Predicción de series temporales usando máquinas de vectores de soporte

Time series prediction using support vector machines

La predicción de series de tiempo es un importante problema de investigación debido a sus implicaciones en ingeniería, economía, finanzas y ciencias sociales. Un importante tópico de esta problemática es el desarrollo de nuevos modelos y su comparación con aproximaciones previas en términos de la precisión del pronóstico. Recientemente, las máquinas de vectores de soporte (SVM) han sido usadas para la predicción de series de tiempo, pero las experiencias reportadas son limitadas y hay algunos problemas relacionados con su especificación. El objetivo de este artículo es proponer una técnica novedosa para estimar algunas constantes en las SVM que usualmente son fijadas en forma empírica por el modelador. La técnica propuesta es usada para estimar varias SVM con el fin de pronosticar cinco series benchmark; los resultados obtenidos son comparados con las estadísticas reportadas en otros artículos. La metodología propuesta permite obtener SVM competitivas para las series pronosticadas en comparación con los resultados obtenidos usando otros modelos más tradicionales.

INTRODUCCIÓN

La predicción del comportamiento futuro de diferentes variables físicas, sociales, financieras y económicas ha sido un problema de particular interés para científicos y profesionales de diversas áreas [1]. Se busca encontrar el modelo que permita determinar con la mayor precisión posible los valores futuros de la serie investigada, para uno o más periodos hacia delante. Para abordar este problema se han desarrollado numerosas técnicas que abarcan modelos estadísticos tradicionales tales como los ARIMA y las funciones de transferencia [2], hasta modelos no lineales [3]. Particularmente, los modelos de redes neuronales artificiales han sido de especial utilidad cuando la serie estudiada presenta características no lineales; en [4] se presenta una revisión general, y aplicaciones específicas en [5-13].

Particularmente, los perceptrones multicapa (MLP, por sus siglas en inglés) han sido ampliamente utilizados para la predicción de series no lineales, debido a que pueden aproximar cualquier función continua definida en un dominio compacto [14-16]. Sin embargo, su especificación se basa fundamentalmente en criterios heurísticos y juicio experto del modelador [17, 18], de tal manera, que dicho proceso se basa en un conjunto de pasos críticos que afectan el desempeño final del modelo [19], en términos de su ajuste a los datos históricos y su capacidad de generalización con el fin de realizar pronósticos.

Las máquinas de vectores de soporte (SVM, por sus siglas en inglés) [20, 21] son un tipo de red neuronal que fue originalmente diseñada para la solución de problemas no lineales de clasificación [22, 23], pero que recientemente se ha aplicado a problemas de regresión [21, 24] y predicción de series temporales [25-29]. Ello se debe a su capacidad de generalización [30, 31], la cual es función directa de su estructura y de la metodología utilizada para la estimación de sus parámetros.