Por Enrique González Núñez
En tiempos recientes escuchar el término Inteligencia Artificial (AI por su acrónimo en inglés) se ha vuelto más común e incluso un tema de conversación frecuente en nuestras pláticas de mesa. Si bien la generación científica y tecnológica de la humanidad se remonta a cientos de años atrás, el desarrollo tecnológico de la AI como hoy día la conocemos dentro de las ciencias computacionales se ha impulsado a través de unas cuantas décadas.
El enfoque de estudio de AI como disciplina [2, 7, 10] es de proveer de un “comportamiento inteligente” a los sistemas informáticos y como tal se encuentra dividida en otras sub-disciplinas, entre ellas la Robótica, Computer Vision y Machine Learning por mencionar algunas. Machine Learning como área de análisis [1, 5, 7] tiene sus orígenes en la década de los 50’s y fue definida por primera ocasión por Arthur Lee Samuel; como el área de investigación que busca que las computadoras tengan la aptitud de aprender a través de la experiencia al realizar ciertas actividades específicas.
Adicionalmente las ciencias computacionales han contribuido en la investigación y desarrollo generando un gran impacto en áreas como la Biología, Física, Matemáticas, Arqueología, Medicina, Arquitectura, Negocios, entre muchas otras ciencias. En el caso específico de Finanzas, el uso de sistemas informáticos ha permitido el estudio y solución de varios problemas y fenómenos económicos muy complejos, tales como la simulación de portafolios de inversión, medición de riesgo en el otorgamiento de créditos, pronósticos de estados financieros, entre otros; abriéndose así el camino para la creación de las finanzas computacionales como un sub-campo de exploración compartido por estas dos grandes áreas [3, 6]. Cabe recordar que el objeto de estudio de las Finanzas está relacionado a la administración del dinero con el fin de obtener un retorno esperado bajo condiciones de riesgo.
Este trabajo de investigación se enfoca en la generación de un nuevo algoritmo basado en el método de las Artificial Organic Networks (AON por su acrónimo en inglés) [8, 9], el cual es un método de Machine Learning bioinspirado en el comportamiento de los compuestos en Química Orgánica. Los algoritmos basados en el método de las AON permiten construir diferentes modelos matemáticos complicados, tanto lineales como no lineales, los cuales entre otras cosas facilitan realizar modelos de regresión y pronóstico, o bien de clasificación de datos. Los algoritmos previamente definidos dentro de esta técnica de aprendizaje máquina, se han probado con resultados satisfactorios en distintas aplicaciones como en la medicina para el análisis de imágenes de rayos-x, o de audio y control en la generación de filtros electrónicos.
Actualmente, se realiza la exploración en el desarrollo y aplicación de nuevos algoritmos basados en el método de AON, para emplearlos en el área de finanzas, específicamente para el pronóstico de índices bursátiles [4]; este tipo de problemas en finanzas corresponden al análisis de seguidores de indicadores bursátiles, los cuales se basan en la definición de estrategias para la compra y venta de títulos accionarios emitidos en el mercado bursátil. Un seguidor de índice bursátil busca imitar el comportamiento de un índice en particular como puede ser el Dow Jones Industrial Average (DJI por sus siglas en inglés) o el Nasdaq Composite; estos seguidores al reproducir el comportamiento de los índices permiten que un inversionista pueda prever escenarios financieros con el fin reducir el riesgo e incrementar las ganancias al momento de decidir si es conveniente comprar o vender títulos accionarios.
Esta exploración en el Tecnológico de Monterrey se encuentra en una etapa media de su avance, habiendo alcanzado hasta ahora resultados preliminares en la modelación del Índice de Precios y Cotizaciones (IPC), el cual es el índice bursátil más importante utilizado por la Bolsa Mexicana de Valores. En el corto plazo este trabajo se orientará en concretar la definición de un nuevo algoritmo que permita mejorar los resultados hasta ahora obtenidos.
Autor
Enrique González Núñez
Enrique es estudiante del Doctorado en Ciencias Computacionales en el Tecnológico de Monterrey campus Estado de México, siendo el profesor Luis A. Trejo su asesor de tesis; previamente ha cursado los programas de MCI, MBA, además de ISE también en el ITESM. Actualmente se desempeña como Teaching Asistant en el Tecnológico de Monterrey campus Santa Fe, anteriormente ha sido profesor de licenciatura en la Universidad del Valle de México y en la Universidad Latinoamericana.
Referencias
- [1] ALPAYDIN, E. Introduction to Machine Learning, 2nd ed. MIT Press, USA, Massachusetts, 2010.
- [2] CARDON, A. Beyond Artificial Intelligence: From Human Consciousness to Artificial Consciousness, 1st ed. John Wiley & Sons, Inc., USA, 2018.
- [3] DUNIS, C. L., et al. Artificial Intelligence in Financial Markets, Cutting-Edge Applications for Risk Management, Portfolio Optimization and Economics. Palgrave Macmillan, 2016.
- [4] GONZÁLEZ, E., et al. Artificial organic networks approach applied to the index tracking problem. In MICAI 2021. LNCS (LNAI)(2021), Springer, Cham.
- [5] KUBAT, M. An Introduction to Machine Learning, 2nd ed. Springer, Switzerland, 2017.
- [6] MIRANDA, M. J., et al. Applied Computational Economics and Finance. The MIT Press, Massachusetts, USA, 2002
- [7] NAGY, Z. Artificial Intelligence and Machine Learning Fundamentals, 1st ed. Packt Publishing, Birmingham, UK, 2018.
- [8] PONCE, H. A New Supervised Learning Algorithm Inspired on Chemical Organic Compounds. PhD thesis, Instituto Tecnológico y de Estudios Superiores de Monterrey, Mexico, December 2013.
- [9] PONCE, H., et al. Artificial Organic Networks: Artificial Intelligence Based on Carbon Networks, 1st ed. Springer, 2014.
- [10] RUSELL, S., et al. Artificial Intelligence: A Modern Approach, 3rd ed. Prentice-Hall, USA, 2010.
