Modelos generativos basados en deep learning para tareas predictivas en estrategias de trading del mercado de materias primas

Abstract

RESUMEN: Los mercados de materias primas, son mercados a nivel mundial donde se negocian precios de compra y venta de productos básicos como granos, metales, energía, carnes, etc. Muchas compañías realizan compras y ventas en estos mercados con el fin de generar ganancias en la ejecución de estas transacciones (trading). La gran mayoría de estas transacciones se basan en especulaciones hechas sobre el precio del mercado. Por ejemplo, si se está seguro de que el precio de un producto va a subir para el día siguiente, conviene comprar en el día actual para luego vender, generando así una ganancia debido a la diferencia de precios entre un día y otro. De esta manera, tener información con cierto nivel de seguridad sobre el comportamiento del precio para momentos posteriores, resulta ventajoso. Una forma de tener información sobre el comportamiento futuro de un mercado, es realizando predicciones del mismo. Áreas como la econometría, la estadística y el aprendizaje automático (Machine Learning) proponen una gran cantidad de métodos, técnicas y modelos con este propósito. El presente proyecto está ubicado en el área de la inteligencia artificial generando predicciones del mercado del oro para su aprovechamiento en estrategias de trading. Debido a que se trabajó con series temporales y simulaciones, los modelos fueron utilizados bajo un mecanismo de validación cruzada para series de tiempo, lo que limita el uso de datos en los distintos momentos de entrenamiento, sumandole a eso la complejidad de los datos del mercado, lo que podría traducirse en un bajo rendimiento en las predicciones. Por ende, se propone el uso de datos sintéticos producidos por modelos generativos basados en deep learning, para el entrenamiento de los modelos predictivos. Estos datos sintéticos deberán replicar distintos escenarios del mercado de la mejor manera posible para solventar dicha limitante. Cabe mencionar que también se quiso determinar la utilidad de datos sintéticos en contextos financieros. El desempeño de los modelos predictivos y generativos se midió a través de métricas de desempeño y simulaciones de estrategias de trading, al final se desarrolló una metodología experimental, que a través de simulaciones y estrategias de trading muestra el impacto de usar datos sintéticos producidos por modelos generativos basados en deep learning en la predicción del mercado de materias primas.