La memòria als mercats financers: una anàlisi mitjançant xarxes neurals artificials

Abstract

[cat] La memòria, dins del context financer, és un concepte ambigu que requereix la distinció entre diverses accepcions. La primera noció sorgeix en el marc economètric com a crítica de la hipòtesi d'independència entre observacions d'una variable en una sèrie temporal de naturalesa financera i es defineix com una relació funcional entre retards d'una mateixa variable. Nosaltres l'anomenem "memòria-dependència".De l'anàlisi tècnica obtenim una segona accepció a la que ens hi referim com "memòria-patró". La tercera hipòtesi postulada a la teoria de Dow és la de que els preus dels actius financers, i generalitzant els mercats financers, tenen memòria. En aquest sentit, s'interpreta com una repetició de les mateixes figures o patrons en l'evolució de les cotitzacions d'un actiu, conseqüència del manteniment d'unes mateixes pautes d'actuació per part dels inversors d'un mercat.La insuficiència d'aquestes dues nocions per recollir la totalitat de les influències del passat sobre el comportament dels mercats financers, duu a ampliar el marc teòric amb una tercera definició, la Memòria Col·lectiva. L'expressió prové de l'àmbit sociològic i destaca la naturalesa social dels records. L'entenem com el conjunt de coneixements, regles i patrons de comportament que són compartits pels membres d'un col·lectiu, un mercat financer per exemple, homogeneïtzant les representacions del passat per a obtenir avantatges en el futur. L'econometria ha desenvolupat models d'ajust a sèries temporals amb memòria-dependència, i l'anàlisi tècnica posseeix un instrumental per detectar la repetició de patrons gràfics. Cal, doncs, una metodologia per tractar de forma qualitativa, però també quantitativa, la memòria col·lectiva en el món financer. La nostra proposta són les xarxes neurals artificials. D'una banda, la seva estructura inspirada en el sistema neural biològic les fa adequades per a la modelització de la memòria. Per un altre costat, la seva flexibilitat i multifuncionalitat permet dissenyar xarxes específiques que s'adapten a gran quantitat d'entorns, circumstàncies i problemes. Així, les xarxes neurals artificials esdevenen una metodologia capaç de recollir els efectes de la memòria col·lectiva, però també poden aplicar-se per a la detecció i anàlisi de la memòria-dependència i memòria-patró, homogeneïtzant l'estudi de la influència del passat en un mercat financer i facilitant la comparació entre les diferents accepcions de memòria.En concret, hem aplicat les xarxes multiperceptró amb algorisme d'aprenentatge back-propagation a l'anàlisi de la memòria-dependència i la seva comparació amb la memòria col·lectiva en l'evolució de l´índex Dow Jones Industrial Average als mesos d'octubre. Hem optat per les xarxes ART (Adaptive Resonance Theory), per la seva capacitat en el reconeixement de patrons i adaptació a entorns oberts, com a instrument per al tractament de la memòria-patró, també en l'evolució del Dow Jones. Finalment, l'arquitectura dels mapes auto-organitzatius de Kohonen els fa adequats per l'anàlisi de la memòria col·lectiva, mitjançant l'ordenació espacial d'un conjunt de patrons en funció de la similitud entre llur característiques en un mapa bidimensional. La trajectòria dels patrons en el mapa informa de la seva evolució històrica i per tant, de l'aprenentatge, i la seva situació relativa permet la comparació entre ells. Hem aplicat els mapes de Kohonen a l'estudi de l'"efecte octubre" als mercats espanyol, francès i nord-americà, i al cas de l'"efecte eleccions generals" en l'evolució de les cotitzacions d'algunes accions de l'Ibex-35. Els resultats obtinguts són que no existeix efecte octubre ni des de la perspectiva de la memòria-dependència ni tampoc considerant la memòria col·lectiva; que sí és possible detectar patrons o climes mitjançant les xarxes ART; i que l''efecte eleccions generals' juntament amb l'aprenentatge dels inversors són fenòmens que es posen de relleu quan considerem la memòria col·lectiva en els mercats financers.

[eng] "Memory in Financial Markets: An analysis through Artificial Neural Networks" distinguishes between three different kinds of memory in the financial environment. The first concept, that is named dependence-memory, comes from the econometric context and it is understood as the functional relationship between past and present observations in a time series. A second concept of memory, the pattern-memory, is obtained from technical analysis. It can be seen when the evolution of the asset price follows a repeated graphical pattern. Finally, we propose the introduction of a third notion, the Collective Memory, in order to take into account the influences from the past not captured by the previous definitions of dependence and pattern memories. Econometrics analysis has developed complex models to study time series with long memory. Also technical analysis has its own tools to detect different patterns and take profit of the past knowledge. For the quantitative, as well as qualitative, analysis of collective memory we propose to use artificial neural networks. Moreover, this methodology allows homogenizing the study of the three types of memory in financial markets.We have applied back-propagation neural networks to analyse the behaviour of the Dow Jones Industrial Average during the Octobers. The same index has been studied using ART ("Adaptive Resonance Theory") networks, in order to find patterns and improve future decisions. The effect that is produced for the proximity of an October and the influence of the results in a political election have been analyzed using Self-Organizing Maps of Kohonen.As empirical conclusions, we have obtained that there is no evidence of the "October effect" from the point of view of collective memory and neither dependence-memory is detected. Contrary, using Kohonen maps it is possible to find factors of learning in the "general elections effect" in the Spanish capital asset market. Finally, ART networks can be used as a complementary tool in technical analysis to detect patterns of behaviour in financial markets.