Resumen

El objetivo principal de esta investigación fue pronosticar el rendimiento de tres índices bursátiles utilizando el perceptrón multicapa (MLP), la red neuronal recurrente (RNN) y el modelo autorregresivo de media móvil integrada (ARIMA) en datos históricos. Además, comparamos las habilidades extrapolativas de un híbrido de ARIMA con MLP y modelos RNN, llamados ARIMA-MLP y ARIMA-RNN. Debido a la naturaleza complicada y ruidosa de los datos financieros, combinamos técnicas novedosas de aprendizaje automático como MLP y RNN con el modelo ARIMA para predecir los datos de los tres mercados bursátiles. Los datos utilizados en este estudio fueron tomados de la Bolsa de Valores de Pakistán, la Bolsa Nacional de Valores de la India y la Bolsa de Valores de Sri Lanka. En el caso de Pakistán, los resultados muestran que ARIMA-MLP y ARIMA-RNN superan a los modelos ARIMA, MLP y RNN individuales en cuanto a precisión. De manera similar, en el caso

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Objetivo de investigación; índices del mercado de valores; Perceptrón multicapa; Red neuronal recurrente; Media móvil autorregresiva integrada; Modelos híbridos
• Keywords:Research aim; Stock market indices; Multilayer perceptron; Recurrent neural network; Autoregressive integrated moving average; Hybrid models