Predicción de la cotización de las acciones mediante técnicas de Deep Learning

Abstract

La predicción precisa de los precios de las acciones a corto plazo desempeña un papel crucial en los mercados financieros, ya que brinda a los inversores la capacidad de tomar decisiones informadas y maximizar sus rendimientos. Aunque previamente se creía que las series de tiempo de los precios de las acciones eran impredecibles, investigaciones recientes han revelado la existencia de patrones y tendencias que permiten realizar predicciones con cierta precisión. En este contexto, las técnicas de aprendizaje profundo se han destacado como una poderosa herramienta, ya que son capaces de capturar patrones complejos y adaptarse a los cambios en los datos. Con el objetivo de aprovechar estas ventajas, este trabajo de fin de grado se enfoca en realizar una comparativa de estrategias basadas en aprendizaje profundo para predecir a corto plazo el precio de cierre de las acciones de Acciona, una empresa de gran relevancia en el índice bursátil IBEX 35. Mediante el análisis exhaustivo y la evaluación de diferentes técnicas y modelos, se busca mejorar la capacidad de predicción.

Para ello, se realiza la descarga y preprocesamiento de los datos históricos de los precios de cierre de las acciones de Acciona desde 2015 hasta 2023. Durante este proceso, se lleva a cabo la normalización de los datos y se verifica la ausencia de valores faltantes para garantizar la integridad de la serie temporal. Posteriormente, se realiza la división de la serie temporal en conjuntos de entrenamiento y prueba, asignando un 60% de los datos para el conjunto de entrenamiento y un 40% para el conjunto de pruebas. Además, se implementa la estrategia de 'early stopping' con el objetivo de mejorar el rendimiento del modelo y evitar el sobreajuste. Dentro de la implementación, se explora la utilización de diferentes tamaños de ventana, incluyendo opciones de 30, 60 y 90 días, con diferentes alternativas de tamaño de muestra, como 16, 32 y 64. Estas variaciones en los tamaños de ventana y muestra permiten evaluar la influencia de estos parámetros en la capacidad de predicción del modelo y determinar la combinación óptima para obtener resultados precisos. Tras implementar y comparar diferentes técnicas de arquitecturas de redes neuronales, se concluye que el modelo más ajustado a los datos históricos de los precios de las acciones de Acciona es aquel basado en una arquitectura CNN-LSTM con una ventana temporal de 30 días y muestras de tamaño 64 en su capa. Este modelo logra un coeficiente de determinación (R2) del 98%, lo que resulta en un modelo de gran precisión.

Accurate prediction of short-term stock prices plays a crucial role in financial markets, as it provides investors with the ability to make informed decisions and maximize their returns. While it was previously believed that stock price time series were unpredictable, recent research has revealed the existence of patterns and trends that allow predictions to be made with some accuracy. In this context, deep learning techniques have emerged as a powerful tool, as they are able to capture complex patterns and adapt to changes in the data. In order to take advantage of these benefits, this thesis focuses on a comparison of strategies based on deep learning to predict in the short term the closing price of the shares of Acciona, a company of great relevance in the IBEX 35 stock index. Through the exhaustive analysis and evaluation of different techniques and models, we seek to improve the prediction capacity.

For this purpose, the download and preprocessing of the historical data of the closing prices of Acciona's shares from 2015 to 2023 is carried out. During this process, data normalization is carried out and the absence of missing values is verified to ensure the integrity of the time series. Subsequently, the division of the time series into training and test sets is performed, assigning 60% of the data for the training set and 40% for the test set. In addition, the 'early stopping' strategy is implemented in order to improve model performance and avoid overfitting. Within the implementation, the use of different window sizes is explored, including 30, 60 and 90-day options, with different sample size alternatives, such as 16, 32 and 64. These variations in window and sample sizes allow us to evaluate the influence of these parameters on the predictive ability of the model and to determine the optimal combination for accurate results. After implementing and comparing different techniques of neural network architectures, it is concluded that the model that best fits the historical data of Acciona's stock prices is the one based on a CNN-LSTM architecture with a 30-day time window and sample size 64 in its layer. This model achieves a coefficient of determination (R2) of 98%, resulting in a highly accurate model.