Modelo analítico de aprendizaje automático para la predicción en corto plazo del sentido del S&P 500

RESUMEN : Se propone el análisis de tres modelos de machine learning, regresión logística, redes neuronales, y Xgboost, con el objetivo de encontrar un modelo analítico que aporte en la predicción en corto plazo del sentido del S&P 500. Desde la analítica de datos los modelos de operaciones de compra y venta de activos financieros consideran diferentes desafíos, la operación en el mercado por parte de los inversionistas está supeditada evidentemente a la volatilidad del mercado. A pesar de que en una operación de trading el usuario haga uso de múltiples herramientas para proteger su inversión, la volatilidad del mercado siempre será un factor a considerar y el riesgo estará latente, por ello, lo que se busca es disminuir la incertidumbre de la próxima operación. En consecuencia, los algoritmos aquí tratados están encaminados a dotar de herramientas técnicas al inversionista para que se logre maximizar beneficios económicos. El resultado obtenido sugiere que el modelo que se debe utilizar para tales fines es regresión logística ya que obtuvo el mejor desempeño, F1 socore 0,94 y AUC 0,98.

• Autores: Piedrahita Vasco, Manuela; Llerena Riascos, Camilo
• Tipo de recurso: Tesis
• Fecha de publicación: 2023
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/35653
• Acceso en línea: https://hdl.handle.net/10495/35653
• Palabra clave: Análisis de regresión logística; Aprendizaje Automático (inteligencia artificial); Machine learning; Redes neurales (computadores); Bolsa de valores; Inversiones; Reservas (seguridad mercantil); Margins (security trading)
• Rights: openAccess
• License: https://creativecommons.org/licenses/by-nc-sa/4.0/