Predicción de índices bursátiles por medio de redes neuronales artificiales. Aplicación al caso del IBEX 35

Abstract

[ES] Debido a los riesgos y rendimientos variables de la bolsa, la predicción de los precios de las acciones es un tema de mucha importancia para los que quieren invertir en ella. Tener la capacidad de pronosticar la tendencia o el precio de las acciones sería una información muy valiosa para los inversores. Por otro lado, gracias al incremento de la capacidad de computación, el Deep Learning se ha visto potenciado como una de las técnicas de Inteligencia Artificial con mayor capacidad de procesamiento de datos. El presente Trabajo Fin de Grado se sitúa en la confluencia de ambos campos: la predicción de bolsa y las técnicas de Deep Learning. El objetivo del trabajo es explorar las posibilidades de predicción basada en redes neuronales artificiales. Estas técnicas se han aplicado a los datos del Ibex-35 a partir del mes de septiembre de 2000 hasta diciembre de 2019. Se han preparado ocho bases de datos, cada una con un indicador técnico diferente. En relación con la arquitectura, se han elegido tres configuraciones: redes neuronales recurrentes simples, LSTM y una combinación de convolucionales de una dimensión con LSTM. A partir de los parámetros de configuración de cada arquitectura, se han planteado 864 modelos distintos. Así pues, teniendo en cuenta las bases de datos de partida y los modelos de redes neuronales artificiales, esta investigación ha revisado las predicciones de 6.912 casos distintos. Se realiza, finalmente, una comparativa entre los distintos modelos partiendo como baseline los RMSE tomados por las medias móviles y una red neuronal simple. Se concluye que el modelo de combinación convolucional con LSTM es el mejor predictor para el índice.

[EN] Due to the variable risks and returns of the stock market, the prediction of stock prices is a very important issue for those who want to invest in it. Having the ability to predict the trend or the price of shares would be very valuable information for investors. On the other hand, thanks to increased computing power, Deep Learning has been enhanced as one of the Artificial Intelligence techniques with greater data processing capacity. This paper is located at the confluence of both fields: stock market prediction and Deep Learning techniques. The aim of the work is to explore the possibilities of prediction based on artificial neural networks. These techniques have been applied to Ibex-35 data from September 2000 to December 2019. Eight databases have been prepared, each with a different technical indicator. In relation to the architecture, three configurations have been chosen: simple recurrent neural networks, LSTM, and a combination of one-dimensional convolutional with LSTM. From the configuration parameters of each architecture, 864 different models have been proposed. Thus, considering the initial databases and the artificial neuronal networks models, this research has reviewed the predictions of 6.912 different cases. Finally, a comparison between the different models is carried out based on the RMSE taken by the moving averages and a simple neuronal network. It is concluded that the model of convolutional combination with LSTM is the best predictor for the index.

[CA] A causa dels riscos i rendiments variables de la borsa, la predicció dels preus de les accions és un tema de molta importància per a tots aquells que volen invertir en ella. Tindre la capacitat de pronosticar la tendència o el preu de les accions seria una informació molt valiosa per als inversors. D'altra banda, gràcies a l'increment de la capacitat de computació, el Deep Learning s'ha vist potenciat com una de les tècniques d'Intel·ligència Artificial amb major capacitat de processament de dades. El present Treball Fi de Grau se situa en la confluència de tots dos camps: la predicció de bossa i les tècniques de Deep Learning. L'objectiu del treball és explorar les possibilitats de predicció basada en xarxes neuronals artificials. Aquestes tècniques s'han aplicat a les dades de l'Ibex-35 a partir del mes de setembre de 2000 fins a desembre de 2019. S'han preparat 8 bases de dades, cadascuna amb un indicador tècnic diferent. En relació a l'arquitectura, s'han triat tres configuracions: xarxes neuronals recurrents simples, LSTM i una combinació de convolucionals d'una dimensió amb LSTM. A partir dels paràmetres de configuració de cada arquitectura, s'han plantejat 864 models diferents. Així doncs, tenint en compte les bases de dades de partida i els models de xarxes neuronals artificials, aquesta investigació ha revisat les prediccions de 6.912 casos diferents. Es realitza, finalment, una comparativa entre els diferents models partint com a base el RMSE pres per les mitjanes mòbils i una xarxa neuronal simple. Es conclou que el model de combinació convolucional amb LSTM és el millor predictor per a l'índex.