Medellín - Minas - Maestría en Ingeniería - Analítica · 2024

Inteligencia artificial y autoaprendizaje para la mejora de modelos predictivos : caso de estudio con el índice S&P500

La realización de pronósticos precisos es crucial en la sociedad y en la ciencia, debido a que permiten anticipar tendencias y comprender el impacto de las variables consideradas en el comportamiento futuro de un fenómeno de interés. Este trabajo aborda el desafío de mejorar el desempeño de los modelos predictivos. Para ello, se llevó a cabo una investigación cuantitativa con el objetivo de evaluar la predicción del precio de cierre del índice bursátil S&P500 mediante la aplicación de un modelo Transformer, integrando técnicas de autoaprendizaje. Acorde con lo anterior, se realizó la implementación y optimización del modelo, logrando un error porcentual promedio del 1,52% y un máximo del 4,04% en la predicción de los próximos 60 valores del S&P500. Para mejorar el desempeño se incorporó autoaprendizaje basado en la distancia de Mahalanobis. Así se mejoró el rendimiento al reducir el error a 1,22%, que corresponde a una disminución de 19,67% con respecto al valor antes de incorporar el método mencionado. Comparado con métodos tradicionales, el Transformer demostró una precisión superior, capturando patrones complejos y fue posible ajustar sus resultados automáticamente a través de la distancia de Mahalanobis. Los hallazgos resaltan la importancia de la investigación continua en la predicción de series de tiempo utilizando inteligencia artificial en combinación con técnicas que permitan ajustar los modelos de acuerdo con información histórica y los registros de desempeño. (Tomado de la fuente)

Tesauro de su biblioteca