Red neuronal autorregresiva difusa tipo Sugeno con funciones de membresía triangular y trapezoidal: una aplicación al pronóstico de índices del mercado bursátil / Sugeno Type Fuzzy Nonlinear Autoregressive Neural Networks with Triangular and Trapezoidal Membership Functions: An Application to Forecast the Stock Market Index

La presente investigación desarrolla una comparación entre la nueva Red Neuronal Autorregresiva no Lineal Difusa y la Red Neuronal Autorregresiva para evaluar el pronóstico de Índices bursátiles. Para ello se aplica la metodología a la rentabilidad de cuatro índices accionarios, IPC, IBEX 35, S&P 500 y el Nikkei 225 en formato diario desde enero de 2015 hasta diciembre de 2018, adjuntando los primeros cinco días de enero de 2019 para pronóstico fuera de muestra. Se estimó una Red Neural Autorregresiva No Lineal con tres rezagos y con algoritmo de aprendizaje Bayesiano y la Red Neuronal Difusa fue estimada con tres rezagos y con el algoritmo Backpropagation. Los resultados muestran que los modelos propuestos generan un mejor pronóstico dentro y fuera de la muestra en comparación con la Red Neuronal Autorregresiva No Lineal. Lo anterior es consecuencia de que las redes neuronales pueden aprender de la dinámica de las series temporales y si se añade la teoría difusa, también pueden aprender de la incertidumbre inherente a las variables financieras, esta situación hace que el método propuesto sea mejor que la red neuronal tradicional. / This article compares the results obtained when forecasting the Stock Market Index applying a proposed Fuzzy Nonlinear Autoregressive Neuronal Network with those obtained using the Autoregressive Neuronal Network. For this purpose, the methodology is applied to four stock indices, IPC, IBEX 35, S&P 500 and the Nikkei 225 using daily data from January 2015 to December 2018, the first five financial days of January 2019 are added to carry out a forecast outside the sample. A Nonlinear Autoregressive Neural Network with three lags and Bayesian learning algorithms and the Fuzzy Nonlinear Autoregressive Neural Networks with three lags and a Backpropagation algorithm were used to calculate a forecast. The results have shown that the models proposed generate better forecasts considering in-sample and out-sample tests than the Nonlinear Autoregressive Neural Network. It was shown that the neural networks can learn from the dynamics of time series, and if fuzzy theory is added, they can also learn from the uncertainty around financial variables. This indicates that method proposed yields better results than the traditional network method.