Redes neuronales aplicados a procesos estocásticos

Abstract

El análisis de series temporales ha pasado a ocupar un lugar central en el estudio del comportamiento de las variables correspondientes a eventos: Biológicos, Medio ambiente, Finanzas, Empresariales, Medicina, los cuales permitirán planificar con un mayor grado de confiabilidad las actividades relativas a dichos eventos. En las ultimas décadas hemos podido asistir a la aparición de modelos y métodos estadısticos de gran importancia tales como los modelos ARIMA(p, d, q), modelos de transferencia y los modelos de regresión dinamicos de Koyck y Almon, dichos modelos están orientados al trabajo con datos provenientes de series temporales. El presente trabajo esta orientado a incorporar el modelo de redes neuronales artificiales como una herramienta mas para el estudio de datos provenientes de series temporales. La idea consiste en asociar una serie temporal a un conjunto de entrenamiento y valores deseados de forma que la red neuronal aprenda a reconocer esta sucesión temporal mediante un proceso de entrenamiento. Se disponen de n-observaciones, si bien se pueden asociar (n-1) observaciones para el vector de entrenamiento (y1, y2, . . . , yn−1), en el proceso de pruebas se verifico que tres observaciones antecedentes (yi−3, yi−2, yi−1) a una consecuente yi es un criterio optimo para que la red neuronal pueda ajustar la serie temporal con un error cuadrático mınimo. Se dispone del criterio de asociación de la información, pero no obstante la arquitectura de la red neuronal para toda sucesión temporal es independiente, se deben realizar una serie de entrenamientos hasta encontrar el error cuadrático mınimo, entonces dicha arquitectura de red corresponderá a la serie estudiada. Temáticas de investigación relacionadas con el presente trabajo son relativas a: redes neuronales, procesos estocásticos y series temporales.