“Al principio vienen necesariamente a la mente la fantasía y la fábula. Desfilan después lo cálculos matemáticos, y sólo al final la realización corona el
pensamiento”.
Konstantín Eduardovich Tsiolkovski.
8.1 Conclusiones
En línea con los objetivos propuestos para este trabajo, a continuación se muestran las conclusiones de mayor relevancia que se recogieron durante la elaboración del mismo.
El primer objetivo propuesto era el desarrollo de una teoría que sirviera de base para la elaboración de sistemas automáticos de reconocimiento de patrones del análisis técnico bursátil. En relación al mismo las conclusiones que se obtuvieron fueron las siguientes:
• El desarrollo de la teoría a través del estudio del análisis de series temporales, los modelos ocultos de Markov, el análisis técnico bursátil y los sistemas de reconocimiento de patrones, resultó completa y fructífera, permitiendo aplicar ideas desarrolladas en principio para otras disciplinas como el reconocimiento de voz, reconocimiento de imágenes digitalizadas, análisis de series financieras, etc., para el estudio de los patrones del análisis técnico bursátil.
• Los HMM resultaron una pieza fundamental en el desarrollo de la teoría, permitiendo por un lado modelar las series temporales financieras (no estacionarias y altamente volátiles por naturaleza) a través de las características elegidas para las mismas, y por otro lado identificar un conjunto de estados finitos a través de los que se desarrollan los patrones del análisis técnico bursátil.
El segundo objetivo se refería a la aplicación de la teoría desarrollada, y las conclusiones obtenidas fueron las siguientes:
• La aplicación al caso de estudio “Las etapas del mercado” mostró que la teoría desarrollada fue efectiva para su consecución y resulto ampliamente satisfactoria para el caso. Como puede apreciarse en los resultados de la aplicación se logra capturar la idea de Stan Weinstein en su libro [Wei98], donde el autor expresa: “una mirada al gráfico vale más que mil predicciones”, aunque en este trabajo se automatizó el proceso.
• Los resultados empíricos de la aplicación en las series temporales financieras de test fueron satisfactorias, produciendo la correcta determinación de la etapa de mercado en la que se encuentra el precio del activo en cada momento de tiempo (según la dimensión temporal elegida).
• La implementación del sistema de reconocimiento de patrones del análisis técnico bursátil, gracias al desarrollo previo de la teoría, resultó accesible y sin mayores complicaciones.
El objetivo secundario, pero no menos importante, era dotar a la teoría de un carácter general para permitir su aplicación a otros ámbitos. Dicho objetivo ha sido cumplido con la forma en que se elaboró cada capítulo y con la presentación de la metodología del los sistemas de reconocimiento de patrones basados en HMM de manera general.
Finalmente es importante puntualizar los aspectos más difíciles concernientes a la aplicación de la teoría que tuvieron que ser encarados, las herramientas que se utilizaron para lograr superarlos y las conclusiones que se obtuvieron en el proceso.
En cuanto a la etapa de extracción de características de los sistemas de reconocimiento de patrones, fue fundamental a la hora de la aplicación de la teoría el desarrollo de los métodos de minería de datos incluidos en el capítulo 6. Asimismo la mayor dificultad en dicho momento estuvo representada por la elección de las
características de las que luego se extraerían los valores, que previo proceso, permitirían obtener la secuencia de observaciones del modelo.
En cuanto a los HMM, pertenecientes a la etapa de clasificación del sistema de reconocimiento de patrones, la inclusión de los problemas de implementación y sus posibles soluciones en el capítulo 4, fue fundamental para la resolución de dichos problemas en el momento de la aplicación de la teoría. La mayor dificultad relativa a los HMM a la hora de su aplicación fue la elección de la topología adecuada para el caso de estudio.
Es interesante señalar que en ambas etapas del sistema de reconocimiento de patrones, la mayor dificultad estuvo representada por cuestiones que son privativas del conocimiento del problema y son responsabilidad del diseñador del sistema, y sobre lo que no existe una solución teóricamente correcta como se expresó
oportunamente, pues estas elecciones dependen del tipo de señal que se esté analizando y del patrón que se quiera reconocer en ella.
