Predicción para el mercado de acciones con redes neuronales LSTM

Herrera Cofre, Dennys Fabian

Predicción para el mercado de acciones con redes neuronales LSTM

dc.contributor.advisor	Garcia Bedoya, Olmer
dc.contributor.advisor	Granados, Oscar
dc.coverage.spatial	Colombia	spa
dc.creator	Herrera Cofre, Dennys Fabian
dc.creator.degree	Magíster en Ingeniería y Analítica de Datos	spa
dc.date.accessioned	2020-09-23T14:28:06Z
dc.date.available	2020-09-23T14:28:06Z
dc.date.created	2020
dc.description.abstract	El objetivo de este trabajo es demostrar la capacidad de las redes neuronales para apoyar en la predicción del precio de las acciones. La capacidad predictiva estable y significativa de las redes neuronales utilizadas y su superioridad predictiva respecto por ejemplo a una regresión múltiple comparable, se puede ver que la memoria larga a corto plazo (LSTM) puede resolver varias tareas de series de tiempo que no pueden resolverse mediante métodos tradicionales, lo cual sugiere usar LSTM solo cuando los enfoques tradicionales más simples fallan. En este trabajo se pretende demostrar que el nivel de precios de las acciones es más que la suma de la información económica disponible en datos históricos, teniendo en cuenta que la mayoría de las decisiones se toman teniendo en cuenta investigaciones previas y las noticias del entorno que rodean a los inversionistas. En este sentido, la idea de este trabajo es contribuir mediante aprendizaje automático a la toma de estas decisiones para operar en bolsa, utilizando de una manera diferente la gran cantidad de información que se encuentra disponible en internet como lo son las noticias en un portal financiero e información histórica de precios.	spa
dc.description.abstractenglish	The objective of this work is to demonstrate the ability of neural networks to support the prediction of stock prices. The stable and significant predictive capacity of the neural networks used and their predictive superiority compared to, for example, a comparable multiple regression, it can be seen that short-term long memory (LSTM) can solve several time series tasks that cannot be solved by means of traditional methods, which suggests using LSTM only when simpler traditional approaches fail. This paper aims to show that the share price level is more than the sum of the economic information available in historical data, taking into account that most decisions are made taking into account previous research and the news of the environment that they surround investors. In this sense, the idea of this work is to contribute through machine learning to making these decisions to operate on the stock market, using in a different way the large amount of information that is available on the internet, such as the news in a financial portal and historical price information.	spa
dc.format.extent	34 páginas	spa
dc.format.mimetype	application/pdf	spa
dc.identifier.repourl	http://expeditio.utadeo.edu.co	spa
dc.identifier.uri	https://hdl.handle.net/20.500.12010/13673
dc.language.iso	spa	spa
dc.publisher	Universidad de Bogotá Jorge Tadeo Lozano	spa
dc.publisher.program	Maestría en Ingeniería y Analítica de Datos	spa
dc.relation.references	F. D. Sciorio, From Efficient Market to Behavioral Finance. LAP LAMBERT Academic Publishing, 2018.
dc.relation.references	H. Shefrin, Beyond greed and fear: Understanding behavioral finance and the psychology of investing. Oxford University Press, 2002.
dc.relation.references	B. Mandelbrot and R. L. Hudson, The Misbehavior of Markets: A Fractal View of Financial Turbulence. Basic Books, 2006.
dc.relation.references	G. Cooper, The Origin of Financial Crises: Central Banks, Credit Bubbles, and the Efficient Market Fallacy. Vintage Press, 2008.
dc.relation.references	R. J. Shiller, Irrational exuberance: Revised and expanded third edition. Princeton university press, 2015.
dc.relation.references	O. A. Lamont and R. H. Thaler, “Can the market add and subtract? mispricing in tech stock carve-outs,” Journal of Political Economy, vol. 111, no. 2, pp. 227–268, 2003.
dc.relation.references	H. K. Baker and J. R. Nofsinger, Behavioral finance: investors, corporations, and markets. John Wiley & Sons, 2010, vol. 6.
dc.relation.references	K. Tseng, “Behavioral finance, bounded rationality, neuro-finance, and traditional finance,” Investment Management and Financial Innovations, no. 3, Iss. 4, pp. 7–18, 2006.
dc.relation.references	R. J. Shiller, “From efficient markets theory to behavioral finance,” Journal of economic perspectives, vol. 17, no. 1, pp. 83–104, 2003.
dc.relation.references	E. F. Fama, “Market efficiency, long-term returns, and behavioral finance,” Journal of Financial Economics, vol. 49, no. 3, pp. 283 – 306, 1998. [Online]. Available: https://doi.org/10.1016/S0304-405X(98)00026-9
dc.relation.references	S. F. LeRoy and R. D. Porter, “Stock price volatility: tests based on implied variance bounds,” Econometrica, vol. 49, no. 97, p. 113, 1981.
dc.relation.references	A. Shleifer, Inefficient markets: an introduction to behavioral finance. Oxford University Press, 2000.
dc.relation.references	J. Fagerstr¨om, M. B˚ang, D. Wilhelms, and M. S. Chew, “Lisep lstm: A machine learning algorithm for early detection of septic shock,” Scientific reports, vol. 9, no. 1, pp. 1–8, 2019. [Online]. Available: https://doi.org/10.1038/s41598-019-51219-4
dc.rights.accessrights	info:eu-repo/semantics/openAccess	spa
dc.rights.local	Abierto (Texto Completo)	spa
dc.source	instname:Universidad de Bogotá Jorge Tadeo Lozano	spa
dc.source	reponame:Expeditio Repositorio Institucional UJTL	spa
dc.subject	LSTM	spa
dc.subject	Acciones	spa
dc.subject.keyword	LSTM	spa
dc.subject.lemb	Procesamiento de datos	spa
dc.subject.lemb	Análisis de sistemas	spa
dc.subject.lemb	Acciones (Bolsa)	spa
dc.title	Predicción para el mercado de acciones con redes neuronales LSTM	spa
dc.type.coar	http://purl.org/coar/resource_type/c_bdcc	spa
dc.type.driver	info:eu-repo/semantics/masterThesis	spa
dc.type.hasversion	info:eu-repo/semantics/acceptedVersion	spa
dc.type.local	Trabajo de grado de maestría	spa