Pronósticos de series temporales utilizando redes neuronales artificiales: una aplicación al estudio de las series de tiempo en el mercado de acciones

Abstract

Este documento presenta una exploración exhaustiva de las técnicas avanzadas de redes neuronales profundas DNN, incluida la integración de arquitecturas de memoria a corto plazo LSTM y redes neuronales convolucionales CNN. La investigación se enfoca en analizar conjuntos de datos en el mercado de valores, empleando Python 3 junto con Tensor Flow y Keras. La importancia de la metodología radica en su potencial para revelar relaciones ocultas entre las variables observables del mercado de valores y las variables de estado. Además, permite el escrutinio en tiempo real de las tendencias del mercado y potencia la generación de pronósticos para los próximos períodos. La utilización de LSTM y redes convolucionales se aprovecha para lograr estos objetivos de manera efectiva. La evaluación de los resultados abarca una comparación mediante la métrica del error cuadrático medio MSE y error absoluto medio MAE. A través de este análisis, el estudio muestra que las predicciones derivadas capturan fielmente los comportamientos intrincados inherentes a los datos de series temporales del mercado de valores.