Modelo estratgico para invertir en el mercado de divisas (Forex) basado en

redes neuronales
Autor: Dvila Fras Alex Vicente, Director: Herrera Piedra Gustavo Franklin
Maestra en Gerencia Empresarial, Escuela Politcnica Nacional
Quito, Ecuador
alex_davila88@hotmail.com
gustavofhp@yahoo.com


Abstract- Se propone la elaboracin de un modelo
estratgico de inversin para el par EUR/USD,
mediante un mtodo de prediccin con redes
neuronales. A fin de hacer una comparacin,
paralelamente se elaboran modelos basados en
predicciones de series de tiempo con otros mtodos:
medias mviles, suavizacin exponencial y mtodo de
Winters. La seleccin de los parmetros ptimos para
cada modelo se realiza mediante backtesting durante
un perodo, privilegiando los parmetros que
generaron mayor rentabilidad en tal perodo. Al
entrenar la red neuronal se toman retrasos y medias
mviles de los retornos de precio diarios del EUR/USD
del perodo del 24/11/2009 al 22/7/2013, el cual fue
seleccionado mediante anlisis de Hurst. Los cuatro
modelos optimizados fueron evaluados paralelamente
durante un perodo de dos meses (29/7/2013 a
27/9/2013) mediante operaciones en cuentas demo. El
modelo basado en red neuronal super en utilidad y
consecuentemente en rentabilidad (13.81% bimensual;
117.31% anual) a los otros modelos. Con los
resultados obtenidos al aplicar los modelos propuestos
paralelamente durante el perodo de evaluacin, se
gener informacin que permiti estimar el riesgo de
prdida de cada modelo mediante simulacin de
Montecarlo. El modelo basado en red neuronal es el
que present el menor riesgo de prdida (19.05%).
I. INTRODUCCIN
Al ser Forex un mercado especulativo de alto riesgo,
es deseable disponer de estrategias claras y definidas que
contribuyan a mitigar el riesgo al invertir. Considerando
que las redes neuronales han mostrado gran aplicabilidad
en anlisis de series de tiempo y en pronsticos [1], en el
presente estudio se propone la elaboracin de un modelo
estratgico de inversin para el par EUR/USD, mediante
un mtodo de prediccin con redes neuronales. En la
seccin II se describe muy brevemente el mercado de
divisas (Forex), en la seccin III se describen las redes
neuronales, en la seccin IV se resumen los mtodos
utilizados para los modelos con los que se va a comparar
el modelo basado en redes neuronales, en la seccin V se
describe el modelo basado en redes neuronales, en la
seccin VI los otros modelos, en la seccin VII se
muestra una comparacin de los resultados obtenidos con
los diferentes modelos, y finalmente, en la seccin VIII se
presentan los resultados de la estimacin del Value at
Risk.
II. FOREX
El trmino FOREX significa Foreign Exchange
Currency Market (FOReign EXchange), lo cual se
interpreta como Mercado de Intercambio de Divisas
Extranjeras. [2].
En Forex, las divisas se comercian en pares (por ejemplo
EUR/USD). Si se prev que el Euro cotizar al alza (se
fortalecer) frente al Dlar entonces se debera comprar
EUR/USD para ganar y recprocamente, si se cree que el
Euro cotizar a la baja (se debilitar) frente al Dlar, se
debera entonces vender EUR/USD.
Dentro de la terminologa propia del Trading, la
operacin de compra se conoce como posicin larga. Si
un comprador est en posicin larga en el par EUR/USD,
significa que est comprando en euros (divisa base) y est
vendiendo en dlares USA (divisa de cotizacin).
III. REDES NEURONALES
Las redes neuronales pueden ser tiles para realizar
un mapeo entrada-salida cuando la relacin exacta entre
entrada-salida es desconocida o muy compleja para ser
determinada matemticamente. Dada su habilidad para
aprender mapeos complejos, han sido usadas para
modelar relaciones econmicas no lineales. Presentando
un conjunto de datos de pares entrada-salida
iterativamente, una red neuronal puede ser entrenada para
determinar un conjunto de pesos que pueden aproximar el
mapeo.
La red neuronal multicapa de propagacin hacia
adelante (Fig. 1) es una de las arquitecturas ms
comnmente usadas. Esta consiste de una capa de entrada,
una capa de salida y una o ms capas intermedias
llamadas capas ocultas. Todos los nodos en cada capa
estn conectados a cada nodo en la capa superior
mediante fuerzas de interconexin llamadas pesos.

son
las entradas, son los pesos,

son las salidas

producidas por la red. Todos los pesos interconectados
entre capas son inicializados a pequeos valores
aleatorios al inicio. Durante el entrenamiento las entradas
son presentadas en la capa de entrada y la salida objetivo
asociada es presentada en la capa de salida. Un algoritmo
de entrenamiento es utilizado para obtener un conjunto de
pesos que minimiza la diferencia entre la salida objetivo y
la salida real producida por la red.

