Show simple item record

dc.contributor.authorBellido-Anicama, Alfredo-Bruno
dc.contributor.authorSchwarz-Díaz, Max
dc.contributor.otherBellido-Anicama, Alfredo-Brunoes_PE
dc.contributor.otherSchwarz-Díaz, Maxes_PE
dc.date.accessioned2019-04-09T02:05:38Z
dc.date.available2019-04-09T02:05:38Z
dc.date.issued2019
dc.identifier.citationBellido, B. y Schwarz, M. (2019). Redes neuronales para predecir el comportamiento del conjunto de activos financieros más líquidos del mercado de valores peruano. Revista Científica de la UCSA, 6(1), 49-64. https://ucsa.edu.py/yeah/wp-content/uploads/2019/04/4_A0._Bellido-B.-Redes-neuronales-para-predecir-el-comportamiento_49-64.pdfes
dc.identifier.issn2409-8752
dc.identifier.urihttp://repositorio.ulima.edu.pe/handle/ulima/8256
dc.descriptionIndexado en SciELOes
dc.description.abstractLa presente investigación tiene como propósito identificar una herramienta de inteligencia artificial basada en redes neuronales para predecir el comportamiento de rendimiento y riesgo del conjunto de activos financieros basados en acciones que reflejen con mayor exactitud el movimiento bursátil del mercado de valores peruano. La investigación identificó inicialmente el activo financiero más apropiado para estimar los valores de rendimiento y riesgo de la cartera de acciones 50% más liquida del mercado peruano en el período 2010-2016. A partir del activo seleccionado se utilizó la técnica de redes neuronales artificiales con un perceptrón multicapa con regresión configurado con 3 capas (21,85,2) usando una función de activación logística con un optimizador LBFGS a una taza de aprendizaje de 0.01 para establecer los patrones financieros, operacionales, comerciales o de gobierno corporativo que puedan explicar y/o predecir el comportamiento del mismo en el mercado. La investigación concluye que la capacidad de generación de caja y la velocidad con la que se rotan los activos, así como la velocidad con la que se desembolsa el Capex constituyen los principales factores que influencian en la determinación de las mejores combinaciones de rendimiento y riesgo para el grupo de activos financieros considerados como materia de estudio, independiente del sector de mercado en el cual se opera. La investigación encontró una red neuronal capaz de aproximar la predicción de rendimiento y riesgo con un 76.93% de eficacia para el conjunto de activos seleccionados en el periodo de estudio. La investigación aporta un reconocimiento de patrones diferenciados en aspectos financieros, operacionales, comerciales y de gobierno corporativo con un especial énfasis en la capacidad gerencial que los genera cuya influencia se refleja en el desempeño del conjunto de activos estudiados por medio de la técnica de redes neuronales generando una herramienta predictiva para estimar su comportamiento bursátil.es
dc.description.abstractThe purpose of this research is to identify an artificial intelligence tool based on neural networks to predict the behavior of performance and risk of the set of financial assets based on actions that more accurately reflect the stock market movement of the Peruvian stock market. The research initially identified the most appropriate financial asset to estimate the performance and risk values of the 50% most liquid share portfolio in the Peruvian market in the 2010-2016 period. From the selected asset, the technique of artificial neural networks with a multilayer perceptron with regression configured with 3 layers (21,85,2) was used, using a logistic activation function with an LBFGS optimizer at a learning rate of 0.01 to establish the financial, operational, commercial or corporate governance patterns that can explain and / or predict the behavior of the same in the market. The research concludes that the cash generation capacity and the speed with which the assets are rotated, as well as the speed with which the Capex is disbursed, constitute the main factors that influence the determination of the best combinations of performance and risk for the group of financial assets considered as a subject of study, independent of the market sector in which it operates. The research found a neural network able to approximate the prediction of performance and risk with a 76.93% efficiency for the set of assets selected in the study period. The research provides a recognition of differentiated patterns in financial, operational, commercial and corporate governance aspects with a special emphasis on the managerial capacity that generates them whose influence is reflected in the performance of the set of assets studied through the technique of neural networks generating a predictive tool to estimate its stock market behavior.en
dc.language.isospaen
dc.publisherUniversidad del Cono Sur de las Américases
dc.relation.urihttp://scielo.iics.una.py/scielo.php?script=sci_abstract&pid=S2409-87522019000100049&lng=es&nrm=iso&tlng=es
dc.rightsinfo:eu-repo/semantics/openAccessen
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/en
dc.sourceUniversidad de Limaes_PE
dc.sourceRepositorio Institucional - Ulimaes_PE
dc.subjectRiesgo financieroes
dc.subjectMercado de capitaleses
dc.subjectInteligencia artificiales
dc.subjectRedes neuronales (Informática)es
dc.subjectFinancial risken
dc.subjectCapital marketen
dc.subjectArtificial intelligenceen
dc.subjectNeural networks (Computer science)en
dc.subject.classificationCiencias empresariales y económicas / Finanzases
dc.titleRedes neuronales para predecir el comportamiento del conjunto de activos financieros más líquidos del mercado de valores peruanoes
dc.title.alternativeNeural networks to predict the behavior of the most liquid financial asset set of the peruvian securities marketen
dc.typeinfo:eu-repo/semantics/articlees_PE
dc.type.otherArtículo en SciELOes_PE
dc.identifier.journalRevista Científica de la UCSAes
dc.publisher.countryParaguayes
dc.description.peer-reviewRevisión por pareses


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/openAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/openAccess