Predicción sobre mercado de valores con redes neuronales LSTM

Abstract

La predicción del precio de las acciones supone un desafío en el área de Inteligencia Artificial. Es por ello que el propósito de este trabajo es mostrar si los actuales algoritmos de Deep Learning permiten realizar predicciones sobre series temporales con un error relativamente bajo. La solución propuesta en este trabajo se basa en un análisis técnico. La metodología empleada consiste en la presentación de dos modelos basados en Redes Neuronales Recurrentes (de tipo LSTM), ambos modelos realizan una predicción a un día del precio de cierre de la acción de las empresas cotizadas en el índice NASDAQ-100. Se explica cómo recopilar, procesar los datos, entrenar y realizar predicciones con ambos modelos. Después se evalúa el error de ambos modelos con el indicador RMSE. La principal conclusión del estudio es que el modelo que entrena con datos de todas las empresas en una única red neuronal (modelo 2) ofrece mejores resultados y su tiempo de entrenamiento es menor, teniendo un error medio (RMSE) en test de 56.78. No obstante, se asume que el modelo cuenta con limitaciones dado que en un entorno tan complejo como la inversión bursátil se debe realizar también un análisis fundamental de las empresas. Además, se deben tener en cuenta aspectos macroeconómicos que influyen en los mercados financieros. Sin tener en cuenta estos aspectos resulta difícil realizar predicciones con un error lo suficientemente bajo como para llevar a cabo una inversión en el sector.
Abstract:
Stock prediction is a challenge in the Artificial Intelligence area. That is why the purpose of this work is to show if the current Deep Learning algorithms can make predictions on time series with a relatively low error. The solution proposed in this work is based on a technical analysis. The methodology used consists on the presentation of two models based on Recurrent Neural Networks (LSTM), both models make a one-day prediction of the stock closing price for the companies listed on the NASDAQ-100 index. This document explains how to collect data, process data, train the models, and make predictions with both models. Additionally, the error of both models is evaluated with the RMSE indicator. The main conclusion of the study is that the model which trains with data from all the companies in a single neural network (model 2) offers better results and his training time is shorter, having a mean error (RMSE) in the test dataset of 56.78. However, it is assumed that the model has limitations due to an environment as complex as stock market investment, a fundamental analysis of companies must also be carried out. In addition, macroeconomic aspects that influence financial markets must be taken into account. Without considering these aspects, it is difficult to make predictions with a low enough error to carry out an investment in the sector.