Inteligencia Artificial en Finanzas

Apéndice C. Redes neuronales convolucionales

La Parte III se centra en las redes neuronales densas (DNN) y las redes neuronales recurrentes (RNN) como dos tipos estándar de redes neuronales. El encanto de las DNN reside en que son buenos aproximadores universales. Los ejemplos del libro sobre aprendizaje por refuerzo, por ejemplo, utilizan las DNN para aproximar la política de acción óptima. Por otro lado, las RNN están diseñadas específicamente para manejar datos secuenciales, como los datos de series temporales. Esto es útil cuando se intenta, por ejemplo, predecir valores futuros de series temporales financieras.

Sin embargo, las redes neur onales convolucionales (CNN) son otro tipo estándar de red neuronal muy utilizado en la práctica. Han tenido especial éxito, entre otros dominios, en la visión por ordenador. Las CNN han sido capaces de establecer nuevos puntos de referencia en una serie de pruebas y retos estándar, como el Reto ImageNet; para más información al respecto, véase The Economist (2016) o Gerrish (2018). A su vez, la visión por ordenador es importante en ámbitos como los vehículos autónomos o la seguridad y la vigilancia.

Este breve apéndice ilustra la aplicación de una CNN a la predicción de datos de series temporales financieras. Para más detalles sobre las CNN, véase Chollet (2017, cap. 5) y Goodfellow et al. (2016, cap. 9).

Características y datos de las etiquetas

El siguiente código Python se encarga primero de las importaciones y personalizaciones necesarias. ...