Tesis para optar al grado de Magíster en Finanzas / El propósito de la presente investigación es estudiar y desarrollar modelos flexibles, versátiles y eficientes, estadísticamente y económicamente significativos, para proyectar la variación futura del precio de la Plata. Se consideró a éste activo para su estudio, principalmente por el evento de no existir evidencias de trabajos predictivos con estas técnicas para este activo, además de la liquidez y profundidad del mercado, en que éste metal se cotiza. El porqué, de utilizar modelos de redes neuronales para la predicción, surge básicamente, por estudios de proyección sobre series temporales previos, cuyos resultados han sido un importante aporte para las Finanzas Modernas. Otro factor de relevancia que se debe considerar en la definición del modelo de redes neuronales, son las variables explicativas, de las cuales depende en gran medida el éxito de ésta y otras investigaciones. Respecto a este ítem, después de un acabado estudio de 14 variables de relevancia mundial (índices accionarios, bolsas de metales, precios de commodities y monedas), se efectuó pruebas de análisis técnico (cruce de medias móviles con 5, 10 y 30 rezagos) y econometría básica (análisis de regresiones – coeficientes de correlación múltiples), donde finalmente se definieron 7 variables y sobre las cuales se desarrollaron los modelos predictivos. Durante el desarrollo, surge la pregunta de sí es posible mejorar los resultados de porcentaje predicción de signo de una red neuronal, ante lo cual, considerando la teoría darwiniana sobre la “evolución de las especies”, se incorporó un Algoritmo Genético. Para cumplir con el propósito enunciado, se desarrolló un proceso de análisis con series de datos semanales del precio de la Plata de los últimos 10 años (precio cierre en USD-onza), fijando como principal objetivo, que a través de metodologías sustentadas en Algoritmos Genéticos y Redes Neuronales, se pueda anticipar la dinámica que experimenta el precio de la Plata (en términos de cambio de signo) y comprobar si los resultados obtenidos en ambos modelos, demuestren un comportamiento estable y sinérgico. Adicionalmente, se comprobará si la fusión de ambos modelos, logra generar mejoras considerables en el porcentaje de predicción de signo, depurando la información existente, de tal manera, de asegurar retornos económicamente más atractivos que en los modelos en particular mencionados anteriores. Finalmente, el desempeño de cada uno de los métodos a utilizar, será medido por el número de predicciones correctas (hits) del signo de la variación del precio, aplicando para ello el test de acierto direccional (DAT) 1 de Pesaran & Timmermann (1992), comprobando de esta forma que las proyecciones obtenidas por los modelos versus los resultados alcanzados con una estrategia “buy and hold” 2 (independiente de la significancia estadística), son económicamente superiores o si estos permiten minimizar las pérdidas. Respecto al análisis predictivo en otros activos financieros, es conocido el aporte realizado por, Parisi y Parisi3 a la literatura financiera con el uso de sistemas predictivos no paramétricos tales como las redes neuronales, lógica difusa y los algoritmos genéticos para proyectar variables financieras y que sirven de base para conformar portafolios de inversión. Estas técnicas no basan sus capacidades predictivas en la utilización de supuestos de normalidad en los retornos de los activos financieros, demostrando que es posible obtener altas capacidades predictivas, estadísticamente significativa y económicamente rentables, punto que pretendemos demostrar y reafirmar en el presente trabajo. Con la presencia de estas dinámicas no lineales, se podría dar la posibilidad de explorar este campo para realizar predicciones más exactas que aquellas otras proporcionadas por un modelo estocástico lineal y, en concreto, por el modelo referente en la literatura: el paseo aleatorio (random walk).