Repositorio Universidad del Cauca

Framework para la evaluación y análisis comparativo de modelos de pronóstico en series de tiempo financieras

Mostrar el registro sencillo del ítem

dc.contributor.author Navia Rodríguez, Jesús Rodrigo
dc.date.accessioned 2024-07-22T20:44:41Z
dc.date.available 2024-07-22T20:44:41Z
dc.date.issued 2023
dc.identifier.uri http://repositorio.unicauca.edu.co:8080/xmlui/handle/123456789/9561
dc.description.abstract La compra y venta de activos financieros ha experimentado un crecimiento significativo en los últimos años, gracias al avance tecnológico en el sector Fintech. Esto ha permitido captar a una amplia variedad de inversores, tanto profesionales como particulares, que pueden operar a través de intermediarios conocidos como brokers. Estos, a cambio de una comisión, brindan servicios de compra y venta de activos financieros. El trading algorítmico es un enfoque de inversión donde se realizan operaciones automatizadas en el mercado financiero, usando modelos de aprendizaje de máquina (ML), metaheurísticas (MH), redes neuronales artificiales (ANN) y lógica difusa (FL), entre otras. La investigación en este campo ha demostrado que estas técnicas son capaces de obtener resultados óptimos. Sin embargo, aún no se ha encontrado un framework que pueda evidenciar cuál de estos modelos es el mejor bajo los mismos parámetros de evaluación. Por esta razón, investigadores de diferentes áreas están proponiendo nuevos modelos o combinaciones de técnicas existentes para mejorar la predicción de precios futuros de activos financieros y así tomar decisiones más acertadas. De acuerdo con lo expuesto previamente, en este estudio de investigación se desarrolló un framework que integró tres algoritmos de trading, utilizando los mismos indicadores de rendimiento. A través de esta integración, se logró determinar cuál de estos algoritmos era el más eficiente. Este framework fue programado en Python, y cuenta con una interfaz gráfica de usuario que permite seleccionar el rango temporal de los datos históricos obtenidos de Yahoo Finance para la entrenamiento y validación de los algoritmos. El primer algoritmo utilizó la técnica de redes neuronales convolucionales profundas para reconocer imágenes en escala de grises generadas a partir de indicadores técnicos financieros y determinar si se debía comprar, vender o retener. El segundo algoritmo utilizó aprendizaje profundo por refuerzo con los mismos datos históricos, con el objetivo de mejorar la estrategia mediante la relación Sharpe y generar trayectorias artificiales a partir de un número limitado de datos. El tercer algoritmo implementado se basó en una red neuronal recurrente de tipo LSTM (Long Short-Term Memory). En este algoritmo, se tomaron los precios de cierre históricos como entrada y se analizaron mediante una Transformada de Fourier Discreta (DFT) para descomponerlos en señales de diferentes frecuencias con el objetivo de predecir los precios del stock. Por último, se utilizó la prueba de Friedman para evaluar el desempeño de los tres algoritmos de trading en términos de ganancias durante un periodo de tiempo determinado por el usuario. La prueba mostró diferencias significativas en el desempeño de los algoritmos. Luego, se aplicó el post hoc de Holm para identificar qué pares de algoritmos presentaban estas diferencias significativas. De esta manera, se determinaron cuáles algoritmos tuvieron el mejor desempeño y se tomó una decisión informada sobre cuál algoritmo utilizar. En conclusión, la combinación de la prueba de Friedman y el post hoc de Holm son herramientas valiosas para evaluar algoritmos de trading y tomar decisiones más precisas e informadas. spa
dc.language.iso spa
dc.publisher Universidad del Cauca spa
dc.rights.uri https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject Framework spa
dc.subject Pronóstico spa
dc.subject Backtesting spa
dc.subject Evaluación spa
dc.subject Análisis spa
dc.subject Revisión sistemática spa
dc.title Framework para la evaluación y análisis comparativo de modelos de pronóstico en series de tiempo financieras spa
dc.type Tesis maestría spa
dc.rights.creativecommons https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.type.driver info:eu-repo/semantics/masterThesis
dc.type.coar http://purl.org/coar/resource_type/c_bdcc
dc.publisher.faculty Facultad de Ingeniería Electrónica y Telecomunicaciones spa
dc.publisher.program Maestría en Computación spa
dc.rights.accessrights info:eu-repo/semantics/openAccess
dc.type.version info:eu-repo/semantics/acceptedVersion
dc.identifier.instname
dc.identifier.reponame
oaire.accessrights http://purl.org/coar/access_right/c_abf2
dc.identifier.repourl
oaire.version http://purl.org/coar/version/c_ab4af688f83e57aa


Ficheros en el ítem

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

https://creativecommons.org/licenses/by-nc-nd/4.0/ Excepto si se señala otra cosa, la licencia del ítem se describe como https://creativecommons.org/licenses/by-nc-nd/4.0/

Buscar en DSpace


Listar

Mi cuenta