Neural networks for crisp and interval-valued data. Application to forecasting financial markets

Abstract

En este trabajo de fin de grado se realiza un profundo análisis de las redes neuronales con datos en intervalos.

En las redes neuronales hay varios parámetros que pueden ser modificados, siendo el número de neuronas en la capa oculta uno de los más importantes. Resulta de gran utilidad conocer el valor óptimo

En primer lugar, se incluye un capítulo en el cual se comentan las características generales de las redes neuronales artificiales. En segundo lugar, se estudia cómo funcionan los datos en intervalos y los tipos de errores de medida. También se comentan los principales mercados financieros y su análisis técnico.

Posteriormente, se recogen todos los resultados obtenidos tras realizar múltiples ejecuciones de diferentes pares de valores del mercado de divisas. Estos datos son muy diferentes entre sí, de forma que la red pueda ser probada bajo diferentes condiciones de funcionamiento; estos datos presentan diferentes tendencias. Con los resultados obtenidos, se comprueba la certeza de las predicciones usando diversas medidas de error, concluyendo cuál es el número óptimo de neuronas empleadas en cada caso.

A partir de los resultados obtenidos en el apartado anterior, he colaborado con mi director, Dr. Carlos Maté, en la redacción de un artículo El título es: "Forecasting exchange rates with the iMLP: new empirical insight on one multi-layer perceptron for interval time series (ITS)". Este artículo ha sido presentado a la revista Computational Economics (Edición especial "Machine Learning in Economics and Finance).

Por último, se ha realizado la programación de este código de red neuronal en intervalos en lenguaje Matlab. Para poder programar en Matlab un código desde C, se tiene que modificar la filosofía del programa, ya que son lenguajes de programación muy diferentes. Este código está formado por numerosas funciones que interactúan entre sí.

This end-of-grade work performs a thorough analysis of neural networks with interval-valued data.

In neural networks, there are several parameters that can be modified, with the number of neurons in the hidden layer being one of the most important ones. It would be very useful to know the optimal value of it.

First, a chapter is included in which the general characteristics of artificial neural networks are discussed. Second, it is studied how interval data works and what types of measurement errors there are. The main financial markets and their technical analysis are also discussed.

Subsequently, all the results obtained after multiple executions of different foreign exchange market pair values are collected. This data is very different from each other, so that the network can be tested under different operating conditions; this data presents a variety of trends. With the results obtained, the certainty of the predictions is checked using various error measures, concluding what is the optimal number of neurons in each case. From some of the results obtained in the previous section, I have collaborated with my director, Professor Carlos Maté, in the accomplishment of an article. The title is: “Forecasting exchange rates with the iMLP: new empirical insight on one multi-layer perceptron for interval time series (ITS)". This paper was submitted, to the journal Computational Economics (Special issue on \Machine Learning in Economics and Finance").

Finally, this neural network code has been programmed at intervals in the Matlab language. To be able to program a Matlab code from C, the philosophy of the program must be modified, since they are very different programming languages. This code consists of numerous functions that interact with each other.