Análisis de Series Temporales y Técnicas de Extracción de Tópicos para la Gestión Dinámica de Carteras

Abstract

Este Trabajo de Fin de Grado analiza cómo integrar modelos de series temporales y técnicas de procesamiento de lenguaje natural (NLP) en estrategias de gestión dinámica de carteras. El objetivo es evaluar si el sentimiento extraído de noticias financieras puede anticipar los rendimientos de las acciones, complementando así los enfoques cuantitativos tradicionales.

Se emplea un corpus de noticias financieras y precios diarios de diez empresas del S&P 500 (incluidas Apple, Tesla y Microsoft). El sentimiento se cuantifica utilizando cuatro métodos distintos (VADER, TextBlob, FinBERT y RoBERTa), y se analiza su correlación con los rendimientos diarios, considerando tanto efectos contemporáneos como retardados.

Los resultados muestran una correlación positiva, modesta pero estadísticamente significativa, entre el sentimiento y los retornos, especialmente en el mismo día. Esto sugiere que los mercados reaccionan rápidamente a la información pública, lo cual es coherente con la hipótesis de eficiencia semifuerte. VADER destaca como uno de los modelos más eficaces, aunque la respuesta varía entre empresas.

Aunque el sentimiento explica solo una pequeña parte de la variación de precios, se demuestra que puede aportar una señal valiosa en contextos de alta frecuencia o como complemento en modelos híbridos. La implementación de un modelo completo de optimización de cartera y técnicas como la extracción de tópicos quedan propuestas como desarrollos futuros. El estudio subraya el valor del análisis de datos no estructurados en finanzas y su potencial para enriquecer las estrategias de inversión.

This Bachelor’s Thesis explores the integration of time series models and natural language processing (NLP) techniques into dynamic portfolio management strategies. The main objective is to assess whether sentiment extracted from financial news contains predictive information about stock returns, thus complementing traditional quantitative models.

A dataset of financial news and daily stock prices for ten leading S&P 500 companies (including Apple, Tesla, and Microsoft) is analyzed. Sentiment is quantified using four different methods (VADER, TextBlob, FinBERT, and RoBERTa), and its correlation with daily returns is examined, considering both contemporaneous and lagged effects.

The results reveal a modest but statistically significant positive correlation between news sentiment and stock returns, especially on the same day. This indicates that markets react quickly to public information, consistent with the semi-strong form of market efficiency. VADER proves to be one of the most effective models, although sensitivity to sentiment varies across companies.

While sentiment explains only a small portion of price variability, it provides a valuable signal—particularly in high-frequency contexts or as part of hybrid models. The implementation of a full portfolio optimization framework and topic extraction techniques are proposed as future work. Overall, the study highlights the relevance of unstructured data analysis in finance and its potential to enhance investment strategies.