Finanzas corporativas.

Abstract

El presente Trabajo de Fin de Grado analiza la capacidad y el potencial de diferentes modelos de Inteligencia Artificial en la predicción del comportamiento bursátil de las empresas del sector energético del IBEX 35 en los cinco días posteriores a la publicación de resultados trimestrales. El objetivo principal es concluir si diferentes técnicas de machine learning son capaces de anticipar movimientos en la cotización de las acciones e identificar las variables con mayor capacidad predictiva. La metodología consiste en la construcción de una base de datos compuesta por 136 publicaciones de resultados, correspondientes a las compañías energéticas del IBEX 35 durante el período 2022-2026. Para ello se han considerado variables bursátiles, financieras, macroeconómicas y sectoriales, junto a eventos relevantes del sector energético. Posteriormente, se han desarrollado modelos predictivos mediante Orange Data Mining, utilizando algoritmos de Regresión Logística, Gradient Boosting y Random Forest. Los resultados muestran que el modelo Random Forest, con una precisión del 66,9%, fue el modelo con mayor capacidad predictiva, claramente superior a la predicción aleatoria. Además, los modelos basados en árboles de decisión superaron a los modelos lineales, evidenciando la existencia de relaciones no lineales en los mercados financieros. Las variables más relevantes fueron la inflación, la sorpresa del beneficio por acción, la distancia a la media móvil de 200 sesiones, el volumen relativo y el momentum. Las conclusiones reflejan el potencial de la Inteligencia Artificial como herramienta de apoyo en la predicción bursátil, pero también la necesidad de emplear variables relevantes y periodos temporales amplios para una mayor robustez de los resultados.

This Bachelor's Thesis analyses the capacity and potential of different Artificial Intelligence models in predicting the stock market behaviour of energy sector companies in the IBEX 35 within the five days following the publication of quarterly earnings. The main objective is to conclude whether different machine learning techniques can anticipate movements in stock prices and to identify the variables with the highest predictive capacity. The methodology consists of building a database comprising 136 earnings announcements corresponding to the energy companies of the IBEX 35 during the 2022-2026 period. To this end, stock market, financial, macroeconomic, and sectoral variables were considered, along with relevant events in the energy sector. Subsequently, predictive models were developed using Orange Data Mining, employing Logistic Regression, Gradient Boosting, and Random Forest algorithms. The results show that the Random Forest model, with an accuracy of 66.9%, was the model with the highest predictive capacity, clearly outperforming random prediction. Furthermore, decision tree-based models outperformed linear models, evidencing the existence of non-linear relationships in financial markets. The most relevant variables were inflation, earnings per share (EPS) surprise, distance to the 200-day moving average, relative volume, and momentum. The conclusions reflect the potential of Artificial Intelligence as a support tool in stock market prediction but also highlight the need to employ relevant variables and broad timeframes to achieve greater robustness in the results.