Instituto Tecnolgico de Orizaba Uso de sistemas inteligentes como apoyo al proceso de toma de decisiones en inversiones financieras

Dr. Hilarin Muoz Contreras Instituto Tecnolgico de Orizaba. Divisin de estudios de posgrado e investigacin MIA. Lilia Elvira Lpez Venegas Instituto Tecnolgico de Orizaba. Departamento Econmico-administrativas

rea de participacin: Sistemas y computacionales Resumen Los cambios constantes en todos los mbitos del mundo moderno aumentan la incertidumbre y el riesgo. Los modelos matemticos clsicos booleanos que no suelen adaptarse a ese ambiente cambiante son de poca ayuda para gestionar la incertidumbre y el riesgo; para superar esta

situacin surge la necesidad de nuevas herramientas, nuevos modelos que apoyen el proceso de decisin en ese ambiente para dar mayor eficacia y mejores resultados al proceso de decisin. Este trabajo realiza una aplicacin de sistemas inteligentes con la finalidad de valorar la ayuda que puedan aportar al proceso de toma de decisiones en finanzas, y especialmente en el campo burstil gracias a la caracterstica de flexibilidad que poseen estas herramientas o modelos inteligentes. Para el desarrollo de la investigacin se exponen los fundamentos de sistemas inteligentes ms comunes como son lgica difusa y redes neuronales, se hace una implementacin utilizando las teoras anteriores y se aplican un ejemplo en el campo burstil, comportamiento inteligente. Asimismo, con esta investigacin se busca dotar al inversor de una nueva herramienta que le sirva de apoyo para mejorar los resultados de sus decisiones en el mbito de incertidumbre y riesgo. donde se busca predecir el

del ndice burstil teniendo como base los datos que alimentan al sistema

Palabras clave: lgica difusa, redes neuronales, lgica booleana, hipercubo, memrias asociativas, fuzzificar.

Marco terico Sistemas difusos La teora de lgica difusa introduce la teora multivalor como puntos en el hipercubo I = [0,1] . en el cubo nos interesa la distancia entre puntos. Esto introduce la medida y borrosidad de un
Orizaba, Veracruz 47
n n

Instituto Tecnolgico de Orizaba

conjunto borroso y ms fundamentalmente, medir en qu cantidad un conjunto borroso es subconjunto de otro conjunto borroso. Esta teora interior del cubo directamente se extiende para el caso continuo desde el espacio X es un subconjunto de R o, en general, donde X es un subconjunto del producto de espacios reales o complejos. el siguiente paso considera las relaciones entre cubos borrosos. Este nivel de abstraccin nos lleva a razonar con conjuntos en lugar de preposiciones. Este enfoque explora la borrosidad como un alternativa a la aleatoriedad para describir y gestionar la incertidumbre. Un conjunto borroso define un punto en un cubo. Un sistema borroso, una relacin entre cubos. Un sistema borrosos S relaciona conjuntos borrosos con conjuntos borrosos. As pues, un sistema borroso S es una transformacin del dominio, o el universo input, X= {x1,.,xn }. I encasilla todos los conjuntos borrosos del rango, o universo de output, Y={y1,yn}. X ,Y pueden tambin denotar subconjuntos de R y R . Entonces los conjuntos borrosos F(2 ) y F(2 ) reemplaza a I y a I .
n p x y n p p n

Y as entendemos la definicin de un sistema borroso para conceder productos arbitrarios de espacios matemticos arbitrarios y sirvan como dominio del rango de los conjuntos borrosos. Dado este principio, es posible fuzzificar un dominio del

razonamiento matemtico basado en la teora de conjuntos difusos. Donde el cambio fundamental es reemplazar el concepto preciso que tiene una variable, un valor con concepto borroso por un grado de pertenencia para cada valor posible. La idea clave es un mximo de pares mnimos.

Los sistemas S: I I que relacionan grupos de conjuntos difusos en I a grupos de conjuntos borrosos en I , los cuales se comportan como memorias asociativas y acercan los inputs a los outputs ms prximos.
p

Orizaba, Veracruz

48

Instituto Tecnolgico de Orizaba

Esta memoria asociativa borrosa ms simple codifica la regla o asociacin (Ai,Bi), la cual asocia el conjunto borroso p-dimensional Bi como el conjunto borroso ndimensional Ai. Esas memorias
n

asociativas,

esencialmente relacionan un grupo en I a un grupo Ip y son comparables a redes neuronales, pero no a una memoria asociativa

necesitamos entrenar

mnima; podemos codificar directamente el conocimiento asociativo estructurado de la regla: Si A, entonces B,

en un matriz de correlacin de memoria asociativa borrosa, al estilo de Hebb.

