Artículos Relacionados
Tabla de contenido
¿Qué es el modelo de caja negra? ¿Cómo funciona el modelo de caja negra? El modelo de caja negra a lo largo de los años Investigación académica sobre el modelo de caja negra
¿Qué es el Modelo de Caja Negra?
Un modelo de caja negra describe la relación entre las entradas y salidas de un sistema. Este modelo se utiliza en diferentes contextos y tiene diferentes significados. Como se usa a menudo en ciencia, computación e ingeniería, un modelo de caja negra es un dispositivo que describe las relaciones funcionales entre las entradas y salidas del sistema. En los negocios, un modelo de caja negra es un modelo financiero donde un programa computarizado está diseñado para cambiar varios datos de inversión en estrategias que son útiles para las inversiones. El negro en el modelo de caja negra se refiere a la falta de acceso al funcionamiento interno o parámetros de funciones del modelo. El modelo de caja blanca es lo opuesto a un modelo de caja negra, en el sentido de que sus componentes internos son accesibles y se pueden inspeccionar.
Volver a : INVERSIONES COMERCIO Y MERCADOS FINANCIEROS
¿Cómo funciona el modelo de caja negra?
Antes de que el modelo de caja negra fuera ampliamente adoptado en los mercados financieros, era peculiar de los campos de la ciencia, la computación y la ingeniería donde se describían las relaciones entre las entradas y salidas del sistema. En los mercados financieros, el modelo de caja negra está asociado al proceso de toma de decisiones de una inversión. Este modelo podría ser un algoritmo, un transistor o incluso una memoria o cerebro humano. Sin embargo, el uso del modelo de caja negra en los mercados financieros ha planteado interrogantes sobre los riesgos sistemáticos que este modelo aporta al mercado, dada la tendencia de los inversores a ocultar el riesgo real de las inversiones bajo el uso de programas informáticos y tecnología. El modelo de caja negra también se utiliza como modelo de teoría del comportamiento del consumidor para describir el patrón de estímulo-respuesta de los consumidores.
El modelo de caja negra a lo largo de los años
El uso del modelo de caja negra en los mercados financieros depende en gran medida de las condiciones del mercado y del ciclo del mercado. Durante períodos de alta volatilidad en el mercado, los modelos de caja negra pueden causar más peligros y la destrucción final del mercado. Ejemplos de cómo las estrategias de caja negra causan destrucción son el colapso repentino de 2015, el episodio de seguros de cartera de 1987, la implosión de la gestión de capital a largo plazo de 1998, entre otros. Dado que las estrategias de caja negra conllevan riesgos inherentes, se han planteado varias preocupaciones en contra de su uso. Sin embargo, el avance tecnológico, el aprendizaje automático, la ciencia de datos y otros campos relacionados han llevado a la sofisticación de los modelos de caja negra. En la actualidad, los administradores de inversiones institucionales y los fondos de cobertura todavía usan estas estrategias cuando manejan inversiones complicadas.
Investigación académica sobre el modelo de caja negra
Capacidad, liderazgo y desempeño organizacional: Prueba del modelo de caja negra de gestión pública, Andrews, R. y Boyne, GA (2010). Capacidad, liderazgo y desempeño organizacional: probando el modelo de caja negra de gestión pública. Revista de Administración Pública , 70 (3), 443-454. De acuerdo con modelos recientes de caja negra de gestión pública, la capacidad de gestión es un componente crítico para lograr una mejora en la prestación de servicios. En particular, los modelos de caja negra asumen que el impacto de los sistemas de gestión se maximiza a través de la integración con un liderazgo efectivo. Esta suposición se prueba analizando los efectos de la capacidad gerencial y el liderazgo organizacional en el desempeño de los gobiernos locales ingleses, mientras se controla una variedad de otras variables, incluido el tamaño de la organización, los recursos, las limitaciones externas y el desempeño anterior. Los resultados empíricos muestran que la capacidad posee una asociación estadística positiva con el desempeño del gobierno local y que el liderazgo puede mejorar el impacto de los sistemas de gestión eficaces.
