Quintero Montoya, Olga Lucía2023-12-142023http://hdl.handle.net/10784/33206De forma intuitiva se podría pensar que cualquier desviación en los datos de las negociaciones de los activos financieros podría ser fácilmente detectada debido a la base estadística en la que se fundamentan las ciencias de las finanzas. Sin embargo, los mercados en los que se negocian los activos financieros operan bajo el principio de oferta y demanda, como también bajo el principio de oportunidad. Elementos que los hacen muy susceptible a la manipulación de precios. Por tal motivo, cada vez es más relevante considerar técnicas que permitan identificar elementos en una serie de datos financiera que faciliten la búsqueda de patrones o de artefactos que den cuenta si una acción ha sido manipulada o no. Se propone entonces el uso de kernels para la descomposición y el filtrado de señales en series de tiempo, ya que mediante el uso de esta técnica se pueden obtener elementos de la serie como el poder y la frecuencia, que posteriormente pueden facilitar la caracterización de una acción que ha sido objeto de operaciones fraudulentas o manipulativas, y mediante diversas técnicas de aprendizaje de máquina lograr una detección más oportuna a partir de dicha caracterización; particularmente en entornos de negociación dinámicos y en constante evolución. Para tal fin, se contrastará el desempeño de los kernels frente a técnicas tradicionales, eligiendo los más adecuados. De igual manera, se evaluarán diversas técnicas de aprendizaje de máquina y se elegirá aquella que mejor aprenda y represente los patrones o artefactos en las operaciones fraudulentas. Procurando de esta manera la elevación de los estándares de negociación en los mercados financieros, como también profundizando en las aplicaciones que la descomposición y el filtrado de señales con kernels puede llegar a tener, no solo como herramienta de visualización de datos, sino también como insumos para técnicas de aprendizaje de máquina.Intuitively, one might think that any deviation in trading data could be easily detected due to the statistical basis on which finance sciences are based. However, the markets in which financial assets are traded operate under the principle of supply and demand, as well as the principle of opportunity. Elements that make them very susceptible to price manipulation. For this reason, it is increasingly relevant to consider techniques that allow the identification of elements in financial time series that can deliver information that show whether a stock has been subject of manipulative practices or not. The use of kernels for signals decomposition and filtering in financial time series is then proposed. By using this technique elements of the time series such as power and frequency can be obtained, which can later facilitate the characterization of a stock that has been subject of fraudulent or manipulative trading. Then considering diverse machine learning techniques, achieve a timelier detection based on said characterization, particularly in dynamic and constantly evolving trading environments. For this purpose, the performance of the kernels will be contrasted against traditional techniques, choosing the most appropriate ones. In the same way, various machine learning techniques will be evaluated and the one that best learns and represents the patterns or artifacts in fraudulent operations will be chosen. Trying in this way to raise trading standards in financial markets, as well as delving into the applications that the decomposition and filtering of signals with kernels can have, not only as a data visualization tool, but also as inputs. for machine learning techniques.spaTodos los derechos reservadosAnálisis de señalesSeries de tiempoDescomposición de señalesmasterThesisinfo:eu-repo/semantics/openAccessAPRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL)MERCADO FINANCIEROCIENCIA DE LA INFORMACIÓNFUNCIONES DE KERNELOFERTA Y DEMANDASignal analysisTime seriesSignal decompositionKernelsAcceso abierto2023-12-14Herrera Ochoa, José Daniel006.31 H565