Modelo combinado basado en redes neuronales recurrentes y redes convolucionales de grafos para la predicción de series temporales económicas

Resumen

En las últimas décadas se ha afianzado un conjunto de metodologías que, inspiradas en sistemas neuronales y biológicos, pueden resolver problemas cómo el reconocimiento de formas e imágenes y la toma de decisiones en distintos ámbitos mediante soluciones robustas. Las redes neuronales artificiales, gracias a su facilidad de aplicación práctica y resultados, han generado especial interés entre investigadores estadísticos, matemáticos y analistas de datos, que ya las incorporan al conjunto de herramientas empleadas en tareas de análisis y predicción. Hasta el momento, las investigaciones que incorporaban predicciones en sus estudios recurrían a las técnicas estadísticas tradicionales, las cuales aplican modelos de regresión para lograr, mediante el análisis de datos pasados, los posibles valores futuros. Una red neuronal artificial se define como un conjunto de neuronas que mediante una combinación de pesos y funciones es capaz de realizar tareas de predicción, destacando la predicción de series temporales. Las series temporales consisten en un conjunto de valores que se consideran observaciones tomadas a lo largo de un periodo de tiempo y con una periodicidad determinada. A lo largo del siglo XX se desarrollaron distintos tipos de redes neuronales que, basadas en algoritmos matemáticos con distintos objetivos, lograron confirmar la precisión de las redes neuronales para la predicción. En función de las características de la red neuronal, esta tendrá la capacidad de realizar pronósticos en un determinado campo, como procesamiento de imágenes, series temporales y lenguaje natural. Estos desarrollos han llevado en los últimos años a la investigación acerca de la viabilidad en la combinación de distintos modelos para una determinada labor de predicción, de forma que mediante la creación de modelos híbridos se mejoren los resultados obtenidos en los modelos por separado. En este trabajo de investigación se desarrolla el estudio de un modelo híbrido combinado BiLSTM-GCN que permite la predicción de valores en el campo de la economía. El modelo propuesto combina redes de tipo Bidirectional Long-short Term Memory (BiLSTM), Graph Convolutional Network (GCN) y Long-short Term Memory (LSTM) aportando las características de ambos tipos para la obtención de resultados más precisos. Las redes de tipo LSTM y BiLSTM han demostrado ampliamente en la literatura su capacidad de pronóstico de series temporales con resultados altamente precisos y ajustados, mientras que las redes GCN se centran en las predicciones de modelos de grafos, realizando la predicción del siguiente nodo en función de los enlaces con los vecinos. La combinación de los dos modelos de redes neuronales permite captar las características de las series temporales desde varias perspectivas. Las series temporales analizadas en este documento parten del ámbito económico. Este tipo de series temporales se caracterizan por no presentar estacionariedad ni una tendencia clara, de forma que es requerido aplicarle diferentes tipos de pruebas para obtener series temporales óptimas para su predicción. Para la evaluación del modelo propuesto se procedió a realizar una comparativa con diferentes métodos estadísticos clásicos y los modelos empleados por separado, permitiendo así validar la calidad de la precisión obtenida con el nuevo modelo. Palabras clave: Aprendizaje profundo; Redes neuronales; Predicción de series temporales; LSTM; GCN; Capas ocultas; Precisión.