Procedimiento para la previsión de tipos de cambio. Aplicación de redes neuronales artificiales EUR/USD

• Autores: Fidel de la Oliva de Con, Reinaldo Molina Fernández, David Díaz Rodríguez
• Localización: ECA Sinergia, ISSN 1390-6623, ISSN-e 2528-7869, Vol. 13, Nº. 2, 2022 (Ejemplar dedicado a: Mayo - Agosto), págs. 107-117
• Idioma: español
• Títulos paralelos:
  • Procedure for the forecast of exchange rates. Applying artificial neural networks: EUR/USD
• Enlaces
  • Texto completo
• Resumen
  • español

      La previsión del tipo de cambio constituye un elemento fundamental en la estrategia de cobertura frente al riesgo cambiario, lo que impulsa la búsqueda de nuevas técnicas que sean más eficaces. Con el objetivo de facilitar el uso de algoritmos de inteligencia artificial para este propósito, se creó el procedimiento expuesto en este trabajo. Este procedimiento está basado en el uso de métodos cuantitativos para la obtención de la previsión, siendo el más importante la utilización de las redes neuronales artificiales, concretamente las denominadas long short-term memory. Se lleva a cabo la construcción de distintos modelos de los cuales se elige el óptimo usando como criterio de selección la raíz cuadrada del error cuadrático medio. Tras la obtención de modelos que se desempeñan con una efectividad comprendida en el rango de 97.28% - 99.55% se demostró la eficacia del procedimiento.

      Palabras clave: inteligencia artificial, pronósticos, redes neuronales recurrentes, series de tiempo.

     

  • English

    The forecast of the exchange rate is an essential part of foreign exchange risk management strategy, which drives the search for new techniques that are more effective. The procedure presented in this work was created in order to facilitate the use of artificial intelligence algorithms for exchange rate forecasting. The procedure is based on the use of quantitative methods to obtain the forecast, the most important being the use of artificial neural networks, specifically those called long short-term memory. The construction of different models is carried out, from which the optimal one is chosen using the square root of the mean square error as the selection criterion. The efficacy of the procedure was demonstrated after obtaining models that perform with an effectiveness comprised in the range of 97.28% - 99.55%.

      Keywords: artificial intelligence, prognostic, recurrent neural networks, time series.