Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Artículos de Investigación

Vol. 6 Núm. 2 (2024): REBI, Revista Boliviana de Ingeniería

Impacto del Deep Learning en finanzas: Revisión y perspectivas

Publicado
2024-07-01

El artículo examina la interacción entre las finanzas y el aprendizaje profundo, abordando cómo esta tecnología ha influido en el campo financiero mediante un análisis detallado de investigaciones y tendencias actuales. Se empleó una revisión sistemática de la literatura con el método PRISMA para revisar tres artículos clave relacionados con el uso de Deep Learning en finanzas. Estos estudios destacan avances en la predicción de mercados, gestión de riesgos, detección de fraudes, análisis de sentimientos y decisiones automatizadas. Se observa que el Deep Learning ha mejorado la precisión y eficiencia de las predicciones financieras al capturar patrones complejos en los datos. La integración de estas técnicas en las finanzas se percibe como una oportunidad valiosa para potenciar la eficacia, precisión y rentabilidad en la toma de decisiones, respaldada por la efectividad y el potencial de aplicación en el sector financiero. Se enfatiza la necesidad de investigar continuamente y abordar desafíos como la interpretabilidad de los modelos y la ética en el uso de algoritmos de aprendizaje profundo en finanzas para una implementación responsable y efectiva.

Sección:
Artículos de Investigación

Citas

  1. Astorgano Antón, M. (2022). Diagnóstico de fallos de rodamientos en motores de inducción en estado estacionario mediante técnicas boosting y redes neuronales. https://uvadoc.uva.es/bitstream/handle/10324/57935/TFG-G5948.pdf?sequence=1
  2. Aurich Mio, L. Y. y Miguel Flores, M. A. (2023). Aplicación de machine learning para clasificar el rendimiento académico del área de matemática en el colegio CIMA-Lambayeque 2021. https://repositorio.unprg.edu.pe/bitstream/handle/20.500.12893/11907/Aurich_Mio_Leysi_Yarely%20y%20Miguel_Flores_Mois%C3%A9s_Alvin.pdf?sequence=1
  3. Gallego Varela, A. (2023). Predicción de la cotización de las acciones mediante técnicas de Deep Learning. https://repositorio.comillas.edu/xmlui/bitstream/handle/11531/69007/TFG-%20Gallego%20Varela%2C%20Ainhoa.pdf?sequence=2
  4. González-Almansa Laredo, Á (2023). Sistema de identificación de emociones independiente del hablante basado en redes neuronales convolucionales. https://oa.upm.es/75003/1/TFG_ALVARO_GONZALEZ_ALMANSA%20LAREDO.pdf
  5. He, K., Yang, Q., Ji, L., Pan, J., y Zou, Y. (2023). Financial time series forecasting with the deep learning ensemble model. Mathematics, 11(4), 1054. https://www.mdpi.com/2227-7390/11/4/1054
  6. Hernández, J. M. G., y Moreno, W. N. T. (2023). Predicción de riesgo de impago en institución financiera usando modelos de Machine Learning (Doctoral dissertation, Universidad Tecnológica Centroamericana UNITEC).
  7. Lee, J. C., Tang, Y., y Jiang, S. (2023). Understanding continuance intention of artificial intelligence (AI)-enabled mobile banking applications: an extension of AI characteristics to an expectation confirmation model. Humanities and Social Sciences Communications, 10(1), 1-12. https://www.nature.com/articles/s41599-023-01845-1
  8. Luque, R. I. C., Torres, R. D. R. Z., Pintado, M. S. A., y Arellano, T. M. C. (2022). Implementación de la Propuesta BCC: Aplicación de la práctica contable desde la virtualidad en el proceso de enseñanza-aprendizaje en la asignatura de contabilidad. 593 Digital Publisher CEIT, 7(4), 157-174. https://dialnet.unirioja.es/descarga/articulo/8561169.pdf
  9. Martínez, K. C., Rodríguez, J. A. A., Hernández, J. G. R., y Mercado, R. S. V. (2023). Implementación de una inteligencia artificial para la interpretación de la prueba proyectiva "MACHOVER" basada en redes neuronales artificiales. Revista Digital de Tecnologías Informáticas y Sistemas, 7(1), 86-93. http://redtis.org/index.php/Redtis/article/download/139/142
  10. Mishev, K., Gjorgjevikj, A., Vodenska, I., Chitkushev, L. T., y Trajanov, D. (2020). Evaluation of sentiment analysis in finance: from lexicons to transformers. IEEE access, 8, 131662-131682. https://ieeexplore.ieee.org/abstract/document/9142175/
  11. Montoya Herrera, A. (2023). Desarrollo de un modelo de predicción usando redes neuronales artificiales de los precios de los futuros del dolar para la industria colombiana. https://repository.eafit.edu.co/bitstreams/36f25dde-fa50-4e14-85a4-33e68101fe3b/download
  12. Moreno Tamayo, I. (2023). Impacto del Covid-19 en el crecimiento del PIB de países de la OECD: Una aplicación de técnicas de pronóstico tradicionales y de machine learning. https://diposit.ub.edu/dspace/bitstream/2445/212641/1/TFG_EST_Moreno_2023.pdf
  13. Sabek, A., y Horák, J. (2023). Gaussian Process Regressions Hyperparameters Optimization to Predict Financial Distress. RETOS. Revista de Ciencias de la Administración y Economía, 13(26), 273-289. http://scielo.senescyt.gob.ec/scielo.php?pid=S1390-86182023000200273&script=sci_abstract&tlng=en
  14. Vinogradov, I. (2023). El “Título del barrio de Santa Ana”: el manuscrito del siglo XVI que dio inicio a la tradición literaria maya-poqomchi’. Estudios de cultura maya, 62, 251-271. https://revistas-filologicas.unam.mx/estudios-cultura-maya/index.php/ecm/article/download/1305/1907