Fig. 1 Estructura de una red neuronal multicapa con propagacin hacia
adelante (Adaptado de [1])
IV. PREDICCIONES MEDIANTE SERIES DE
TIEMPO
Los modelos de pronstico (prediccin) basados en
series de tiempo predicen bajo la suposicin de que el
futuro es una funcin del pasado, es decir, observan lo
que ha ocurrido durante un perodo determinado y usan
una serie de datos histricos para hacer un pronstico.
Una serie de tiempo se basa en una secuencia de datos
puntuales separados a intervalos iguales (semanas, meses,
trimestres, etc.) [3].

A. Mtodo de medias mviles [4]
El mtodo de medias simples utiliza la media de todos los
datos para hacer el pronstico, pero si se tiene mayor
inters por las observaciones ms recientes, se puede
especificar un nmero constante de puntos de datos y se
puede calcular una media para las observaciones ms
recientes. El trmino promedio mvil (media mvil) se
usa para describir este enfoque. Conforme se tienen
nuevas observaciones, se calcula una nueva media al
sumar el valor ms reciente y al eliminar el ms antiguo.
Esta media mvil se usa para pronosticar el siguiente
perodo.
B. Mtodo de Suavizacin Exponencial Simple
Consiste bsicamente en tomar un conjunto de datos y
hacer un pronstico de ellos dndole una ponderacin
exponencial mayor a las observaciones ms recientes. La
ponderacin exponencial supone que el dato a pronosticar
tiene una relacin mucho ms fuerte con las
observaciones ms recientes que con las pasadas. [5].
C. Mtodo de Winters (Holt - Winters)
A partir del trabajo anterior realizado por Holt, Winters
obtuvo un mtodo capaz de capturar el nivel, la tendencia
y la estacionalidad (Se dice que hay estacionalidad
cuando una serie de tiempo est influenciada por factores
estacionales como: un da de la semana, el mes o
cuatrimestre del ao, etc.) de manera directa. Este mtodo
separa el nivel, la tendencia y la estacionalidad y luego
los integra al pronstico de manera directa sin necesidad
de utilizar mtodos de descomposicin. [5].
V. MODELO DE INVERSIN BASADO EN
REDES NEURONALES
Se plantea la elaboracin de un modelo basado en una
red neuronal, la cual se alimente con datos de los precios
histricos para pronosticar el precio futuro del par
EUR/USD. Con base en este pronstico se propone
definir una estrategia que genere seales de compra (1)
venta (0), las cuales pueden ser utilizadas por un trader
para colocar posiciones de compra / venta (a travs de
una plataforma) en una cuenta abierta con un brker.
La Fig. 2 muestra el esquema general del modelo.

A. Datos de Entrada
Como entradas de la red neuronal se toman retrasos y
medias mviles de los retornos de precio de cierre diarios
del EUR/USD del perodo del 24/11/2009 al 22/7/2013, el
cual fue seleccionado mediante anlisis de exponente de
Hurst, como se sugiere en el estudio de Kondratenko &
Kuperin [6].
B. Caractersticas de la red ptima
Mercado
de divisas
Datos histricos
de precio del par
EUR/USD
Preprocesamiento
de datos
Red
neuronal
Pronstico del
precio futuro del
par EUR/USD
Estrategia
Seal de
compra/
venta
Trader
Brker
Orden de compra / venta

Fig. 2 Esquema general del modelo basado en una red neuronal. (Imagen de Trader obtenida de [7])
Para seleccionar los parmetros ptimos (tanto para el
modelo basado en red neuronal como para los otros) se
realiza backtesting durante el perodo del 12/3/2013 al
22/7/2013, privilegiando los parmetros que generaron
mayor rentabilidad en tal perodo.

