Citation
Rubio Adeva, Daniel
(2021).
Red neuronal: análisis de series temporales de entidades bancarias.
Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S. de Ingenieros Informáticos (UPM), Madrid, España.
Abstract
Este Trabajo Fin de Grado pretende realizar un estudio sobre las técnicas utilizadas para el análisis de los mercados de valores, a partir del cuál se desarrollará un modelo que permita evaluar el precio de las acciones y se determinará cuáles son los parámetros más influyentes para una correcta predicción. Para ello, se plantearán dos modelos distintos. La solución inicial considerará una red neuronal recurrente que sea capaz de almacenar información de series temporales. Con el objetivo de mejorar los resultados, y con posterioridad al comienzo del trabajo, se propondrá también una mezcla de modelos basada en las redes neuronales iniciales, para comprobar en qué medida dichas redes son capaces de realizar un “análisis técnico” de los mercados de valores. La herramienta desarrollada permitirá al usuario seleccionar los parámetros de entrada deseados y devolverá sus correspondientes resultados, tanto en entrenamiento como en ejecución. Adicionalmente, proporcionará una interfaz gráfica que permita analizar los resultados obtenidos.---ABSTRACT---This Final Degree Project aims to conduct a study on the techniques used for the analysis of stock markets, from which a model will be developed to evaluate the price of stocks and determine which are the most influential parameters for correct predictions. For this, two different models will be proposed. The initial solution will consider a recurrent neural network that is capable of storing time series information. With the aim of improving the results obtained, a mixture of models based on the inicial neural networks will also be proposed, to analize to what extent these networks are able to perform a “technical analysis” of the stock markets value. The developed software will allow the user to select the desired input parameters and will return their corresponding results, both in the training and execution phases. Additionally, it will provide a graphical interface that will allow the user to analyze the results obtained.