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

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.

[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.

[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.