El pronóstico de series de tiempo financieras es un importante tema de investigación debido a sus implicaciones económicas y sociales. Este tipo de series son especialmente difíciles de modelar debido a que presentan dos problemas principales, el ruido y la no estacionariedad de los datos: El ruido se refiere a la información que está incluida en la serie pero que no es relevante para el modelo y la no estacionariedad implica que la serie cambia su dinámica con el transcurso del tiempo; por lo tanto, resulta difícil capturar la dinámica de esta. El objetivo de modelar este tipo de señales es determinar con la mayor precisión posible los valores futuros de la serie investigada, para uno o más periodos hacia delante. Para abordar esta temática se han desarrollado numerosas técnicas, entre ellas las Maquinas de Vectores de Soporte (SVM, por sus siglas en ingles), las cuales son un tipo de red neuronal que fueron originalmente diseñadas para solucionar problemas no lineales de clasificación, pero que recientemente se ha aplicado a problemas de regresión y predicción de series temporales. Ello se debe a su capacidad de generalización, la cual es función directa de su estructura y de la metodología utilizada para la estimación de sus parámetros. En esta investigación se emplea en primer lugar el método denominado Conjunto de Descomposición en Modos Empíricos (EEMD, por sus siglas en ingles), como técnica para realizar un pre-procesamiento de la señal; Posteriormente se utiliza una SVM para modelar y pronosticar los valores futuros de la Tasa Representativa del Mercado (TRM) Colombiana. Además se cuenta con diferentes funciones kernel y el método de validación cruzada de K-iteraciones para encontrar una parametrización óptima. Los resultados experimentales muestran que las SVMs para regresión ofrecen una alternativa prometedora para el pronóstico de series de tiempo financieras.
