Versión de HTML Básico
A Review of Artificial Neural Networks: How Well Do They Perform in Forecasting Time Series?
Analíti a
k
6
Revista de Análisis Estadístico
Journal of Statistical Analysis
A R
EVIEW OF
A
RTIFICIAL
N
EURAL
N
ETWORKS
: H
OW
W
ELL
D
O
T
HEY
P
ERFORM IN
F
ORECASTING
T
IME
S
ERIES
?
U
NA REVISIÓN DE LAS
R
EDES
N
EURONALES
A
RTIFICIALES
:
¿C
UÁN BIEN REALIZAN EL PRONÓSTICO DE SERIES
TEMPORALES
?
Elsy Gómez-Ramos
†
y Francisco Venegas-Martínez
‡
Escuela Superior de Economía, Instituto Politécnico Nacional, D. F. México, México
†
elsygomez@msn.com
,
‡
fvenegas1111@yahoo.com.mx
Recibido:
11 de septiembre de 2012
Aceptado:
4 de junio de 2013
Abstract
At the beginning of the 90’s, Artificial Neural Networks (ANNs) started their applications in finance. The ANNs are
data-drive, self-adaptive and non-linear methods that do not require specific assumptions about the underlying model.
In general, there are five groups of networks used as forecasting tools: 1) Feedforward Networks, like the Multilayer
Perceptron (MLP), 2) Recurrent Networks, 3) Polynomial Networks, 4) Modular Networks, and 5) Support Vector Ma-
chine. This paper carries out a review of the specialized literature on ANNs and makes a comparative analysis according
to their performance in forecasting stock indices and exchange rates. The objective is to assess the performance when
applying different types of networks in relation to MLP. It is shown that the MLP is the best network in forecasting time
series. However, it is shown that the MLP has important delimitations in several respects: network architecture, basic
functions and initialization weights.
Keywords
: Artificial neural networks, Multilayer Perceptron, Forecasting time series.
Resumen
A principios de la década de los 90, las Redes Neuronales Artificiales (RNAs) comenzaron sus aplicaciones en finan-
zas. Las redes neuronales son dirigidas por datos, auto-adaptativas y los métodos no lineales que no requieren supuestos
específicos sobre el modelo subyacente. En general, hay cinco grupos de redes que se utilizan como herramientas de
pronóstico: 1) Redes Feedforward, como el perceptrón multicapa (MLP), 2) Redes recurrentes, 3) Redes polinómicas, 4)
Redes modulares, y 5) Apoyo Vector Machine. En este trabajo se realiza una revisión de la literatura especializada sobre
las RNA y hace un análisis comparativo de acuerdo a su desempeño en la predicción de índices bursátiles y tipos de
cambio. El objetivo es evaluar el rendimiento cuando la aplicación de diferentes tipos de redes en relación con la MLP. Se
muestra que la MLP es la mejor red en las series temporales de previsión. Sin embargo, está demostrado que la MLP tiene
delimitaciones importantes en varios aspectos: la arquitectura de red, las funciones básicas y los pesos de inicialización.
Palabras clave
: Las redes neuronales artificiales, Perceptrón multicapa, series de tiempo Forecasting.
Código JEL
: C45, C53, C22.
Analítika,
Revista de análisis estadístico
, 3 (2013), Vol. 6(2): 7-15
7