This thesis will focus in the study of different methods and tools dedicated to analyze time series under the assumption that these satisfy the classical decomposition model. Also, a class of linear models for stationary and no stationary time series, well known as ARIMA models, will be introduced. The aim of this work is to predict direction of time series movement using the ARIMA models and two kinds of artificial intelligence models, the feed-forward three-layer perceptron artificial neural networks (ANN) and the support vector machines (SVM) for no linear binary classification, which are based in statistical or supervised learning. Finally, by implementing the models under study, the predictions of the time series will be analyzed as well as the performance of the models.
Durante este trabajo de tesis se estudiarán diferentes métodos y herramientas para analizar series de tiempo bajo la suposición de que ´estas cumplen con el modelo clásico de la descomposición. Además, se dará una introducción a una clase de modelos lineales para series de tiempo estacionarias y no estacionarias, los modelos ARIMA. El objetivo de este trabajo es generar predicciones de la dirección del movimiento de series de tiempo, por lo que se describirán los predictores lineales para los modelos ARIMA y se estudiarán dos modelos de inteligencia artificial con los que se podrán realizar predicciones de series de tiempo. Los modelos de inteligencia artificial que se estudiarán en este trabajo son las redes neuronales artificiales (RNAs) perceptrón de tres capas de alimentación hacia adelante y las máquinas de soporte vectorial (MSV) para clasificación binaria no lineal, ambos modelos basados en el aprendizaje estadístico o supervisado. Finalmente, se analizarán un conjunto de series de tiempo, se realizarán predicciones de ´estas con los diferentes modelos estudiados e implementados y se hará una comparación del desempeño de los modelos en cada problema.
