Finance, Markets and Valuation
Vol. 6, Núm. 2, Julio-Diciembre 2020, 137--148
Título: Comparativa de los models clásicos de series temporales con la red neuronal recurrente LSTM: Una aplicación a las acciones del S&P 500
Autores: Javier Oliver Muncharaz
DOI: 10.46503/ZVBS2781
Resumen:
En la literatura financiera existe un gran interés por la predicción de precios bursátiles que es necesario para la creación de diferentes estrategias de inversion, tanto especulativas como de cobertura. La aplicación de las redes neuronales ha supuesto un cambio en la creación de modelos de predicción. En este trabajo se analiza la capacidad que tienen las redes neuronales recurrentes, en concreto la long short-term recurrent neural network (LSTM) frente a modelos de series temporales clásicos como el Exponential Smooth Time Series (ETS) y el modelo Arima (ARIMA). Para ello se ha estimado dichos modelos para 284 acciones pertenecientes al índice bursátil S&P 500, comparando el MAE obtenido de sus predicciones, con el modelo LSTM. Los resultados obtenidos confirman una reducción importante de los errores de predicción. Estos resultados son coincidentes con otros estudios similares aplicados a acciones de otros índices bursátiles así como a otros activos financieros como los tipos de cambio.
Keywords: Redes neuronales recurrentes; Long short-term neural network; S&P 500; Arima
