RNA's en el Análisis a Subyacentes de Divisas y Deuda Cotizadas en el MexDer

Abstract

El presente trabajo de investigación reporta un modelo para el pronóstico de la tendencia en los activos de divisas (dólar y euro) y dos de deuda (CETES y TIIE) utilizados en futuros cotizados en el Mercado Mexicano de Derivados (MexDer), aplicando el enfoque de Redes Neuronales Artificiales (RNA's). Una de las principales aportaciones sugiere que el modelo propuesto basado en Inteligencia Artificial hace aproximaciones con un error menor al 19%. Las topologías utilizadas para la comparación de datos son: Perceptron Multicapa y Redes recurrentes con series de tiempo, las cuales ofrecen la posibilidad de obtener aproximaciones dentro de un rango aceptable en el pronóstico en el área financiera, considerando que a mayor riesgo mayor ganancia. Como se mencionó con anterioridad, se evalúan 7 variables que representan las divisas: Dólar y Euro; los índices de deuda: TIIE a 28 y 91 días, los CETES a 28 y 91 días y se anexo la inflación debido a que es una de las variables macroeconómicas importantes. Debido a que se trata de predecir variables a corto, mediano y largo plazo en el tiempo, los datos de entrada para cada modelo de red toman en cuenta: la fecha actual, la inflación actual, el dólar actual como variable que representa al tipo cambiario y la fecha de predicción. Las RNA's fueron entrenadas con dato s históricos en donde las entradas consideran fechas a partir de 1969 y las salidas con datos históricos a partir del 2003. Los datos de las variables obtenidas serán comparados con datos reales de los años 2016, 2017 y 2018 y parte del 2019, para validar la RNA considerada óptima.

This research paper reports a model for forecasting the trend in the currency assets (dollar and euro) and two debt (CETES and TIIE) used in futures quoted in the Mexican Derivatives Market (MexDer), applying the approach of Artificial Neural Networks (RNA's). One of the main contributions suggests that the proposed model based on Artificial Intelligence makes approximations with an error lower than 19%. The topologies used for the comparison of data are: Perceptron Multilayer and Recurrent networks with time series, which offer the possibility of obtaining approximations within an acceptable range in the forecast in the financial area, considering that the greater the risk the greater the gain. As previously mentioned, 7 variables that represent currencies are evaluated: Dollar and Euro; the debt indices: TIIE at 28 and 91 days, the CETES at 28 and 91 days and inflation is added because it is one of the important macroeconomic variables. Because it is about predicting short, medium and long-term variables over time, the input data for each network model takes into account: the current date, current inflation, the current dollar as a variable representing the exchange rate and the prediction date. The RNAs were trained with historical data in which the entries consider dates from 1969 and the outputs with historical data from 2003. The data of the variables obtained will be compared with real data for the years 2016, 2017 and 2018 and part of the 2019, to validate the RNA considered optimal.