con entrenamiento vs. modelo basado en diccionarios sin entrenamiento

Capítulo 6. Conclusión (archivo pdf, 185 kb)

Referencias (archivo pdf, 298 kb)

Díaz Torres, A. 2015. Modelos predictivos basados en representación esparsiva de valores de retorno de acciones en la bolsa de valores de Estados Unidos. Tesis Maestría. Ciencias de la Computación. Departamento de Computación, Electrónica y Mecatrónica, Escuela de Ingeniería, Universidad de las Américas Puebla. Diciembre. Derechos Reservados © 2015.