Tesis para optar al grado de Magíster en Finanzas / No disponible a texto completo / El estudio realizado analiza la eficiencia de modelos predictivos multivariados basados en técnicas de Algoritmo Genético, Redes Neuronales y Lógica Borrosa. Específicamente, en este estudio se determina la capacidad predictiva de los modelos analizando para ello el porcentaje de predicción del signo (PPS), comparación de la rentabilidad promedio que se obtendría con una estrategia de inversión activa versus una estrategia pasiva o Buy & Hold y la significancia estadística. Para el análisis se utiliza la variación del precio del fin de semana que han experimentado los ADR1 que son transados en la bolsa de Nueva York por BHP Billiton Limited para el período comprendido entre Abril de 2002 a Diciembre de 2006. El mejor modelo a recomendar se establece teniendo en cuenta que un PPS extramuestral mayor al 60% es un porcentaje de acierto significativo en el signo de la variación del precio, que la rentabilidad del modelo debe estar por sobre la rentabilidad Buy & Hold y además considerando la significancia estadística obtenida

In this note we consider the autoregressive moving average recurrent neural network ARMA-NN(1, 1) process. We show that in contrast to the pure autoregressive process simple ARMA-NN processes exist which are not irreducible. We prove that the controllability of the linear part of the process is sufficient for irreducibility. For the irreducible process essentially the shortcut weight corresponding to the autoregressive part determines whether the overall process is ergodic and stationary. / Series: Working Papers SFB "Adaptive Information Systems and Modelling in Economics and Management Science"

Los sistemas de posicionamiento magnético son preferidos respecto a sus contrapartes mecánicas en aplicaciones que requieren posicionamiento de alta precisión como en el caso de la manufactura de circuitos integrados. Esto se debe a que los actuadores electromagnéticos no sufren los efectos de la fricción seca o desgaste mecánico. Sin embargo, estos sistemas poseen fuertes no linealidades que dificultan la tarea de control. Por otro lado, el aprendizaje por refuerzo se ha posicionado como una técnica de entrenamiento de redes neuronales prometedora que está permitiendo resolver varios problemas complejos. Por ejemplo, el aprendizaje por refuerzo fue capaz de entrenar redes neuronales que han logrado vencer al campeón mundial de Go, derrotar a varios jugadores profesionales de ajedrez y aprender a jugar varios videojuegos de la consola Atari. Asimismo, estas redes neuronales están permitiendo la manipulación de objetos por brazos robóticos, un problema que era muy difícil de resolver por medio de técnicas tradicionales. Por esta razón, el presente trabajo tiene como objetivo diseñar un controlador neuronal entrenado por refuerzo para el control de un sistema de posicionamiento magnético de dos dimensiones. Se utiliza una variación del algoritmo Deep Deterministic Policy Gradient (DDPG) para el entrenamiento del controlador neuronal. Los resultados obtenidos muestran que el controlador diseñado es capaz de alcanzar varios setpoints asignados y de realizar el seguimiento de una trayectoria dada. / Tesis

One of the central goals in finance is to find better models for pricing and hedging financial derivatives such as call and put options. We present a semi-nonparametric approach to risk-neutral density extraction from option prices which is based on an extension of the concept of mixture density networks. The central idea is to model the shape of the risk-neutral density in a flexible, non-linear way as a function of the time horizon. Thereby, stylized facts such as negative skewness and excess kurtosis are captured. The approach is applied to a very large set of intraday options data on the FTSE 100 recorded at LIFFE. It is shown to yield significantly better results in terms of out-of-sample pricing in comparison to the basic Black-Scholes model and to an extended model adjusting the skewness and kurtosis terms. From the perspective of risk management, the extracted risk-neutral densities provide valuable information about market expectations. (author's abstract) / Series: Report Series SFB "Adaptive Information Systems and Modelling in Economics and Management Science"

En este trabajo se describe la red neuronal como modelo estadístico no lineal, y se presenta aplicaciones de los métodos de combinación de clasificadores ‘’bagging’’ y ‘’boosting’’ en redes neuronales a las bases de datos sonar e iris, como una alternativa de reducción de la tasa de mala clasificación del método de redes neuronales. / In this thesis is described a neural networks as statistic model non linear and it study the method of the combination of classifiers bagging and boosting in neural networks as an alternative of reduction of the wrong rate’s classifiers for the method of neural networks. As application of this procedures are analyzed the base of dates. They are very known as ‘’ sonar’’ and ‘’iris’’.

This paper presents a complete characterization of controllability and reachability for the class of discrete-time recurrent neural networks with state space dimension 2 and single input. (author's abstract) / Series: Working Papers SFB "Adaptive Information Systems and Modelling in Economics and Management Science"

This paper presents a characterization of complete controllability for the class of discrete-time recurrent neural networks. We prove that complete controllability holds if and only if the rank of the control matrix equals the state space dimension. (author's abstract) / Series: Report Series SFB "Adaptive Information Systems and Modelling in Economics and Management Science"

Universiẗat, Diss.--Heidelberg, 1994.

Zugl.: Stuttgart, Univ., Diss., 2000 (Nicht für den Austausch).

Chemnitz, Techn. Univ., Diss., 2002.