Resumen

El análisis y la predicción de series temporales son grandes desafíos científicos que encuentran sus aplicaciones en campos tan diversos como las finanzas, la biología, la economía, la meteorología, entre otros. Obtener el método con el menor error de predicción es uno de los problemas difíciles de los analistas del mercado financiero e inversiones. El modelado de espacio de estado es un método eficiente y flexible para la inferencia estadística de una amplia clase de series temporales y otros datos. La red neuronal es una herramienta importante para analizar series temporales, especialmente cuando son no lineales y no estacionarias. Se reunieron herramientas esenciales para el estudio de la metodología de Box-Jenkins, las redes neuronales y el filtro de Kalman extendido. Examinamos el uso del método de red neuronal autorregresiva no lineal como técnica de predicción para series temporales financieras y la aplicación del algoritmo de filtro de Kalman extendido para mejorar la precisión del modelo. Como aplicación en un ejemplo real, estamos analizando la serie temporal del precio diario del acero durante un período de 790 días para

• Materias:Modelo Matemático Simulación numérica Fraccionarios lineales Operadores diferenciales Matriz de transición
• Subjects:Mathematical model Numerical simulation Linear fractional Differential operators Transition matrix
• Palabras claves:Análisis de series temporales; Predicción; Mercado financiero; Modelado de espacio de estados; Red neuronal; Filtro de Kalman extendido
• Keywords:Time series analysis; Prediction; Financial market; State space modelling; Neural network; Extended Kalman filter