Uso de MATLAB para predecir crisis financieras en mercados emergentes

McNelis se propuso analizar la demanda mensual tanto de divisas como pasivos líquidos o cuasi en Indonesia durante un período de 13 años hasta la crisis, incluida esta. Necesitaba determinar la manera más efectiva de analizar las inmensas cantidades de datos que se iban a acumular. Además, tenía que reducir el riesgo de errores de predicción que podían producir grandes fluctuaciones en los datos, tales como picos en la demanda de dólares en el apogeo de la crisis. Sabía que los modelos lineales o de corrección de errores que los economistas utilizan tradicionalmente no eran adecuados para esta tarea.

McNelis decidió trabajar en MATLAB por su programación sencilla, facilidad de uso y capacidad para gestionar conjuntos de datos de gran tamaño. En cuanto a la metodología, confiaba en que lograría resultados más precisos combinando modelos lineales y análisis de redes neuronales. Como explica, una ventaja de utilizar redes neuronales es que “la estimación implica no solo un procesamiento secuencial de los datos, empleando entradas x para predecir la salida y, sino también procesamiento en paralelo simultáneo, ya que las entradas las procesan varias neuronas de la capa oculta”.

Un aspecto fundamental de su análisis fue un algoritmo genético que desarrolló conjuntamente con el profesor John Duffy, de la Universidad de Pittsburgh. Para desarrollar este algoritmo, McNelis y Duffy usaron Statistics and Machine Learning Toolbox intensamente. También se sirvieron de las funciones de vectorización de MATLAB para acelerar el procesamiento. “Los coeficientes que obtiene el algoritmo”, señaló McNelis, “se pueden utilizar como valores de partida para los métodos de búsqueda local, que son más comunes”. Para su método de búsqueda, utilizó la función de minimización no lineal de Optimization Toolbox.

Después de terminar de recopilar datos, McNelis se propuso producir los mejores resultados que pudiera obtener con un modelo lineal tradicional. Luego, utilizó la información de este modelo para desarrollar la red neuronal.

Cuando define una red neuronal, McNelis afirma que prefiere “comenzar con una red simple, de tres o cuatro neuronas en una capa oculta. Entreno el modelo con un método híbrido, primero usando un algoritmo genético para encontrar un conjunto de coeficientes para la red neuronal, y luego, con estos coeficientes, cambio a un método de descenso de gradiente no lineal”.

McNelis utilizó una técnica de feedforward en Deep Learning Toolbox para relacionar la entrada con la salida. Añade “Aunque he experimentado con diferentes arquitecturas de redes neuronales en diversas aplicaciones económicas, he descubierto que la mejor es utilizar una técnica de feedforward al modelo con una capa oculta”. Utilizó la función de activación sigmoidal logarítmica de esta toolbox en la capa oculta de cada una de las neuronas. La entrada se transmitía a la capa oculta, donde la función sigmoidal logarítmica la comprimía. Por último, las neuronas se transmitían a la capa de salida como combinaciones lineales.

Logró aumentar aún más la capacidad de predicción de las redes neuronales utilizando un modelo GARCH variante en el tiempo para representar el riesgo de tipo de cambio de las abruptas caídas de la divisa indonesia durante noviembre y diciembre de 1997.

Empleó Spreadsheet Link para obtener un rendimiento dentro y fuera de muestra. Spreadsheet Link permitió que pudiera tomar predicciones fuera de muestra e importarlas en Microsoft^® Excel^® para calcular los errores de las predicciones fuera de muestra. Luego fue fácil transferir los resultados desde MATLAB a un formato de hoja de cálculo para presentación.