Redes Neuronales Artificiales para el pronóstico de Series de Tiempo

Ponente(s): Acxel Jair Avila Gallegos

Redes Neuronales Artificiales para el Pronóstico de Series de Tiempo Financiera: Análisis Comparativo Este trabajo presenta un estudio comparativo de distintos enfoques para el pronóstico de una serie de tiempo financiera, utilizando tanto modelos neuronales como métodos estadísticos avanzados. Se analizan tres modelos principales: la red neuronal NNET, el modelo LSTM (Long Short-Term Memory) y el modelo EGARCH (Generalized Autoregressive Conditional Heteroskedasticity Exponential). El modelo NNET, basado en una red neuronal tradicional de una sola capa oculta, ha logrado un buen ajuste sobre los datos históricos. Sin embargo, su capacidad de pronóstico aún está en evaluación, por lo que se están realizando pruebas de validación cruzada para verificar su eficacia predictiva. Por su parte, el modelo LSTM diseñado específicamente para capturar dependencias temporales de largo plazo se encuentra en proceso de calibración y ajuste. Este modelo representa una alternativa prometedora para abordar estructuras no lineales y secuenciales complejas en datos financieros. Una sección central del póster está dedicada al modelo EGARCH, que ha permitido modelar eficazmente la volatilidad observada en la serie, capturando de forma explíci