Predicción de precios de acciones en bolsa a través de Redes Neuronales

Abstract

La predicción de las rentabilidades bursátiles ha sido un tema que ha suscitado la atención de los inversores durante décadas. Este proceso asume que mediante un análisis de la información histórica disponible públicamente sobre los valores que forman el índice que combine variables macroeconómicas, tendencias de la industria, precios de las materias primas e indicadores técnicos relativos al mercado de valores, así como de diversos acontecimientos, noticias financieras y/o opiniones de inversores, se puede establecer una relación predictiva con sus rendimientos futuros. En este trabajo se ha construido un modelo de predicción del precio de las acciones del Standard & Poor’s 500 (S&P 500) mediante una estructura sencilla basada en redes neuronales artificiales. Para proporcionar una evaluación experimental del rendimiento del modelo, se ha llevado a cabo una comparación de las rentabilidades conseguidas por una estrategia de inversión basada en el modelo y otra basada en la compra y mantenimiento de un ETF del S&P 500. Los resultados muestran que, si bien el modelo es capaz de lograr rendimientos positivos relevantes, es al mismo tiempo incapaz de batir al mercado. Se han discutido las posibles limitaciones para la predicción bursátil, como el acceso a toda la información relevante, así como las posibles direcciones de investigación futuras.

The stock market has been an attractive field for investors to try to create useful predictions to maximize their returns. The idea that an analysis of macroeconomic variables, industry trends, commodities’ prices and technical indicators regarding the stock market, as well as the influence of various events, financial news, and/or investors’ opinions could be exploited to make reliable predictions and achieve higher profitability has been in the mind of investors for a long time. In this thesis, a stock price prediction model for the Standard & Poor’s 500 (S&P 500) has been built using a simple structure based on artificial neural networks. To provide an experimental evaluation of the model's performance, a comparison of the returns achieved by an investment strategy based on the model and one based on the purchase and holding of an S&P 500 ETF has been carried out. The results show that, while the model can achieve relevant positive returns, it is at the same time unable to beat the market. Possible limitations for stock market prediction, such as access to all the relevant information, as well as possible future research directions have been discussed.