Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/11531/46851
Título : Diseño de un modelo de aprendizaje profundo para realizar operaciones de compraventa de activos financieros
Autor : Güitta López, Lucía
López López, Álvaro Jesús
Díaz García, Lucía
Universidad Pontificia Comillas, Escuela Técnica Superior de Ingeniería (ICAI)
Fecha de publicación : 2020
Resumen : En este proyecto se explora una de las diferentes áreas de inteligencia artificial aplicada a mercados financieros. En concreto, a una compraventa de activos financieros inteligente, apoyándose en técnicas de aprendizaje profundo centradas en visión artificial. El objetivo principal será entrenar un modelo propio de Deep Learning capaz de identificar correctamente oportunidades tanto de venta como de compra de activos para poder ser utilizado como una herramienta de inversión inteligente. Este trabajo está basado en el artículo Trading via Image Classification (JP Morgan). Los autores de este artículo se basan en el hecho de que los agentes de inversión toman decisiones sobre la compraventa de activos mientras observan en una pantalla imágenes de gráficas de la evolución del valor de los activos. Partiendo de esta observación, se formula la hipótesis de que tratar los problemas de predicción de señales compraventa de activos financieros como un problema de visión artificial en lugar de un problema de series temporales numéricas podría aportar valor y tener mayor éxito a la hora de recuperar dichas señales. En concreto, por su utilidad para resolver problemas de visión artificial, se utilizarán modelos de redes neuronales convolucionales. Las imágenes que recibirá el modelo serán las correspondientes a la evolución del valor de las acciones de varias de las empresas del IBEX 35. El algoritmo financiero escogido para la toma de decisiones de compraventa es el de las Bandas de Bollinger. se realizará una comparación entre los resultados obtenidos con el modelo convolucional, siendo los datos de entrada imágenes, y los resultados obtenidos con modelos de machine learning clásicos, que toman como entrada datos numéricos en forma tabular.
This project explores one of the different areas of artificial intelligence applied to financial markets. Specifically, an intelligent buying and selling of financial assets, supported by deep learning techniques focused on artificial vision. The main objective will be to train a Deep Learning model capable of correctly identifying asset sale and purchase opportunities so that it can be used as an intelligent investment tool. This work is based on the article Trading via Image Classification (JP Morgan). The authors of this article explore the fact that investment agents make decisions about buying and selling assets while observing images of the evolution of the value of the assets on a screen. Based on this observation, a hypothesis is made that treating the problem of predicting financial asset trading signals as an image classification problem rather than a numerical time series problem could provide value and be more successful in retrieving those signals.In particular, because of their usefulness in solving artificial vision problems, convolutional neural network models will be used. The images that the model will receive will be those corresponding to the evolution of the value of the shares of several of the IBEX 35 companies. The financial algorithm chosen for the decision-making process is that of Bollinger Bands. A comparison will be made between the results obtained with the convolutional model, the input data being images, and the results obtained with classic machine learning models, which take as input numerical data in tabular form.
Descripción : Máster Universitario en Ingeniería Industrial + Máster en Industria Conectada/ Master in Smart Industry
URI : http://hdl.handle.net/11531/46851
Aparece en las colecciones: H62-Trabajos Fin de Máster

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
TFM-DiazGarcia,Lucia.pdfTrabajo Fin de Máster3,15 MBAdobe PDFVista previa
Visualizar/Abrir
AnexoI.pdfAutorización121,87 kBAdobe PDFVista previa
Visualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.