- -

Diseño y evaluación de la capacidad predictiva de los modelos econométricos clásicos frente al modelo basado en redes neuronales Long-Short Term Memory aplicados al mercado FOREX

RiuNet: Institutional repository of the Polithecnic University of Valencia

Share/Send to

Cited by

Statistics

  • Estadisticas de Uso

Diseño y evaluación de la capacidad predictiva de los modelos econométricos clásicos frente al modelo basado en redes neuronales Long-Short Term Memory aplicados al mercado FOREX

Show simple item record

Files in this item

dc.contributor.advisor Oliver Muncharaz, Javier es_ES
dc.contributor.author Abad Abad, José Luis es_ES
dc.date.accessioned 2023-07-13T14:17:22Z
dc.date.available 2023-07-13T14:17:22Z
dc.date.created 2023-06-27
dc.date.issued 2023-07-13 es_ES
dc.identifier.uri http://hdl.handle.net/10251/194900
dc.description.abstract [ES] En este trabajo se compararán los resultados de dos modelos econométricos clásicos, como son el modelo exponencial simple y el modelo ARIMA con respecto a un modelo de predicción moderno basado en redes neuronales recurrentes Long-Short Term Memory (LSTM). Las series temporales analizadas serán datos históricos de tres tipos de cambio de divisas del mercado FOREX como son el Euro-dólar, Euro-libra y Euro-Dólar Neozelandés. Además, será de interés estudiar la capacidad predictiva de los modelos empleando distintos espacios temporales o ‘timeframes’: diarios, semanales y mensuales. Anticiparse al mercado de divisas permite a empresas y estados realizar operaciones de cobertura con el fin de protegerse frente a los riesgos presentes en los mercados de bienes y servicios internacionales. Asimismo, permite a especuladores realizar operaciones de arbitraje entre mercados y a agentes económicos gubernamentales regular la liquidez de sus propias monedas. es_ES
dc.description.abstract [EN] This project tries to assess the performance in terms of accuracy through the comparation of historical real life Forex Market rentability with the predictions obtained by the implementation in Python of traditional econometrical predicting algorithms as Simple Exponential Smoothing and ARIMA in front of modern Machine Learning algorithms, specifically Long-Short Term Memory Neuronal Network. Also, different time-frames of data (diary, weekly and monthly) are compared in the project so conclusions can be made about the influence of time while predicting Forex Market rentability. The aim is to analyse if modern algorithms present any sort of gain versus traditional algorithms. Processing the results employing error metrics as Root Mean Square Error and Mean Absolute Error will let us compare the accuracy of the predictions. Reaching models with high accuracy it¿s key for economical agents such as investors, governments and monetary authorities that trade in international markets or manage the monetary policy regulating the liquidity of their currency. es_ES
dc.description.abstract [CA] En aquest treball es compararan els resultats de dos models economètrics clàssics, com són el model exponencial simple i el model ARIMA respecte a un model de predicció modern basat en xarxes neuronals recurrents Long-Short Term Memory (LSTM). Les sèries temporals analitzades seran dades històriques de tres tipus de canvi de divises del mercat FOREX com són l'Euro-dòlar, Euro-lliura i Euro-Dòlar Neozelandés. A més, serà d'interés estudiar la capacitat predictiva dels models emprant diferents espais temporals o ‘time-frames’: diaris, setmanals i mensuals. Anticipar-se al mercat de divises permet a empreses i estats realitzar operacions de cobertura amb la finalitat de protegir-se enfront dels riscos presents en els mercats de béns i serveis internacionals. Així mateix, permet a especuladors realitzar operacions d'arbitratge entre mercats i a agents econòmics governamentals regular la liquiditat de les seues pròpies monedes. es_ES
dc.format.extent 73 es_ES
dc.language Español es_ES
dc.publisher Universitat Politècnica de València es_ES
dc.rights Reserva de todos los derechos es_ES
dc.subject Divisas es_ES
dc.subject Monedas es_ES
dc.subject Predicción es_ES
dc.subject Modelización es_ES
dc.subject Econometría es_ES
dc.subject Forex es_ES
dc.subject Suavizado exponencial es_ES
dc.subject ARIMA es_ES
dc.subject LSTM es_ES
dc.subject Python es_ES
dc.subject Prediction es_ES
dc.subject Modelization es_ES
dc.subject Econometrics es_ES
dc.subject Exponential smoothing es_ES
dc.subject.classification ECONOMIA FINANCIERA Y CONTABILIDAD es_ES
dc.subject.other Grado en Administración y Dirección de Empresas-Grau en Administració i Direcció d'Empreses es_ES
dc.title Diseño y evaluación de la capacidad predictiva de los modelos econométricos clásicos frente al modelo basado en redes neuronales Long-Short Term Memory aplicados al mercado FOREX es_ES
dc.title.alternative Design and evaluation of the predictive ability of classical econometric models versus a neural network-based Long-Short Term Memory model applied to the FOREX market. es_ES
dc.title.alternative Disseny i avaluació de la capacitat predictiva dels models economètrics clàssics enfront del model basat en xarxes neuronals Long-Short Term Memory aplicats al mercat FOREX es_ES
dc.type Proyecto/Trabajo fin de carrera/grado es_ES
dc.rights.accessRights Abierto es_ES
dc.contributor.affiliation Universitat Politècnica de València. Departamento de Economía y Ciencias Sociales - Departament d'Economia i Ciències Socials es_ES
dc.contributor.affiliation Universitat Politècnica de València. Facultad de Administración y Dirección de Empresas - Facultat d'Administració i Direcció d'Empreses es_ES
dc.description.bibliographicCitation Abad Abad, JL. (2023). Diseño y evaluación de la capacidad predictiva de los modelos econométricos clásicos frente al modelo basado en redes neuronales Long-Short Term Memory aplicados al mercado FOREX. Universitat Politècnica de València. http://hdl.handle.net/10251/194900 es_ES
dc.description.accrualMethod TFGM es_ES
dc.relation.pasarela TFGM\156753 es_ES


This item appears in the following Collection(s)

Show simple item record