Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Estrategias financieras, emprendimiento, nearshoring, cs y era

Vol. 18 (2024): Sinergias del liderazgo mundial: fomento del crecimiento inclusivo, innovación en la IA, nearshoring y competitividad

Análisis Multifuente: Indicadores Financieros Post-electorales en México 2024 – Comparación de Modelos de Inteligencia Artificial

Enviado
marzo 26, 2025
Publicado
2025-07-01

Resumen

En esta investigación, se analizaron los indicadores financieros clave en México durante las tres semanas posteriores a las elecciones presidenciales de 2024 utilizando modelos de lenguaje de inteligencia artificial (LLMs): ChatGPT, Perplexity y Claude. El objetivo fue comparar las respuestas de diversos modelos de lenguaje de IA sobre el comportamiento de los indicadores financieros clave en México durante las tres semanas posteriores a las elecciones de 2024, para la identificación de patrones, divergencias y posibles sesgos en sus proyecciones. La metodología incluyó generación de predicciones por cada modelo y la recopilación de datos históricos. Los resultados mostraron diferencias significativas entre las predicciones y los valores reales, atribuidas a la naturaleza de los datos de entrenamiento y la falta de razonamiento crítico de los modelos. Se concluye que una combinación de LLMs con análisis humano es esencial para mejorar la precisión en proyecciones financieras.

Citas

  1. Bender, E., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, (págs. 610-623).
  2. Bolcas, R.-D. (2024). Generating FER models using ChatGPT. Romanian Journal of Information Technology and Automatic Control, 85-96.
  3. Boutchkova, M., Doshi, H., Durnev, A., & Molchanov, A. (2012). Precarious Politics and Return Volatility. The Review of Financial Studies, 1111-1154.
  4. Brown, T., Mann, B., Ryder, N., & Subbiah, M. (2020). Language Models are Few-Shot Learners. 34th Conference on Neural Information Processing Systems, (págs. 1877-1901). Vancouver.
  5. Claude. (31 de Julio de 2024). Cómo definiría Claude a sí mismo. Cómo definiría Claude a sí mismo.
  6. Claude. (31 de Julio de 2024). Frequently asked questions. Obtenido de Claude:
  7. https://claude.ai/login?returnTo=%2F%3F
  8. Devlin, J., Chang, M., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long and Short Papers), (págs. 4171-4186). Minneapolis.
  9. IBM. (31 de Julio de 2024). ¿Qué son los grandes modelos de lenguaje (LLM)? Obtenido de IBM: https://www.ibm.com/mx-es/topics/large-language-models
  10. Lipton, Z. (2016). The Mythos of Model Interpretability. ICML Workshop on Human Interpretability in Machine Learning . Nueva York.
  11. Marcus, G., & Davis, E. (22 de Agosto de 2020). GPT-3, Bloviator: OpenAI’s language generator has no idea what it’s talking about. Obtenido de MIT Technology Review: https://www.technologyreview.com/2020/08/22/1007539/gpt3-openai-language-generator- artificial-intelligence-ai-opinion/
  12. OpenAI. (31 de Julio de 2024). Cómo definiría ChatGPT a sí mismo. Cómo definiría ChatGPT a sí mismo.
  13. Pastor, L., & Veronesi, P. (2013). Political uncertainty and risk premia. Journal of Financial Economics, 520-545.
  14. Perplexity. (31 de Julio de 2024). ¿Qué es Perplexity? Obtenido de Perplexity: https://www.perplexity.ai/es/hub/faq/what-is-perplexity
  15. Perplexity. (31 de Julio de 2024). Cómo te definirías a ti sí mismo. Cómo te definirías a ti sí mismo.
  16. Segarra, M., Grangel, R., & Belmonte, O. (2024). Romanian Journal of Information Technology and Automatic Control. Tecnología, Ciencia y Educación, 7-44.
  17. Wang, J., Sun, T., Liu, B., & Wang, D. (2021). Financial Markets Prediction with Deep Learning. Journan of financial economics, 123-135.