Modelos híbridos y técnicas de machine learning para el pronóstico de series temporales en el mercado de acciones: caso Ecopetrol
Cargando...
Archivos
Fecha
2024-12
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
La proyección de precios de acciones en mercados financieros es un desafío clave en el análisis económico, especialmente para inversionistas interesados en tomar decisiones informadas en un entorno de alta volatilidad. Es particularmente relevante para quienes monitorean activamente los mercados de renta variable en busca de oportunidades de inversión, aborda la necesidad de evaluar fluctuaciones de precios y ajustar estrategias en función de cambios en el mercado o desequilibrios en la cartera. Basados en esta idea se propone un enfoque híbrido para pronosticar el precio de cierre diario de las acciones de Ecopetrol, implementado el modelo ARIMAX-EGARCH al igual redes neuronales LSTM para ofrecer una solución robusta que equilibra la vigilancia de las inversiones con la toma de decisiones informadas. Utilizando datos históricos y factores macroeconómicos exógenos, se integran métodos tradicionales y técnicas de aprendizaje profundo, alcanzando precisiones de RMSE = 0.0475 para el modelo ARIMAX-EGARCH, que captura patrones lineales y la volatilidad condicional, y RMSE = 0.0352 para redes neuronales LSTM, diseñadas para abordar dinámicas no lineales. Los resultados destacan la eficacia de estos enfoques complementarios en la predicción de series temporales financieras, proporcionando a los inversionistas herramientas adicionales para interpretar las dinámicas del mercado de valores y optimizar sus estrategias.
Descripción
Abstract
The projection of stock prices in financial markets is a key challenge in economic analysis, especially for investors interested in making informed decisions in a highly volatile environment. It is particularly relevant for those who actively monitor equity markets in search of investment opportunities, addressing the need to evaluate price fluctuations and adjust strategies based on market changes or portfolio imbalances. Based on this idea, a hybrid approach is proposed to forecast the daily closing price of Ecopetrol’s stocks, implementing the ARIMAX-EGARCH model as well as LSTM neural networks to provide a robust solution that balances investment monitoring with informed decision-making. Using historical data and exogenous macroeconomic factors, traditional methods and deep learning techniques are integrated, achieving RMSE = 0.0475 for the ARIMAX-EGARCH model, which captures linear patterns and conditional volatility, and RMSE = 0.0352 for LSTM neural networks, designed to address nonlinear dynamics. The results highlight the effectiveness of these complementary approaches in predicting financial time series, providing investors with additional tools to interpret stock market dynamics and optimize their strategies.
Palabras clave
Acciones, Series de Tiempo, Estadística, Aprendizaje automático, Redes Neuronales, ARIMAX, LSTM, GARCH, EGARCH, Modelos Híbridos
Keywords
Stocks, Time Series, Statistics, Machine Learning, Neural Networks, ARIMAX, LSTM, GARCH, EGARCH, Hybrid Models