Resumen de Comparativa de arquitecturas de redes neuronales para modelización de variables económicas
Juan José de Lucio Fernández, Wilder Bermúdez, Najat Bazah
En este trabajo realizamos una comparativa de la capacidad predictiva de distintos modelos de redes neuronales para un conjunto de 1000 series seleccionadas de forma aleatoria entre una base de datos más amplia de 15000 series. Los modelos de GRU seguidos por los LSTM proporcionan los mejores resultados.
Las redes convolucionales ofrecen resultados menos favorables. En cualquier caso, la mejor arquitectura depende de la serie analizada y del ajuste fino de la misma. Se observa, igualmente, que la media de las distintas arquitecturas resulta en una predicción que se sitúa entre las más favorables.
