Comportamiento del mercado de divisas: una aplicación de Redes Neuronales Artificiales

http://repositorio.ulvr.edu.ec/handle/44000/4040

Autores/as

  • Arturo Morales Castro Universidad Nacional Autónoma de México
  • Eliseo Ramírez Reyes Universidad Nacional Autónoma de México
  • Ricardo Jiménez Zamudio Universidad Nacional Autónoma de México

DOI:

https://doi.org/10.62325/10.62325/yachana.v9.n1.2020.625

Palabras clave:

Tipo de cambio, Redes Neuronales, divisas

Resumen

El objetivo de este estudio es analizar mediante un  modelo de redes neuronales, el rendimiento intradía del tipo de cambio peso mexicano – dólar estadounidense en función del comportamiento de las divisas tanto de países emergentes como desarrollados, dentro de los cuales se encuentran rand sudafricano (USDZAR), lira turca (USDTRY), rublo ruso (USDRUB), zloty polaco (USDPLN), corona checa (USDCZK), euro (EURUSD), corona sueca (USDSEK), corona noruega (USDNOK), franco suizo (USDCHF), dólar canadiense (USDCAD), libra esterlina (GBPUSD), yen japonés (USDJPY) y el real brasileño (USDBRL), en el periodo de julio de 2018 a enero de 2019 para identificar cuál de las variables analizadas tiene un mayor impacto en el comportamiento del tipo de cambio peso en el periodo seleccionado.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Chalamandaris, G., y Tsekrekos, A. E. (2010). The Correlation Structure of FX Option Markets before and since the Financial Crisis. Applied Financial Economics, 20(1–3), 73–84.

Drozdz, S., Górski, A., & Kwapién J. (2007). World currency exchange rate cross-correlations. European Physical Journal. 58(1), 499-502.

Fenn, D., Porter, M., Mucha, P., McDonald, M., Williams, S., Johnson, N., y Jones, N. (2012). Dynamical clustering of exchange rates. Quantitative Finance, 12(10), 1493–1520.

Han-Seung Kwon, Lenskiy, A., & Koneva, K. (2012). Trading foreign currencies based on long range dependence. Fourth International Conference on Computational Intelligence, Modelling and Simulation. 1(1), 1-5.

Palisade Corporation. (2015). Guía para el uso de Neural Tools. USA. Recuperado de https://www.palisade.com/downloads/documentation/7/es/NeuralTools7_ES.pdf

Mougoué, M., y Aggarwal, R. (2011). Trading volume and exchange rate volatility: Evidence for the sequential arrival of information hypothesis. Journal of Banking & Finance, 35(10),

Morales Castro, Arturo (2009). Determinantes económico-financieros del tipo de cambio peso-dólar México: 1999-2007 [tesis doctoral]. Universidad Nacional Autónoma de México [UNAM], CdMx, Mexico.
Morales, Arturo; Ramírez, Eliseo & Sanabria-Landazábal, Néstor J. (2020). The mexican stock exchange performance after the financial crisis of 2008: an application of data mining. Dimensión Empresarial, 18(1). DOI: 10.15665/dem.v(18)i.2246

Stosic, D., Stosic, D., Ludermir, T., & Stosic, T. (2016). Correlations of multiscale entropy in the FX market. Physica A,1(1), 457, 52–61.

Strozzi, F. (2002). Application of non-linear time series analysis techniques to high frecuency currency exchange data. Liuc Papers. 99(14), 1-46.

Syahidah, N., and, Y., & Sharif, S. (2017). Detecting a currency’s dominance using multivariate time series analysis. Journal of Physics: Conference Series, 890(1), 1-6.

Wei-Shen Li, Yun-Jie Tsai, Yu-Hsien Shen, y Sy-Sang Liaw. (2016). General and specific statistical properties of foreign exchange markets during a financial crash. Physica A: Statistical Mechanics and Its Applications, 451(1), 601–622.

Zhang, G. Peter. (2004). Neural Networks in Business Forecasting. USA: Universidad del estado de Georgia.

Descargas

Publicado

2020-01-30

Cómo citar

Morales Castro , A. ., Ramírez Reyes , E. ., & Jiménez Zamudio, R. (2020). Comportamiento del mercado de divisas: una aplicación de Redes Neuronales Artificiales: http://repositorio.ulvr.edu.ec/handle/44000/4040. Yachana Revista Científica, 9(1). https://doi.org/10.62325/10.62325/yachana.v9.n1.2020.625

Número

Sección

Área Ciencias Administrativas y Económicas