Preguntas Frecuentes

La predicción de series temporales consiste en pronosticar valores futuros de una secuencia de mediciones ordenadas en el tiempo, como el precio de una acción mañana, la temperatura de la próxima semana o un tipo de cambio. El objetivo es construir un modelo que capture los patrones en datos pasados y los extrapole para producir un pronóstico.

La red se entrena con datos históricos: los valores pasados se introducen como entradas y la red aprende a mapearlos al valor futuro conocido (el objetivo). El entrenamiento ajusta los pesos de la red usando retropropagación combinada con descenso de gradiente, reduciendo iterativamente la diferencia entre las predicciones de la red y los valores reales. Consulte el capítulo de Entrenamiento de Redes Neuronales para más detalles.

Las demos usan datos históricos del índice bursátil NASDAQ y datos de pares de divisas Forex (mercado de divisas). Se ejecutan completamente en su navegador: no se envían datos a un servidor y no se requiere instalación alguna. Pruébelas en la sección de Ejemplo Interactivo.

No hay una respuesta universal: depende de la complejidad de los patrones en sus datos y del riesgo de sobreajuste. Con pocas neuronas la red no puede capturar los patrones; con demasiadas memoriza los datos de entrenamiento en lugar de generalizar. La demo interactiva le permite experimentar con diferentes tamaños de red y observar directamente el efecto sobre la precisión de las predicciones.

El sobreajuste ocurre cuando una red neuronal aprende los datos de entrenamiento con demasiada precisión, incluyendo el ruido, y luego rinde mal con datos nuevos. Formas habituales de reducirlo: use un conjunto de validación separado para monitorear el rendimiento durante el entrenamiento, detenga el entrenamiento anticipadamente cuando el error de validación comience a aumentar, use una arquitectura de red más simple, o aumente el tamaño del conjunto de entrenamiento. El capítulo de Conjunto de Entrenamiento analiza la preparación de datos en detalle.

Las redes neuronales pueden capturar ciertos patrones en series temporales financieras, pero los mercados financieros están influenciados por eventos impredecibles que ningún modelo puede anticipar. Las demos de este tutorial ilustran cómo funciona la predicción en principio; no son una herramienta de pronóstico financiero. La precisión de predicción en datos financieros suele ser modesta, y el rendimiento pasado no garantiza resultados futuros.

El conjunto de entrenamiento es el dato del que aprende la red. El conjunto de prueba es una porción separada de datos, retenida durante el entrenamiento, que se usa para evaluar qué tan bien generaliza la red entrenada a ejemplos no vistos. Evaluar solo con datos de entrenamiento daría una imagen demasiado optimista del rendimiento. Consulte el capítulo de Conjunto de Entrenamiento para más detalles.

El texto y las imágenes de este tutorial están publicados bajo la licencia Creative Commons Attribution–ShareAlike 4.0 (CC BY-SA 4.0). Puede compartirlos y adaptarlos libremente, siempre que dé crédito apropiado y distribuya las adaptaciones bajo la misma licencia.

Las demostraciones interactivas de JavaScript solo pueden usarse como parte de este sitio web; cualquier otro uso requiere permiso previo por escrito. Contacto: marek@obitko.com.