DSpace Repository

Predicción de riesgos en el entorno financiero mediante algoritmos de cómputo no convencional

Show simple item record

dc.contributor.author Serrano Silva, Yosimar Oswaldo
dc.date.accessioned 2018-03-15T19:41:19Z
dc.date.available 2018-03-15T19:41:19Z
dc.date.created 2017-06
dc.date.issued 2018-03-09
dc.identifier.citation Serrano Silva, Yosimar Oswaldo. (2017). Predicción de riesgos en el entorno financiero mediante algoritmos de cómputo no convencional. (Maestría en Ciencias de la Computación). Instituto Politécnico Nacional, Centro de Investigación en Computación, México. es
dc.identifier.uri http://tesis.ipn.mx/handle/123456789/24247
dc.description Tesis (Maestría en Ciencias de la Computación), Instituto Politécnico Nacional, CIC, 2017, 1 archivo PDF, (91 páginas). tesis.ipn.mx es
dc.description.abstract RESUMEN: En este trabajo de tesis se presenta una metodología para ajustar los valores de los pesos de cada uno de los atributos de un banco de datos a clasificar, perteneciente al entorno financiero, que un modelo de clasificación asociativo recibe aumentando así su rendimiento. Para llevar a cabo dicho ajuste de pesos, se emplearon tres metaheurísticas: Evolución Diferencial (ED), Algoritmo Genético (AG) y Novel Bat Algorithm (NBA). El modelo de clasificación utilizado, Naïve Associative Classifier (NAC), es un algoritmo de reciente creación cuyas principales característica son su simplicidad y transparencia, pero no por estas características es menos eficiente. Este clasificador tiene como ventaja el no necesitar de una gran cantidad de parámetros a ajustarse por el usuario, además de que es indiferente a los tipos de datos que contenga el banco de datos en cuestión, o si este tiene valores perdidos o no. Este modelo de clasificación utiliza un operador de similitud llamado MIDSO, el cual le permite obtener resultados competitivos sin la necesidad de realizar un tratamiento previo a los datos. No obstante que el NAC ha mostrado un buen desempeño al ser utilizado en bancos de datos financieros, su desempeño podría mejorar de realizarse un correcto ajuste de los valores de los pesos que recibe. En este trabajo se muestran los resultados de ajustar los pesos con ED, AG y NBA, con la finalidad de aumentar su desempeño. es
dc.description.abstract ABSTRACT: In the current document of thesis is presented a methodology to adjust the values of the weights of each of the attributes of a database to be classified, belonging to the financial environment, which an associative classification model receives, increasing its performance. To carry out this adjustment of weights, three metaheuristics were used: Differential Evolution (ED), Genetic Algorithm (AG) and Novel Bat Algorithm (NBA). The classification model used, Naïve Associative Classifier (NAC), is an algorithm of recent creation whose main characteristics are its simplicity and transparency, but not for these characteristics is less efficient. This classifier has the advantage of not needing a large number of parameters to be set by the user, besides that it is indifferent to the types of data contained in the database in question, or whether it has missing values or not. This classification model uses a similarity operator called MIDSO, which allows it to obtain competitive results without the need to perform a pre-treatment of the data. Although the NAC has shown a good performance when has been used in financial data banks, its performance could improve if a correct adjustment of the values of the weights received is performed. In this paper we show the results of adjusting the weights with ED, AG and NBA, in order to increase their performance. en
dc.language.iso es es
dc.subject Algoritmo genético es
dc.subject Evolución diferencial es
dc.title Predicción de riesgos en el entorno financiero mediante algoritmos de cómputo no convencional es
dc.type TESIS es
dc.contributor.advisor Yáñez Márquez, Cornelio
dc.contributor.advisor Villuendas Rey, Yenny


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Browse

My Account