Análisis de Redes Neuronales aplicadas a predicciones bursátiles

Abstract

El objetivo de este trabajo consiste en determinar si es posible pronosticar, con una precisión aceptable, recomendaciones de compraventa de valores bursátiles mediante la creación y el entrenamiento de modelos de redes neuronales. Por lo general las oscilaciones de los mercados financieros en un intervalo predeterminado no dependen de un único estado previo, sino que es la acumulación de movimientos anteriores la que permite estimar los cambios futuros. Teniendo en cuenta este hecho, este estudio se centra en analizar las Redes Neuronales Recurrentes (RNN) y su variante de Memoria Larga a Corto Plazo (LSTM). Ambos algoritmos tienen la capacidad de memorizar estados previos a su paso por la red neuronal y, por lo tanto, resultan potencialmente idóneos para esta tarea. El desarrollo de este proyecto se ha basado en la creación de múltiples modelos RNN y LSTM y su entrenamiento mediante un juego de parámetros predefinido. Para ello se han utilizado tres datasets con datos bursátiles reales y se ha incluido el análisis del sentimiento de las noticias financieras mediante el modelo FinBERT. El resultado obtenido en cada modelo ha proporcionado una curva cuya evaluación ha permitido extraer los puntos donde se ha producido una oscilación relevante en el precio de la acción y, en consecuencia, predecir una posible compra o venta. La conclusión de este estudio es que no es posible predecir de manera fiable la tendencia de los mercados. No ha existido homogeneidad en los resultados obtenidos a partir de los tres valores analizados.

The objective of this work is to determine whether it is possible to forecast, with acceptable accuracy, buying or selling recommendations for stock market shares by creating and training neural network models. Generally, financial market oscillations within a predetermined interval do not depend on a single previous state, but rather it is the accumulation of previous movements that allows estimating future changes. Considering this fact, this study focuses on analyzing Recurrent Neural Networks (RNN) and their Long Short-Term Memory (LSTM) variant. Both algorithms have the ability to memorize previous states as they pass through the neural network and, therefore, are potentially suitable for this task. The development of this project has been based on the creation of multiple RNN and LSTM models and their training using a predefined set of parameters. Three datasets with real stock market data have been used, and the sentiment analysis of financial news has been included using the FinBERT model. The result obtained in each model has provided a curve whose analysis has allowed extracting the points where a relevant oscillation in the stock price has occurred and, consequently, predicting a possible buy or sell order. The conclusion of this study is that it is not possible to reliably predict market trends. There has been no consistency in the results obtained from the three analyzed stocks.