Redes neuronales recurrentes como mecanismo de Gestión de Riesgo en mercados de valores
DOI:
https://doi.org/10.37117/s.v26i1.1122Palabras clave:
: Redes neuronales, Python, Mercados de valores, Gestión de riesgoResumen
En el presente trabajo se propone la aplicación de las redes neuronales recurrentes, específicamente Long Short-Term Memory (LSTM), para predecir los valores del precio de cierre de las acciones de NVIDIA, utilizando estas predicciones como un mecanismo de gestión de riesgo en los mercados de valores. El modelo incluye la recolección, limpieza y preparación de datos, así como el análisis y la modelización mediante Python. Se analizan los precios de cierre de la acción en los tres últimos años, comparando los resultados obtenidos con la predicción de los dos días siguientes tanto gráfica como analíticamente, utilizando métricas como la raíz de error cuadrático medio (RMSE) y el porcentaje del error absoluto medio (MAPE). Este enfoque resalta la importancia del análisis predictivo como una herramienta clave para la gestión de riesgo.
Descargas
Citas
Conti, D., Simó, C. & Rodríguez A. (2005). Teoría de carteras de inversión para la diversificación del riesgo: enfoque clásico y uso de redes neuronales artificiales (RNA). Ciencia e Ingeniería, 26(¡), 35-42
Díaz del Río, F. & Peña, J. I. (2017). Redes neuronales artificiales en finanzas. En M. A.
Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735-1780.
Hull, J. C. (2012). Risk Management and Financial Institutions. John Wiley & Sons.
Kotler, P., & Armstrong, G. (2016). Principios de marketing (16a ed.). Pearson Educación. p. 324.
Mishkin, F. S., & Eakins, S. G. (2015). Financial Markets and Institutions. Pearson.
Murphy, J. J. (1999). Technical Analysis of the Financial Markets: A Comprehensive Guide to Trading Methods and Applications. New York Institute of Finance.
Smith, J. (2022). Factores de riesgo en el trading financiero. Journal of Financial Markets, 34(2), 40-55.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Jefferson Agustín Macías Bravo, Carlos Andrés Mendoza Bravo, Maribel Pérez Pirela. PhD, Ambrosio Tineo Moya. PhD

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
El Copyright posee el propósito de proteger tanto la propiedad intelectual de los autores como sus resultados. El comité editorial de la Revista Sinapsis se compromete con los autores a proteger, defender y preservar tanto su trabajo como su reputación, y toma muy en serio las acusaciones de infracción, plagio, disputas éticas y fraude. Si un autor se da cuenta de un posible plagio, copia de resultados, fraude o infracción, le rogamos que se comunique con la mayor brevedad posible con el comité editorial de la revista Sinapsis.
CC BY-NC-ND: esta licencia permite a los reutilizadores copiar y distribuir el material en cualquier medio o formato solo sin adaptarlo, solo con fines no comerciales y siempre que se le atribuya al creador.
Términos de Licencia:
Reconocimiento: debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial: no puede utilizar el material con fines comerciales.
No Derivada: si remezcla, transforma o construye sobre el material, no puede distribuir el material modificado.
Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros de hacer cualquier cosa que permita la licencia.
El autor esta en la obligación de seguir las exigencias según lo instruido en la licencia ubicada en el enlace: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es