Redes neuronales La incertidumbre es un problema serio con que se encuentran, entre otros, los que desean representar la realidad mediante modelos matemticos. A menudo no es posible representar adecuadamente caractersticas de un sistema tales como la no linearidad, saturacin, variables y sobre todo la complejidad. Las redes neuronales son de inters porque tienen le potencia para tratar muchos problemas que no pueden ser manejados por las tradicionales aproximaciones analticas, ya que tienen capacidad para aprender caractersticas de sistema a travs de relaciones no lineales. El tema de redes neuronales, est adquiriendo un mayor desarrollo dentro del campo de sistemas inteligentes. Este tipo de sistema utiliza la estructura bsica del cerebro y de la naturaleza como modelo para implementar un sistema artificial que permita simular algunas de las propiedades de aquel. Las redes neuronales son tcnicas computacionales, y que representan un modo

fundamentalmente diferente de computacin teniendo ms ventajas y una amplia gama de aplicaciones. De hecho, las redes neuronales son modelos simplificados del sistema nervioso, mostrando capacidad tales como el aprender, generalizacin y abstraccin.

Orizaba, Veracruz

49

Instituto Tecnolgico de Orizaba

El algoritmo de propagacin hacia atrs.

Este algoritmo es un mtodo tericamente bueno para preparar redes neuronales multinivel. Es una extensin del algoritmo lineal cuadrtico utilizado para realizar funciones de estimacin en redes neuronales. Se puede derivar el algoritmo de propagacin hacia atrs con pocas aplicaciones iteradas de la regla de la cadena de clculo diferencial y puesto en el esquema de aproximacin estocstica.

Desarrollo experimental. Basado en las teoras de relaciones de memorias asociativas borrosas y la teora de redes neuronales de propagacin hacia atrs se realiz una aplicacin de sistema borroso y de sistema neuronales para valorarlos como un apoyo a la toma de decisiones en inversin financiera burstil.

Sistema difuso: Se usaron tcnicas de aprendizaje competitivo diferencia y la tcnica de agrupamiento del producto espacio, para generar reglas de memoria asociativa borrosa de datos preparados en Rn. Se desarroll el algoritmo de propagacin hacia atrs para entrenar al sistema neuronal y as, el agrupamiento del producto espacio convirtieran un sistema neuronal en un conjunto

representativo de reglas de memorias asociativas borrosas. Se us informacin burstil de 17 trimestres, la cual fue

suministrada para que el algoritmo aprendiera y en base a ello realizara la prediccin deseada.

Orizaba, Veracruz

50

Instituto Tecnolgico de Orizaba

Las variables input y output elegidas fueron: X1= PG X4= IB X7= PER X2= PE X5= IPC X8= C/CV Y1 = rentabilidad X3= CBMC X6= TI X9= P-O

El conjunto output y1 = {y}; donde

Las variables representan algunos de los factores que influyen en el comportamiento del ndice burstil de los mercados de capitales, haciendo que el ndice suba, baje o se mantenga estable segn sean las condiciones o factores que concurran para que ello suceda. Estos variables-factores no se eligieron arbitrariamente, sino que se tuvo en cuenta la opinin de los expertos en materia burstil y siguiendo el criterio de algunos autores que tratan el tema. Los 17 trimestres de informacin burstil que se utilizaron en el sistema neuronal tambin se utilizaron para los sistemas borrosos Se especificaron las variable input y output siguientes: El conjunto input x es igual a X= {x1, x2} ; El conjunto output X1 = PER X2 = C/CV

Y= {y1}; donde: Y1 = R

Se eligieron esas variables dada la informacin que se tena en el momento y por ser las variables que marcaban una tendencia ms definida de comportamiento. Las variables representan factores que influyen en el comportamiento del ndice burstil en los mercados de capital haciendo que el ndice suba, baje o se mantenga estable segn sean las condiciones o factores que concurran para que ello suceda.
Orizaba, Veracruz 51

Instituto Tecnolgico de Orizaba

Los sistemas borrosos aprenden reglas asociativas para estimar funciones o sistemas de control. Para realizar el aprendizaje se realizaron los siguientes pasos: Los intervalos de las variables se formaron arbitrariamente

Para estimar la informacin suministrada en este caso se us el algoritmo de la matriz borrosa que denotar el grado de pertenencia del estado de transicin del estado q1 al estado qj. La matriz utilizada es una matriz de memoria asociativa

borrosa y para estimarla se ha utilizado una memoria asociativa adaptativa borrosa de n muestras preparadas en: R3, es decir, (dos variables de entrada y una de salida en Rn R3, que es el cubo en el cual se realiza la representacin grfica de las variables. Para estimar la informacin suministrada en este caso se us el algoritmo de la matriz borrosa que denotar el grado de pertenencia del estado de transicin del estado q1 al estado qj.