Fig. 3 Estructura de la red neuronal seleccionada
Para el caso de la red neuronal el modelo ptimo se basa
en una red multicapa hacia delante con 400 neuronas
ocultas. La red tiene 10 entradas: 8 retrasos de la serie de
retornos de precio de cierre y 2 medias mviles calculadas
sobre la misma serie. La salida es el pronstico del
retorno de precio.
C. Estrategia de Trading
Por simplicidad, y considerando que se ha empleado en
estudios anteriores ( [8], [9]), se plantea utilizar la
siguiente estrategia: si el pronstico del retorno
(incremento) del precio es positivo se genera una seal de
compra (1), caso contrario la seal es de venta (0). Una
seal de compra significa comprar el EUR/USD al precio
actual o continuar manteniendo (Hold) una posicin de
compra (si se tena una abierta), mientras una seal de
venta implica vender EUR/USD al precio actual o
continuar manteniendo (Hold) una posicin de venta (si
se tena una abierta)
D. Procedimiento de Operacin del Modelo
La Fig. 2 ilustra el procedimiento a seguir diariamente de
acuerdo a la estrategia planteada. Cada da se obtiene el
precio de cierre diario del Mercado (esto es a las 00h00
hora GMT, es decir a las 19h00 hora de Ecuador). Con el
dato del precio de cierre diario (y del precio de cierre del
da anterior) se puede calcular el retorno de precio de
cierre. Con este dato se actualizan los valores de las
entradas y se alimentan a la red neuronal, la cual
pronostica el retorno del precio para el siguiente da. Si el
retorno pronosticado es positivo se genera una seal de
compra, caso contrario la seal es de venta. De acuerdo a
la seal generada, se abren posiciones en compra o en
venta o se mantienen (hold) posiciones; siguiendo la
estrategia definida en la seccin V.C.
Inicio
Alimentar las
entradas a la red
neuronal
Calcular el retorno de precio:
Rt = (Pt/Pt-1)-1
Rt+1 > 1 ?
Obtener el precio de
cierre diario del Mercado
Pt
Seal de compra Seal de venta
Esperar la vspera del cierre de la
sesin diaria
Es viernes ?
Esperar cierre de la sesin
de Domingo
S No
Cerrar todas las posiciones S
Actualizar las entradas d la red
neuronal
La red neuronal pronostica el
retorno estimado para el
siguiente da: Rt+1
Esperar cierre de la
sesin diaria
No
Fig. 4 Diagrama de flujo del procedimiento con el modelo de red
neuronal
E. Evaluacin del modelo
1) Rentabilidad: El modelo basado en red
neuronal (as como los otros tres modelos optimizados)
fue evaluado paralelamente durante un perodo de dos
meses (29/7/2013 a 27/9/2013) mediante operaciones en
una cuenta demo. La utilidad neta obtenida durante el
perodo de inversin de 2 meses es de USD 138.10.
Considerando la inversin inicial de USD 1000, se tiene
una rentabilidad bimensual de 13.81%, con lo cual se
puede estimar una rentabilidad anual de 117.31%.
A ms de la rentabilidad, es necesario determinar si el
modelo de inversin resulta conveniente considerando el
costo de oportunidad, para lo cual se toma como
referencia la tasa de rentabilidad de 70.48% publicada por
la Superintendencia de Compaas del Ecuador para
Actividades auxiliares de las actividades de servicios
financieros, excepto las de seguros y fondos de pensiones
(Cdigo CIIU4 K661); las cuales contemplan actividades
como administracin de mercados financieros, mercados
burstiles, mercado de valores, mercado de futuros,
actividades de oficinas de cambio, etc. [10]. Sobre la base
de las utilidades obtenidas y considerando la tasa de costo
de oportunidad bimensual (9.30%) se calcula el VAN, el
cual es de USD 41.28.
2) Riesgo: Para estimar el riesgo se realiza un
anlisis estadstico de los valores de utilidad obtenidos en
las operaciones realizadas durante el perodo de
evaluacin. Se utiliza Crystal Ball para estimar el riesgo
del modelo. La utilidad de cada operacin se define como
un supuesto y se establece como pronstico el VAN.
Como resultado de la simulacin de Montecarlo se
obtiene la funcin de distribucin del VAN, y la
probabilidad de que el modelo resulte conveniente (VAN
0): 80.95%. Es decir que el riesgo de prdida es
19.05%.

Fig. 5 Probabilidad de que el modelo resulte conveniente (VAN 0)
VI. MODELOS DE INVERSIN BASADOS
EN PREDICCIN DE SERIES DE
TIEMPO
A fin de contrastar los resultados obtenidos con el
modelo basado en una red neuronal, se proponen elaborar
modelos basados en: a) Alisamiento con medias mviles,
b) Alisamiento exponencial, y c) Winters.
A. Datos de Entrada
A fin de guardar correspondencia con el modelo basado
en una red neuronal, se propone utilizar los 1137 datos de
precios de cierre diarios desde el 24/11/2009 hasta el
22/7/2013.
B. Seleccin de los modelos ptimos
Para determinar los parmetros de los modelos ptimos se
realiz backtesting durante el mismo perodo y bajo el
mismo criterio de evaluacin (rentabilidad acumulada)
que para el modelo basado en una red neuronal.
C. Estrategia de Trading
Se utiliza la misma del modelo basado en una red
neuronal, definida en V.C.
D. Procedimiento de Operacin de los Modelos
El procedimiento es muy similar al del modelo de la red
neuronal, con la diferencia que el pronstico se realiza
respectivamente mediante media mvil, alisamiento
exponencial y mtodo de Winters.
E. Evaluacin de los modelos
TABLA I
RENTABILIDAD Y RIESGO DE LOS MODELOS
Modelo Rentabilidad Riesgo
Media mvil
2.91% 90.73%
Exponencial
3.30% 90.00%
Winters
5.06% 75.84%

