AI-nance:stocks prediction

Martínez Francisco, Marcos (2022). AI-nance:stocks prediction. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. de Sistemas Informáticos (UPM), Madrid.

Description

Title: AI-nance:stocks prediction
Author/s:
  • Martínez Francisco, Marcos
Contributor/s:
  • Díaz Álvarez, Alberto
Item Type: Final Project
Degree: Grado en Ingeniería del Software
Date: June 2022
Subjects:
Freetext Keywords: Mercado financiero; Arquitectura de microservicios; Docker; Integración continua (CI); Entrega continua (CD); Redes LSTM; Financial market; Continuous integration (CI); Continuous deployment; LSTM networks; Microservices arquitecture
Faculty: E.T.S.I. de Sistemas Informáticos (UPM)
Department: Sistemas Informáticos
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img] PDF - Users in campus UPM only - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (1MB)

Abstract

Predecir el precio de acciones como un método de inversión presenta un alto nivel de complejidad. Es bien conocida la gran capacidad de los ordenadores a la hora de reconocer patrones y la correlación entre la estadística y los mercados financieros, lo que los convierte en un perfecto campo de aplicación. Esta tesis pretende construir la infraestructura y los modelos de predicción necesarios para soportar un servicio de predicción RESTful utilizando algoritmos de deep learning junto a las herramientas de orquestación y contenedorización adecuadas.Para probar la hipótesis de que los precios de las acciones no pueden predecirse con precisión basándose únicamente en su historia pasada, se han aplicado múltiples técnicas de predicción. Se ha construido una infraestructura completa utilizando un patrón de microservicios, centrándose en la automatización y el despliegue, y se alimentó todo el historial bursatil de Google a los diferentes modelos para evaluar su respectiva precisión. Los resultados se mostraron en la misma línea de lo hipotetizado, ninguno de los modelos ha sido capaz de mostrar altos porcentajes de precisión.Estos resultados sugieren que las variaciones de los precios son impulsadas por múltiples factores, algunos de los cuales son externos al activo, y por lo tanto no pueden predecirse totalmente unicamente por el precio histórico. Teniendo esto en cuenta, hay que valorar todos los factores del entorno que rodean al activo cuando se intenta generar predicciones en los mercados financieros. Abstract: Forecasting stock prices as an investment method presents a high level of complexity. It is well known computer’s great capacity at recognizing patterns and the correlation between statistics and financial markets, which makes them a perfect field to apply machine learning algorithms. This thesis aims to build the necessary infrastructure and prediction models to support a RESTful prediction service using deep learning algorithms along with the proper orchestration and containerization tools.To test the hypothesis that stock prices can not be accurately predicted based just on their past history, multiple prediction techniques have been applied. An entire infrastructure has been built using a micro-services pattern, focusing on automation and deployment, and the entire trading history of Google was fed to the different models to evaluate their respective accuracy. The results were along the lines of the hypothesized outcome, as none of the models were able to show high percentages of accuracy.These results suggest that price variations are driven by multiple factors, some of which are external to the asset, and therefore cannot be entirely predicted just by historical price. Bearing this in mind, all of the environmental factors that surround the asset must be taken into account when trying to generate predictions in financial markets.

More information

Item ID: 70745
DC Identifier: https://oa.upm.es/70745/
OAI Identifier: oai:oa.upm.es:70745
Deposited by: Biblioteca Universitaria Campus Sur
Deposited on: 28 Jun 2022 05:47
Last Modified: 28 Jun 2022 05:47
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM