Resumen

Este trabajo propone una predicción multivariante y en línea de los precios de las acciones mediante el paradigma del filtrado adaptativo del núcleo (KAF). La predicción de los precios de las acciones en los problemas tradicionales de clasificación y regresión requiere un entrenamiento independiente y por lotes. En este artículo, desafiamos esta noción existente en la literatura y proponemos un enfoque basado en el filtrado adaptativo de núcleos en línea para predecir los precios de las acciones. Experimentamos con diez algoritmos diferentes de KAF para analizar el rendimiento de las acciones y mostramos la eficacia del trabajo aquí presentado. Además, y a diferencia de la bibliografía actual, examinamos datos de nivel granular. Los experimentos se realizan con cotizaciones recogidas en la ventana de un minuto, cinco minutos, diez minutos, quince minutos, veinte minutos, treinta minutos, una hora y un día. Estas ventanas de tiempo representan algunas de las ventanas comunes utilizadas frecuentemente por los operadores. El marco propuesto se ha probado con 50 valores diferentes que componen el índice bursátil indio Nifty-50. Los resultados experimentales muestran que el aprendizaje en línea y el KAF no sólo son una buena opción, sino que, en la práctica, también pueden utilizarse en la negociación de alta frecuencia.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:precio de las acciones, minutos, predicción de las acciones, filtrado adaptativo, diferentes algoritmos kaf, paradigma del kernel, índice bursátil indio, datos de nivel granular, naturaleza del entrenamiento, marco propuesto
• Keywords:stock price, minutes, prediction of stock, adaptive filtering, different kaf algorithm, paradigm of kernel, indian stock index, granular level data, nature of training, proposed framework