VII. COMPARACIN DE LOS MODELOS

Fig. 6 Utilidad acumulada de los modelos

Fig. 7 Rentabilidad de los modelos

Fig. 8 Riesgo de los modelos
VIII. VALUE AT RISK (VaR)
A fin de incluir otro validador aparte de la simulacin
de Montecarlo sobre la distribucin del VAN, se propone
calcular el Value at Risk (Valor en Riesgo) de la
operacin del par EUR/USD sobre los datos de los
retornos de precios durante el perodo de evaluacin de
los modelos: 29/7/2013 hasta el 27/9/2013. A partir de los
resultados del VaR se encuentra que para un nivel de
confianza del 95% el valor en riesgo (Value at Risk) para
el horizonte bimensual es de mximo 3.69% (del volumen
de cada operacin) y para el horizonte anual es de
mximo 8.83% (USD 176.66); es decir que con una
probabilidad del 95%, las prdidas no excedern de USD
176.66 en un horizonte de un ao.
Cabe indicar que este clculo del VaR es un valor
estimado del riesgo del mercado Forex en general; es
decir, no del riesgo operativo al aplicar un determinado
modelo.
IX. CONCLUSIONES
Este trabajo ha cumplido con su objetivo, es decir, se
ha elaborado un modelo estratgico de inversin para el
mercado Forex para el par EUR/USD, mediante el
mtodo de prediccin con redes neuronales y se lo ha
comparado con otros modelos: media mvil, alisamiento
exponencial y Winters.
El modelo basado en red neuronal gener mayor utilidad
y consecuentemente mayor rentabilidad que los otros
modelos, los cuales aunque generaron utilidad, no
resultaron convenientes al considerar el VAN con un
costo de oportunidad basado en alternativas de inversin
similares.
El modelo basado en red neuronal es el que presenta el
menor riesgo de prdida.
RECONOCIMIENTOS
Agradecimientos al Profesor Cristian Dunis (Universidad
de Liverpool John Moores).
REFERENCIAS
[1] J. Kamruzzaman y R. A. Sarker, Comparing
ANN Based Models with ARIMA for Prediction
of Forex Rates, 2003. [En lnea]. Available:
http://www.asor.org.au/publication/files/jun2
003/Joarder.pdf.
[2] R. Jaramillo y A. Jimnez, Modelo estratgico
para invertir en el mercado Forex basado en
las Bandas de Bollinger, UNIVERSIDAD
TECNOLOGICA DE PEREIRA, 2008.
[3] J. Heizer y B. Render, Principios de
Administracin de Operaciones, Mxico:
Pearson, 2004.
[4] J. E. Hanke y D. W. Wichern, Pronsticos en los
negocios, Mxico: Pearson, 2006.
[5] S. Madrigal, Modelos de espacio de estados
subyacentes al mtodo multiplicativo de Holt-
Winters con mltiple estacionalidad, 2006.
[En lnea]. Available:
http://pisis.fime.uanl.mx/ftp/pubs/thesis/msc
/2006-sergio_madrigal/tesis-sergio-2006.pdf.
[6] V. Kondratenko y Y. A. Kuperin, Using
Recurrent Neural Networks to Forecasting of
Forex, 2003. [En lnea]. Available:
http://arxiv.org/ftp/cond-
mat/papers/0304/0304469.pdf.
[7] Can Stock Photo, Trader illustrations and
clipart, 2013. [En lnea]. Available:
http://www.canstockphoto.com/illustration/tr
ader.html.
[8] C. Dunis, J. Laws y P. Naim, Applied
quantitative methods for trading and
investment, Chichester: John Wiley & Sons
Ltd, 2003.
[9] C. Dunis, J. Laws y G. Sermpinis, Modelling
and Trading the EUR/USD Exchange Rate at
the ECB Fixing, 2008. [En lnea]. Available:
http://www.ljmu.ac.uk/Images_Everyone/Art
CDJSGS_0608(1).pdf.
[10] Superintendencia de Compaas del Ecuador,
Codificacin del CIIU4, (actividad econmica
principal), 2013. [En lnea]. Available:
http://www.supercias.gob.ec/bd_supercias/fo
rmularios/CIIU4_SUPERINTENDENCIA.pdf.


BIOGRAFA
Alex Dvila (Autor): Ingeniero en Electrnica y Control
(EPN, 2006, mejor graduado de las Escuelas de Ingeniera
y Ciencias).
Egresado de la Maestra en Gerencia Empresarial (EPN,
2013). Tesis presentada; pendiente de calificacin y grado
oral.
Gustavo Herrera (Director): Matemtico (EPN, 1986)
Magster en Investigacin Operativa mencin Gerencia
U.A. Simn Bolvar, 1998.