1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Guanajuato
4. Instituto Tecnológico de León (Posgrado)
5. Tesis de Maestría
6. Maestría en Ciencias de la Computación

Title:	PRONOSTICO FINANCIERO USANDO MODELOS DE INTELIGENCIA COMPUTACIONAL
Authors:	PEDROZA CASTRO, FRANCISCO JAVIER%1033237
metadata.dc.subject.other:	Finanzas Pronósticos financieros Inteligencia computacional Lógica difusa Sistemas difusos Algoritmos evolutivos Algoritmos genéticos Redes neuronales Aprendizaje automático Aprendizaje profundo Inteligencia artificial Simulación por computadora
Issue Date:	2022-11-04
Publisher:	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Instituto Tecnológico de León
Description:	Esta obra busca realizar un pronóstico financiero utilizando una red neuronal artificial tipo Long-short Term Memory (LSTM), optimizando los hiperparámetros de la red mediante metaheurísticas. Por tanto se propone una metodología para la optimización de hiperparámetros y una metodología para la comparación de metaheurísticas. La optimización de hiperparámetros consiste en: 1) generar una población de hiperparámetros, 2) los cuales son utilizados para diseñar las redes LSTM, 3) posteriormente se entrenan las distintas redes LSTM, se evalúan, 4) si no cumple con un criterio de paro, se actualiza la población y se regresa al paso de diseñar las redes LSTM. En este trabajo se utilizan tres metaheurísticas distintas para llevar a cabo la optimización de hiperparámetros, a saber, PSO, FPA y Estimation of Distribution Algorithm for a Low Number of Function Evaluations (LNFE). Las soluciones obtenidas por cada metaheurística incluyendo a una red optimizada sin utilizar metaheurísticas, fueron comparadas con base en el rendimiento de las redes LSTM con hiperparámetros optimizados. En la comparación de las metaheurísticas se consideró inicializar las poblaciones con la misma semilla, comparar el valor fitness y la convergencia de las soluciones en cada variable. Los resultados muestran que las redes LSTM cuyos hiperparámetros fueron ajustados utilizando metaheurísticas, superan a la red LSTM, las cuales se ajustaron sus hiperparámetros sin utilizar metaheurísticas. De las soluciones LNFE, tiene mayor convergencia que las demás metaheurísticas y, FPA tiene menor convergencia, no obstante, el rendimiento de las soluciones fue mayor a las soluciones de las demás metaheurísticas. Al comparar el proceso de optimización de las tres metahuerísticas (PSO, FPA y LNFE), se encuentra que LNFE converge en una menor cantidad de iteraciones con resultados satisfactorios y un menor costo computacional, mientras que FPA, presenta característica de mayor exploración que de intensificación; mientras que PSO muestra un equilibrio entre exploración y convergencia.
metadata.dc.type:	info:eu-repo/semantics/masterThesis
Appears in Collections:	Maestría en Ciencias de la Computación

This item is protected by original copyright View License

This item is licensed under a Creative Commons License