Predicción de precios de acciones utilizando LSTM y GRU para el análisis de series temporales

Abstract

Este trabajo se centra en la predicción de precios de acciones utilizando redes neuronales recurrentes (LSTM y GRU) aplicadas a series temporales financieras. Se emplearon datos históricos de Apple Inc., enriquecidos con indicadores técnicos, para construir y evaluar los modelos. Como línea base, se implementó una regresión lineal para establecer un punto de comparación inicial. La metodología incluyó un exhaustivo preprocesamiento de los datos, generación de secuencias temporales y optimización de hiperparámetros mediante Grid Search, considerando el tamaño de la ventana, unidades recurrentes, tamaño de lote y tasa de aprendizaje. Los modelos se evaluaron mediante métricas como MSE y MAE, y se analizaron las diferencias entre LSTM y GRU. Los resultados indican que los modelos GRU superaron a los LSTM en términos de precisión, mostrando un menor MSE y MAE, lo cual concuerda con investigaciones previas que destacan la eficiencia de las GRU en la captura de dependencias temporales. Sin embargo, ambos modelos demostraron mejoras significativas respecto a la regresión lineal. El análisis crítico destacó limitaciones como la falta de integración de variables externas y la dependencia de un conjunto de datos limitado. Se sugieren futuras líneas de investigación que incluyan modelos híbridos y fuentes de datos adicionales, como análisis de sentimiento y factores macroeconómicos, para mejorar la capacidad predictiva de los modelos. En conclusión, el trabajo valida la efectividad de las redes neuronales recurrentes en la predicción de precios de acciones y establece un marco para investigaciones futuras en este dominio.

This project focuses on stock price prediction using recurrent neural networks (LSTM and GRU) applied to financial time series. Historical data from Apple Inc., enriched with technical indicators, were used to build and evaluate the models. A linear regression model was implemented as a baseline for initial comparison. The methodology included comprehensive data preprocessing, temporal sequence generation, and hyperparameter optimization using Grid Search, considering window size, recurrent units, batch size, and learning rate. Models were evaluated using metrics such as MSE and MAE, and differences between LSTM and GRU were analyzed. Results indicate that GRU models outperformed LSTM in terms of accuracy, showing lower MSE and MAE, aligning with prior research highlighting GRU efficiency in capturing temporal dependencies. Both models showed significant improvements compared to linear regression. The critical analysis highlighted limitations such as the lack of external variable integration and reliance on a limited dataset. Future research is suggested to explore hybrid models and additional data sources, such as sentiment analysis and macroeconomic factors, to enhance predictive performance. In conclusion, the study validates the effectiveness of recurrent neural networks in stock price prediction and sets a foundation for future research in this domain.