La matriz utilizada es una matriz de memoria asociativa borrosa y para estimarla se ha utilizado una memoria asociativa adaptativa borrosa de n muestras preparadas en:
n 3

R , es decir, (dos

variables de entrada y una de salida en R R , que es el cubo en el cual se realiza la representacin grfica de las variables

Orizaba, Veracruz

52

Instituto Tecnolgico de Orizaba

Realizados los pasos anteriores, se procedi a procesar la informacin mediante asociativa la matriz borrosa de memoria adaptativa,

especificando la base de las reglas borrosas o banco de reglas de las memorias asociativas borrosas

Sistema Neuronal: Tomando la base de datos mencionada en el tema anterior sobre sistemas difusos, se nmero anterior se diseo la arquitectura de la red, tomando como base el algoritmo de retropropagacin hacia atrs.

Tanto en el sistema borroso como en el neuronal nuestro propsito era lograr que en cada uno de ellos, a partir de ciertas variables input se pudiera predecir el output prefijado.
Orizaba, Veracruz 53

Instituto Tecnolgico de Orizaba

Ambos algoritmos una vez que fueron implementados se formularon en fortran y se corrieron en un computador IBM 3090/600J. Donde se obtuvo la siguiente informacin: Para los sistemas borrosos: Se correlacionaron las variables, dando los resultados siguientes:

En

la

tabla

se

observan

los

siguientes resultados:

Real:

0.3586

Prediccin: 0.3509

Real:

0.2388

Prediccin: 0.3488

Orizaba, Veracruz

54

Instituto Tecnolgico de Orizaba

Para los sistema neuronales se observ lo siguiente: La red aprendi luego de las iteraciones propuestas: Y para el comportamiento de correlacin entre factores y variables elegidos fueron: Para los valores del input dado el output deseado tenemos los siguientes resultados:

Orizaba, Veracruz

55

Instituto Tecnolgico de Orizaba

Para los valores del input dado y el output deseado teneos los siguientes resultados: Como puede observarse en el listado de nmeros resultantes: La base de datos que se reserv para comprobacin tenemos Real: 0.284

Prediccin: 0.269 Real: 0.264

Prediccin: 0.270 Significado: Que la empresa x subi en la realidad 0.284, y la red predice una subida de 0.269 Conclusiones Se propuso y se present una aplicacin de sistemas inteligentes usando lgica difusa y redes neuronales como apoyo a la toma de decisiones en inversin financiera burstil. Se present un ejemplo para demostrar la aplicacin usando reglas de memoria asociativa difusa (Si- Entonces) de la lgica condicional y un algoritmo neuronal de propagacin hacia atrs y procesados computacionalmente Los algoritmos difusos lograron procesar la informacin suministrada y arrojar predicciones unas cercanas y otras no tanto a las reales. La red neuronal logr aprender y arroj predicciones ms cercanas a las reales como se seal en su respectiva seccin

En consecuencia: Los sistema neuronales y los borrosos tratados computacionalmente mediante algoritmos FAM y redes neuronales unidos o separadamente son instrumentos vlidos y tiles para apoyar el proceso de toma de decisiones bajo incertidumbre. Referencias Kauffman, A, y Gil Aluja, J. Introduccin a la teora de los subconjuntos borrosos en la gestin de empresas. Ed. Milladoiro. Santiago de Compostela. 1986 Weston, Fundamentos de Adminsitracin Financiera. Nueva Editorial Interamericana. Mxico. 1983 Mao y Markowitz. Portfolio Selection: Efficient Diversification of Investiments. New York. 1955. Zadeh L. Abstraction and Pattern Clasification. Jour. Math An. And its Appl, 13, (1-7). 1966 Klir J. G./Folger A.T. Fuzzy Sets, Uncertainty, and Information. Prentice- Hall International Editions. New Jersey, 1988
Orizaba, Veracruz 56

Instituto Tecnolgico de Orizaba

Kosko, B. Hidden Patterns in Combined and Adaptativ Knowledge Networks, International Journal of Approxixmate Reasoning, Vol.2 No. 4, 377-393, October 1988 Rumelhard, D.E., G.E. Hinton, and R.J. Williams, Learning Internal Represntation by Error propagation. Bradfort Books., Cambridge, Mass, 1986 Robert Hecht-Nielsen. Neurocomputing. Addison-Welsey, Reading, M.A. EE.U.U. 1990. White, H. Neural Network Learning and Statistics, AI Expert, 48-52. December, 1989 Gil Lafuente ana Mara, El Anlisis Financiero en la Incertidumbre. Ed. Ariel Economa. Barcelona, 1990.

Orizaba, Veracruz

57