Aplicación de los avances de aprendizaje automático para inversión en mercados financieros

Abstract

El aprendizaje automático ha sido utilizado en numerosas aplicaciones, incluida la predicción del precio de las acciones. El objetivo de este trabajo es el de combinar el aprendizaje automático con las técnicas de selección de características para series temporales en el mercado de valores de forma que ayude a distinguir y clasificar las compañías así como en la decisión sobre en qué valores invertir, consiguiendo mayores rentabilidades.

Con este objetivo, se ha aplicado a la selección de características una serie de técnicas de aprendizaje no supervisado, como el análisis de componentes principales o la clusterización, para clasificar las empresas que puedan ser más rentables a la hora de invertir. Gracias a este aprendizaje se consigue entender mejor las dinámicas internas que gobiernan este tipo de series.

También se han transformado las series originales para aplicar estrategias de inversión y, a través de distintos modelos de predicción, tratar de predecir la rentabilidad que pueden dar ciertas estrategias de inversión al medio plazo sobre distintas compañías. Con esta predicción, se proponen distintos criterios a la hora de elegir las compañías en las que invertir. Por último, se comparan los beneficios obtenidos al aplicar las distintas combinaciones de modelo de predicción y criterios de elección a lo largo de los años.

Machine learning has been used in numerous applications, included the prediction of the stock prices. The objective of this thesis is to combine the machine learning with the time series feature selection techniques for the stock market in a way that helps distinguishing and classifying the different companies as well as in the decision on which companies to invest, obtaining higher profitability.

Following this objective, unsupervised learning techniques have been applied, such as principal component analysis or clustering, to these selected features in order to classify those companies. This classification may distinguish the most profitable for the investors. Thanks to this kind of learning, we can achieve a better understanding of the internal dynamics that govern this kind of series.

Furthermore, the time series have been transformed in order to apply investment strategies and, through different forecasting models, try to forecast the profitability that certain investing strategies term give in the medium term over different companies. With this profitability forecast, different criteria are proposed when selecting the companies in which to invest. Finally, the different combinations of prediction model and selecting criteria along the years are bench-marked using the profitability that we would have obtained if the strategy had been followed.