Descubrimiento de reglas de negociación de acciones con un modelo de seguimiento de tendencia evolutiva, Hu, Y., Feng, B., Zhang, X., Ngai, EWT y Liu, M. (2015). Descubrimiento de reglas de negociación de acciones con un modelo de seguimiento de tendencia evolutiva. Sistemas expertos con aplicaciones , 42 (1), 212-222. El aprendizaje evolutivo es una de las técnicas más populares para diseñar productos de inversión cuantitativa (QI). Las estrategias de seguimiento de tendencias (TF), debido a su brevedad y eficiencia, son ampliamente aceptadas por los inversores. Sorprendentemente, hasta donde sabemos, ninguna investigación relacionada ha investigado las estrategias de inversión de TF dentro de un modelo de aprendizaje evolutivo. Este documento propone un algoritmo híbrido de seguimiento de tendencias evolutivas a largo y corto plazo (eTrend) que combina estrategias de inversión de TF con los Sistemas de Clasificación Extendida (XCS). El algoritmo eTrend propuesto tiene dos ventajas: (1) la combinación de estrategias de inversión en acciones (es decir, TF) y el aprendizaje evolutivo (es decir, XCS) puede mejorar significativamente la efectividad del cálculo y la practicabilidad del modelo, y (2) XCS puede adaptarse automáticamente a las direcciones del mercado y descubrir reglas comerciales razonables y comprensibles para un análisis posterior, lo que puede ayudar a evitar los comportamientos comerciales irracionales de los inversores comunes. Para evaluar eTrend, se llevan a cabo experimentos utilizando el flujo de datos comerciales diarios de tres índices famosos de la Bolsa de Valores de Shanghái. Los resultados experimentales indican que eTrend supera a la estrategia de compra y retención con un alto índice de Sortino después del costo de la transacción. Su rendimiento también es superior al árbol de decisión y los modelos comerciales de redes neuronales artificiales. Además, dado que el fenómeno de la deriva de conceptos es común en el mercado de valores, se lleva a cabo un análisis exploratorio de la deriva de conceptos sobre las reglas comerciales descubiertas en las fases bajista y alcista del mercado. El análisis reveló resultados interesantes y racionales. En conclusión,- Modelo de detección de fraude financiero : basado en bosques aleatorios, Liu, C., Chan, Y., Alam Kazmi, SH y Fu, H. (2015). Modelo de detección de fraude financiero: basado en random forest. Revista internacional de economía y finanzas , 7 (7). La globalización acelerada de las empresas ha debilitado la capacidad regulatoria de la ley y los estudiosos han prestado atención a la detección de fraudes en los últimos años. En este estudio, presentamos Random Forest (RF) para la detección de técnicas de fraude financiero y selección detallada de características, medición de importancia de variables, análisis de correlación parcial y análisis multidimensional. Los resultados muestran que una combinación de ocho variables tiene la mayor precisión. La relación de deuda a capital (DEQUTY) es la variable más importante del modelo. Además, aplicamos cuatro metodologías estadísticas, incluidos modelos paramétricos y no paramétricos, para construir modelos de detección y llegamos a la conclusión de que Random Forest tiene la mayor precisión y que los modelos no paramétricos tienen mayor precisión que los modelos no paramétricos. Sin embargo,
Diseño de sistemas inteligentes personalizados de apoyo a la decisión financiera , Palma-dos-Reis, A. (1999). Diseño de sistemas inteligentes personalizados de apoyo a la decisión financiera. Decision Support Systems , 26 (1), 31-47. La variedad de métodos de inversión y la complejidad de las decisiones de inversión han aumentado constantemente en las últimas dos décadas. Este crecimiento ha creado la necesidad de sistemas de soporte de decisiones financieras (DSS) integrales y ampliables que incorporen enfoques importantes hacia las decisiones de inversión. La pregunta es si dichos sistemas deben tener en cuenta los requisitos únicos y las características personales del inversor. La respuesta a esta pregunta es fundamental para el desarrollo de agentes financieros inteligentes personales. En este artículo, presentamos el diseño de dicho sistema, la creación de un prototipo y su uso en una investigación exploratoria del impacto de las características individuales de los inversores en el uso de modelos para tomar decisiones de inversión. Más específicamente, informamos sobre cómo el género de los inversores y sus actitudes hacia el riesgo,
Un modelo de optimización de cartera mediante la programación de redes genéticas de adaptación temporal, Chen, Y., Mabu, S. y Hirasawa, K. (2010). Un modelo de optimización de cartera utilizando programación de redes genéticas de adaptación temporal. Computadoras e investigación de operaciones , 37 (10), 1697-1707. Este artículo describe un modelo de toma de decisiones de optimización de cartera dinámica para adaptarse al cambio de los precios de las acciones basado en un método de computación evolutivo llamado programación de redes genéticas (GNP). El modelo propuesto, haciendo uso de la información de índices técnicos y gráfico de velas, está capacitado para generar asesoramiento de inversión de cartera. Los resultados experimentales en el mercado de valores japonés muestran que el modelo de toma de decisiones que utiliza el método de programación de redes genéticas de adaptación temporal (TA-GNP) supera a otros modelos tradicionales en términos de precisión y eficiencia. Se proporciona un análisis exhaustivo de los resultados y se aclara que el método TA-GNP es efectivo en el problema de optimización de cartera.
Borrar