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

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.