CONTENIDO III. TEORÍA DE REDES NEURONALES

 Teoría de redes neuronales

ver... REDES NEURONALES

La llamada teoría de las redes neuronales hacer referencia a que la corteza cerebral esta formada por unas células denominadas neuronas, cada una de estas células está formada por un cuerpo, un axón, y una multitud de dentritas. Las dentritas forman una estructura de filamentos muy fina que rodean el cuerpo de la neurona. El axón es un tubo largo y delgado que se ramifica en su extremo en pequeños bulbos finales que casi tocan las dentritas de las células vecinas. 

La pequeña separación entre los bulbos finales y las dentritas se le denomina sinapsis. Los impulsos eléctricos viajan por el axón y hace contacto con las dentritas de la neurona vecina mediante las sinápsis. La intensidad de la corriente transmitida depende de la eficiencia de la transmisión sináptica. Una neurona en especial transmitirá un impulso eléctrico por su axón si suficientes señales de las neuronas vecinas transmiten a través de sus dentritas en un tiempo corto, denominado período de suma latente. 

La señal que se transmite a la neurona podrá ser inhibitoria o excitatoria. La neurona manda el impulso por su axón, si la excitación excede su inhibición por un valor crítico, el umbral de la neurona.

Dos tipos de aprendizaje

Existen dos tipos de aprendizaje: supervisado y no supervisado.

 El primero ocurre cuando se le proporciona a la red tanto la entrada como la salida correcta, y la red ajusta sus pesos tratando de minimizar el error de su salida calculada. Este tipo de entrenamiento se aplica, por ejemplo, en el reconocimiento de patrones. 

El entrenamiento no supervisado se presenta cuando a la red se le proporcionan únicamente los estímulos, y la red ajusta sus interconexiones basándose únicamente es sus estímulos y la salida de la propia red. Las leyes de aprendizaje determinan como la red ajustará sus pesos utilizando una función de error o algún otro criterio.

 La ley de aprendizaje adecuada se determina en base a la naturaleza del problema que se intenta resolver.

Asociar y generalizar sin reglas como en el cerebro humano

Las redes neuronales formadas por los perceptores se interconectan en forma muy similar a como las neuronas humanas se disponen en la corteza cerebral humana, y lo más importante, son capaces de asociar y generalizar sin reglas. Han sido utilizadas con gran éxito para reconocer retornos de sonar bajo el agua, escritura a mano, voz, topografía de terrenos, controlar brazos de robots, evaluar datos personales, modelar fenómenos cognoscitivos, y, predecir tendencias financieras. 

Requieren de algún tipo de patrón La clase de problemas que mejor se resuelven con las redes neuronales son los mismos que el ser humano resuelve mejor: Asociación, evaluación, y reconocimiento de patrones. Las redes neuronales son perfectas para problemas que son muy difíciles de calcular pero que no requieren de respuestas perfectas-sólo respuestas rápidas y buenas. 

Tal y como acontece con el escenario bursátil en el que se quiere saber ¿compro?, ¿vendo?, ¿mantengo? Por otra parte, las redes neuronales son ineficaces para cálculos precisos, procesamiento serie, y no son capaces de reconocer nada que no tenga inherentemente algún tipo de patrón.

La red neuronal de Propagación hacia atrás:

El perceptor solo es el ejemplo más elemental de una red neuronal, de hecho, no puede siquiera ser considerado una “red”, puesto que no intervienen otros elementos. Si se combinan varios perceptores en una “capa”, y los estímulos de entrada después se suman tendremos ya una red neuronal. Una red neuronal muy eficaz para resolver fundamentalmente problemas de reconocimiento de patrones es la red neuronal de propagación hacia atrás, en inglés back propagation network. 

En esta red, se interconectan varias unidades de procesamiento en capas, las neuronas de cada capa no se interconectan entre sí. Sin embargo, cada neurona de una capa proporciona una entrada a cada una de las neuronas de la siguiente capa, esto es, cada neurona transmitirá su señal de salida a cada neurona de la capa siguiente. La figura muestra un ejemplo esquemático de la arquitectura de este tipo de redes neuronales.

Redes Neuronales en los Mercados Financieros

La teoría de las redes neuronales aplicada a los mercados financieros tiene en cuenta el frustrante proceso por utilizar las redes neuronales para obtener resultados significativos con el mercado hacen dudar de la eficiencia de las mismas, el problema radica en que: 

• Utilizan normalmente redes comerciales existentes, mucho el modelo de propagación hacia atrás que fue explicado en los párrafos precedentes.
• Es un problema muy complejo, pero sobre todo muy diferente a los casos que normalmente son manejados con redes neuronales.
• En efecto, el problema es diferente por que en realidad no se conoce a priori la señal deseada de salida. Por lo tanto, a lo más que se puede llegar es a formular un modelo del mercado que en cierta forma genere una especie de promedio móvil, aquí tratan de extrapolar al futuro para predecir el comportamiento de la acción.