Predicción de la tendencia del indicador S&P 500

Abstract

RESUMEN : El mercado de valores es conocido y caracterizado por su gran complejidad y volatilidad. Las Redes Neuronales de Largo y Corto Plazo (LSTM) son ampliamente utilizadas en diversas aplicaciones por su capacidad de abordar problemas de alta dimensionalidad y no-linealidad, resultando particularmente atractivas para predecir series temporales financieras. En esta monografía, se explora un método para realizar la predicción de la tendencia de cierre del indicador S&P 500 con un horizonte de pronóstico de 1 día, adecuando el problema de interés a un problema de clasificación binaria; 1 si la predicción del indicador es creciente y 0 si es decreciente. Finalmente, se evalúan algunas pruebas de hipótesis para concluir sobre la estacionalidad de la serie temporal y se analizan los resultados más relevantes de las implementaciones, entre los cuales sobresalen niveles de exactitud de 52.51% y 64.04% para los modelos LSTM y Regresión Logística respectivamente.

ABSTRACT : The stock market is known for its extreme complexity and volatility. The Long Short-Term Memory Neural Networks (LSTM) are widely used in various applications due to their ability to address high dimensionality and non-linear problems, being particularly attractive for predicting financial time series. In this paper, a method is explored to perform the prediction of the closing trend of the S&P 500 indicator with a forecast horizon of 1 day, adapting the problem of interest to a binary classification problem; 1 if the prediction is to increase and 0 if the opposite. Some hypothesis tests are evaluated to conclude on the stationarity of the time series and the most relevant results of the implementations are analyzed, among which Accuracy levels of 52.51% and 64.04% stand out for the LSTM and Logistic Regression models respectively.