En este artículo, se desarrolla una nueva técnica para detectar dependencias no lineales en series temporales, basadas en el uso de una red neuronal autorregresiva y el concepto de coeficiente de correlación. Teniendo en cuenta que el modelo de redes neuronales utilizado es capaz de aproximar cualquier función en un dominio compacto, las medidas propuestas son capaces de detectar no-linealidades en los datos. Nuestra técnica es probada para varios conjuntos de datos tanto simulados como reales, y comparada con las funciones clásicas de autocorrelación simple y parcial; los resultados muestran que en los casos lineales, las medidas propuestas tienen un comportamiento similar a las autocorrelaciones simple y parcial, pero en los casos no-lineales ellas son capaces de detectar otras relaciones no-lineales.

En este artículo se presenta una modificación del algoritmo de búsqueda aleatoria repetitiva. En esta propuesta se propone cambiar los parámetros fijos, que son ingresados por el usuario, por valores deterministas usando un mapa caótico. El algoritmo propuesto se usó para optimizar 4 funciones de prueba bien conocidas en 10, 20 y 30 dimensiones. Para todas las funciones de prueba, el algoritmo propuesto converge a mejores puntos que los puntos óptimos obtenidos usando la versión tradicional en la que el usuario fija los parámetros. Los resultados obtenidos motivan a continuar con el desarrollo y pruebas del algoritmo propuesto, para un mayor conjunto de funciones de prueba y comparar con otros algoritmos heurísticos establecidos.

La extensión teórica de los modelos lineales de promedios móviles al caso no lineal es directa y sencilla. Sin embargo, el uso práctico de los modelos no lineales de promedios móviles es limitado debido a la complejidad del espacio de parámetros y la imposibilidad de las establecer derivadas analíticas de la función de estimación. En este artículo, se evalúa el uso del algoritmo híbrido Evolución Diferencial-Optimización del Enjambre de Partículas para calcular los parámetros óptimos del modelo no lineal de promedios móviles. Los resultados obtenidos muestran que la técnica meta-heurística utilizada es capaz de calcular con mayor precisión los valores de los parámetros del modelo en comparación con los algoritmos tradicionales. Este hallazgo nos alienta a explorar el uso de las meta-heurísticas en la estimación de los parámetros de otros modelos no lineales de promedios móviles.

El pronóstico de índices de mercados de valores es una tarea importante en ingeniería financiera, porque es una información necesaria para la toma de decisiones. Este estudio tiene como objetivo evaluar el estado del arte en el progreso del pronóstico del mercado de valores, usando metodologías basadas en sistemas de inferencia borrosa y redes neuronales neuro-difusas, enfatizando el caso del Índice General de la Bolsa de Colombia (IGBC). Se empleó la revisión sistemática de literatura para responder cuatro preguntas de investigación. Existe una tendencia importante sobre el uso de las metodologías basadas en inferencia difusa para predecir los índices de los mercados de valores, explicada por la precisión del pronóstico en comparación con otras metodologías tradicionales. La mayoría de las investigaciones se enfocan en metodologías de 'series de tiempo difusas' y ANFIS, pero, hay otras aproximaciones prometedoras que no han sido evaluadas aún. Existe un vacío de investigación en el caso del mercado accionario colombiano.

The ability to obtain accurate volatility forecasts is an important issue for the financial analyst. In this paper, we use the DAN2 model, a multilayer perceptronand an ARCH model to predict the monthly conditional variance of stock prices.The results show that DAN2 model is more accurate for predicting in-sample andout-of-sample variance that the other considered models for the used data set. Thus, the value of this neural network as a predictive tool is demonstrated.