Normal view MARC view ISBD view

Inteligencia computacional en la modelación de series financieras: enfoque de la lógica difusa / Carlos Patricio Fuenmayor Viteri

By: Fuenmayor Viteri, Carlos Patricio.
Contributor(s): Horna Huaraca, Luis Alcides [Director].
Material type: Mixed materialsMixed materialsQuito : EPN, 2015Description: 103 hojas : ilustraciones, 29 x 21 cm + CD-ROM 6380.Subject(s): Lógica | Inteligencia computacionalOther classification: T-FCM/ Online resources: Texto completo
Contents:
LA BIBLIOTECA CENTRAL NO DISPONE DE ESTA TESIS EN FORMATO PAPEL
Dissertation note: FACULTAD DE CIENCIAS Pregrado Tesis (Ingeniero Matemática). -- Escuela Politécnica Nacional. 2015 Summary: Resumen .- Este proyecto propone un sistema híbrido difuso para pronósticos de series financieras, basado en el método de ajuste automático auto.arima del paquete forecast de R. Primeramente, se generan los pronósticos y se aplica agrupamiento difuso para identificar patrones y tendencias. Entonces, usando criterios de inferencia en los centros de los grupos, se obtiene un pronóstico medio. El sistema permite la inclusión del criterio de expertos, es decir, el usuario puede configurar restricciones en los agrupamientos basado en un conocimiento a priori de la serie de tiempo. Este enfoque puede ser aplicado a cualquier serie financiera que cumpla los requisitos de un modelo estacional autoregresivo integrado media móvil (SARIMA). El método propuesto está implementado en R. Pruebas numéricas en series de cartera, monetarios, ahorros y plazo demuestran la eficacia del método.Summary: Abstract .- This work proposes a fuzzy hybrid system for the forecast of time series, based on the automatic adjusting method called auto.arima included in the forecast package within R. First, it generates predictions and applies fuzzy clustering to identify patterns and tendencies. Then, using inference criteria for the centers of the clusters it obtains a mean forecast. The system allows the inclusion of expert criteria, i.e., the user can set up restrictions on the clustering based on a priori knowledge of the time series. This approach can be applied to any financial time series meeting the requirements of Seasonal AutoRegressive Integrated Moving Average (SARIMA) models. The proposed method is implemented in R. Numerical tests on series of banking operations such as loans, savings accounts and fixed term deposits demonstrate the efficacy of this method.
Tags from this library: No tags from this library for this title.
    average rating: 0.0 (0 votes)

FACULTAD DE CIENCIAS Pregrado Tesis (Ingeniero Matemática). -- Escuela Politécnica Nacional. 2015

Bibliografía : páginas 82 - 83.

LA BIBLIOTECA CENTRAL NO DISPONE DE ESTA TESIS EN FORMATO PAPEL

Resumen .- Este proyecto propone un sistema híbrido difuso para pronósticos de series financieras, basado en el método de ajuste automático auto.arima del paquete forecast de R. Primeramente, se generan los pronósticos y se aplica agrupamiento difuso para identificar patrones y tendencias. Entonces, usando criterios de inferencia en los centros de los grupos, se obtiene un pronóstico medio. El sistema permite la inclusión del criterio de expertos, es decir, el usuario puede configurar restricciones en los agrupamientos basado en un conocimiento a priori de la serie de tiempo. Este enfoque puede ser aplicado a cualquier serie financiera que cumpla los requisitos de un modelo estacional autoregresivo integrado media móvil (SARIMA). El método propuesto está implementado en R. Pruebas numéricas en series de cartera, monetarios, ahorros y plazo demuestran la eficacia del método.

Abstract .- This work proposes a fuzzy hybrid system for the forecast of time series, based on the automatic adjusting method called auto.arima included in the forecast package within R. First, it generates predictions and applies fuzzy clustering to identify patterns and tendencies. Then, using inference criteria for the centers of the clusters it obtains a mean forecast. The system allows the inclusion of expert criteria, i.e., the user can set up restrictions on the clustering based on a priori knowledge of the time series. This approach can be applied to any financial time series meeting the requirements of Seasonal AutoRegressive Integrated Moving Average (SARIMA) models. The proposed method is implemented in R. Numerical tests on series of banking operations such as loans, savings accounts and fixed term deposits demonstrate the efficacy of this method.

Carlos Patricio Fuenmayor Viteri cedido 2015/07/16 $ 0.20 Ej. 1 Biblioteca Central 41621

There are no comments for this item.

Log in to your account to post a comment.

Powered by Koha