Por supuesto, una vez elegidas las características y la topología del modelo, se podría comparar el rendimiento y la eficacia del sistema con respecto a otros modelos y/o otros conjuntos de características, pero no se tendrá la certeza de que el modelo y las características que resulten con mejor rendimiento, sean los mejores posibles, solamente que son los mejores del conjunto analizado. Nótese que la definición de mejor depende también del problema específico.
8.2 Aportes de esta tesis
Los aportes principales de esta tesis se detallan a continuación:
• Taxonomía de series temporales financieras: La investigación del estado del
arte de los diferentes modelos utilizados para modelar series temporales financieras es el primer aporte de este trabajo. La clasificación aportada permite identificar las particularidades que son comunes en los modelos mostrados por distintos autores, así como los aspectos que las diferencian.
• Desarrollo de un sistema automático de reconocimiento de patrones del análisis técnico bursátil: Teniendo en cuenta que el único trabajo encontrado
al respecto es el de John Murphy, y que presenta las limitaciones citadas en los capítulos 1 (sección 1.2) y capítulo 2 (sección 2.4.3), el desarrollo de la teoría que permite la elaboración del sistema citado es uno de los aportes fundamentales de este trabajo.
• Aplicación de los HMM al reconocimiento de patrones del análisis técnico bursátil: Dado que no se han encontrado trabajos al respecto, la aplicación de
los HMM a dichos sistemas constituye otro de los aportes de esta tesis.
• Demostraciones de las proposiciones del capítulo 4: Todas las proposiciones
enunciadas en el capítulo 4 (cuya demostración se incluye en al apéndice A), figuraban sin prueba en todos los textos consultados. A muchos lectores, entre los que se incluye el autor de esta tesis, les puede resultar complejo entender las igualdades que las proposiciones enuncian con respecto a un tema novel en la literatura como lo son los HMM, por lo tanto las demostraciones (que no son triviales), son un aporte al correcto entendimiento del funcionamiento de los algoritmos de los HMM.
• Topología del HMM para las etapas del mercado: Dado que como fue
expresado en la sección anterior, uno de los procedimientos más complejos es elegir adecuadamente la topología del HMM para un problema en particular. La topología propuesta para el caso de estudio de las etapas del mercado constituye otra contribución de esta tesis.
8.3 Líneas de continuación
Las líneas de continuación y/o futuros desarrollos posibles a partir de esta tesis se detallan a continuación:
Con respecto a la teoría:
• Investigar el uso de IOHMM (modelo oculto de Markov de entrada y salida) como reemplazo de los HMM en la etapa de clasificación de los sistemas de reconocimiento de patrones, esta variación de los HMM poseen además de un conjunto de símbolos de observación (outputs), un conjunto de símbolos de
entrada (inputs), y tienen otras peculiaridades como por ejemplo la cadena de
Markov oculta puede ser no homogénea. La presentación de estos modelos
puede verse en [BF95], y una aplicación a series de retornos financieros puede consultarse en [BLD02].
• Investigar y desarrollar la teoría que permita utilizar más de un modelo en la etapa de clasificación del sistema, para luego tomar la decisión de la mayoría. Como puede ser el uso de los tres siguientes: DTW (algoritmo dinámico de tiempo), HMM y ANN (Algoritmo basado en redes neuronales), la utilización de los tres citados, en el contexto del reconocimiento de voz se muestra en [LMM07].
Con respecto a la aplicación de la teoría:
• Aplicar la teoría a un caso de estudio que se corresponda con un sistema de reconocimiento que reconozca un patrón entre varios patrones bursátiles, como pueden ser: sistemas de reconocimiento de patrones de cambio de tendencia, sistemas de reconocimiento de patrones de continuación de tendencia o sistemas que reconozcan ambos tipos de patrones.
• Aplicar la teoría al reconocimiento de patrones en series temporales de otros ámbitos, como pueden ser: series temporales climatológicas, series temporales de la investigación médica, etc.