Resumen

En los últimos años, la previsión de la dinámica de los mercados financieros ha sido objeto de investigación económica. Para predecir los índices de precios de los mercados bursátiles, desarrollamos una arquitectura que combina redes neuronales recurrentes de Elman con una función efectiva de tiempo estocástica. Analizando el modelo propuesto con los métodos de análisis de regresión lineal, distancia invariante de complejidad (CID) y CID multiescala (MCID) y comparando el modelo con diferentes modelos como la red neuronal de retropropagación (BPNN), la red neuronal efectiva en el tiempo estocástico (STNN) y la red neuronal recurrente de Elman (ERNN), los resultados empíricos muestran que la red neuronal propuesta muestra el mejor rendimiento entre estas redes neuronales en la previsión de series temporales financieras. Además, la investigación empírica se lleva a cabo para probar los efectos de predicción de SSE, TWSE, KOSPI y Nikkei225 con el modelo establecido, y también se exhiben las correspondientes comparaciones estadísticas de los índices de mercado mencionados. Los resultados experimentales muestran que este enfoque ofrece un buen rendimiento en la predicción de los valores de los índices bursátiles.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:red neuronal, elman recurrente, mercado de valores, tiempo estocástico, visualización de la red neuronal, comparación estadística correspondiente, efectos de la sse, previsión dinámica del mercado, previsión de series temporales, dinámica del mercado financiero
• Keywords:neural network, elman recurrent, stock market, stochastic time, neural network display, corresponding statistical comparison, effects of sse, market dynamic forecasting, time series forecasting, financial market dynamic