Redes neuronales para la búsqueda de estrategias óptimas en problemas de econofísica
En esta tesis se desarrollaron técnicas computacionales para estudiar dos problemas dentro del área de la econofísica: modelos multi-agente de distribución de riqueza, y predicción de series temporales en mercados nancieros. Se estudiaron modelos cinéticos de intercambio de riqueza basados en sis...
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Tesis NonPeerReviewed |
| Lenguaje: | Español |
| Publicado: |
2021
|
| Materias: | |
| Acceso en línea: | http://ricabib.cab.cnea.gov.ar/946/1/1Ne%C3%B1er_J.pdf |
| Aporte de: |
| Sumario: | En esta tesis se desarrollaron técnicas computacionales para estudiar dos problemas
dentro del área de la econofísica: modelos multi-agente de distribución de riqueza, y
predicción de series temporales en mercados nancieros.
Se estudiaron modelos cinéticos de intercambio de riqueza basados en sistemas de
agentes. En particular, se estudiaron los modelos conocidos como Yard-Sale y Merger-
Spinoff, cuyos resultados a nivel macroscópico han sido de especial interés debido a
sus analogías con casos empíricos. Se hace especialmente evidente la acumulación de
riqueza en pocos individuos, una de las características centrales en sistemas económicos
capitalistas.
Se analizó la aparición de leyes de potencias en las distribuciones de riqueza, a
partir de las cuales se determinaron los correspondientes índices de Pareto e índices de
Gini, entre otras características típicas de sistemas económicos.
Se hizo especial hincapié en realizar un análisis de las dinámicas microscópicas
individuales de los agentes. La implementación de algoritmos eficientes programados en
GPU utilizando CUDA C/C++ hizo posible la obtención de buena estadística en estos
modelos de carácter estocástico, permitiendo visualizar la aparición de ergodicidad y
fenómenos invariantes de escala.
El modelo Yard-Sale resultó ser de especial complejidad a nivel microscópico. Se
encontraron estrategias óptimas que maximizan la riqueza individual de cada agente,
realizando su entrenamiento mediante un algoritmo genético. La adición de diferentes
niveles de racionalidad, dada por la cantidad de información que poseen de su entorno,
mostró resultados prometedores tanto a nivel macroscópico como microscópico.
Por otro lado se estudió la implementación de redes neuronales para la predicción
de la tendencia del par EUR/USD. Se investigaron diferentes arquitecturas y métodos
de entrenamiento que llevaron al desarrollo de un algoritmo propio. Este resultó ser
incluso más eficiente que las librerías mas comúnmente utilizadas, tanto en tiempo
como en utilización de memoria.
|
|---|