Deep Learning aplicado a sistemas financieros

Resumen

Dentro del mercado financiero existen muchos escenarios de uso que se corresponden con problemas de predicción y clasificación de series temporales. En el contexto de este dominio y sector, el objetivo de este Trabajo de Fin de Grado consiste en desarrollar un sistema para automatizar la creación de modelos viables para la predicción de tendencias de mercado, más concretamente, aquellas tendencias en el campo de la inversión. Para ello se ha obtenido un dataset de datos históricos de mercado, el cual se ha preprocesado de tal manera que pueda ser usando como entrada de un proceso de clasificación datos organizados en series temporales. Para analizar estos datos, se definirá un modelo de Deep Learning que intentará predecir un indicador estadístico de n días hacia el futuro. Posteriormente, se prueba la robustez de los modelos con extensivo backtesting y posteriormente, se implementa un algoritmo de trading en vivo que utiliza los modelos de Deep Learning en combinación con las estrategias de trading desarrolladas. Finalmente, para que los resultados del modelo puedan ser analizados y utilizados por los usuarios finales, se ha desarrollado una plataforma web de análisis que monitoriza los trades del algoritmo en tiempo real de una manera amigable y usable para los accionistas. Todo lo anterior se ha desplegado dentro de una arquitectura modular desplegada en los servicios de Google Cloud.

Abstract:

In the financial market there are many use-case scenarios that correspond with problems of prediction and classification. In the context of financial domain is where this Final Project Degree takes place. Particularly, the goal of this Project is developing a system to automate the creation of viable models for the prediction of market tendencies, more specifically, the investment tendencies. For this purpose, a historical market dataset has been obtained and processed to be used for Time Series Classification. To analyze the data, a Deep Learning model will be defined that will attempt to predict a statistical indicator n days in the future. The robustness of the models will be tested with extensive backtesting and afterwards, a live trading algorithm will be implemented to use the Deep Learning models in conjunction with the developed trading strategies. Finally, in order for the results to be analyzed and used by the end users, a web platform that monitors the trades of the algorithm in real time in a user-friendly way has been developed. Everything deployed in a modular architecture with Google Cloud services.