P edicción de se ies empo ales en los me cados
inancie os
Time se ies o ecas ing in inancial ma ke s
T abajo de Fin de G ado
Cu so 2022–2023
Au o es
Pablo Lozano Ma ín, Jaime Pas ana Ga cía, Pablo Magno Pezo
O iz, Jun Qiu
Di ec o
Me cedes Ga cía Me ayo
Facul ad de In o má ica
Uni e sidad Complu ense de Mad id
P edicción de se ies empo ales en los
me cados inancie os
Time se ies o ecas ing in inancial ma ke s
T abajo de Fin de G ado
Depa amen o de Sis emas In o má icos y Compu ación
Au o es
Pablo Lozano Ma ín, Jaime Pas ana Ga cía, Pablo Magno Pezo O iz,
Jun Qiu
Di ec o a
Me cedes Ga cía Me ayo
Facul ad de In o má ica
Uni e sidad Complu ense de Mad id
15 de sep iemb e de 2023
Ag adecimien os
Quisié amos ag adece en conjun o a Me cedes, po su paciencia y dedicación a lo la go
de odo el p oyec o. Así como a Manuel, po es a siemp e dispues o a ayuda nos.
Jaime Pas ana Ga cía
A mi amilia, po se mi p incipal apoyo. En especial, a mis pad es po con ia siemp e
en mí, a mis he manos po ansmi i me su ilusión, y a mis abuelos po escucha me y
ayuda me a encon a el camino.
A mis amigos, po que sin ellos no se ía la pe sona que soy hoy.
Y a odos aquellos que han con ibuido en mi o mación como es udian e y, sob e odo,
como pe sona. Po que son sus alo es y p incipios los que me han pe mi ido llega has a
aquí.
Pablo Magno Pezo O iz
Quisie a ag adece a mis pad es, po su cons an e apoyo. A mis amigos, po odas las
isas y momen os compa idos. Y a odo aquel que haya c eído en mi alguna ez.
Jun Qiu
A mis pad es, quienes siemp e me die on con ianza. A mi he mana, po su apoyo
cons an e, y a mi ga o, quien, con su econ o an e p esencia, me eco dó la impo ancia
de oma pausas y dis u a de los pequeños place es de la ida.
También quie o exp esa mi ag adecimien o a odos los p o eso es que he enido a
lo la go de mi ca e a académica. Sus conocimien os, o ien ación y men o ía han sido
in aluables pa a mi desa ollo como es udian e y como pe sona.
Pablo Lozano Ma ín
A mi amilia, po da me siemp e ue za. A mis amigos, que con inuamen e con ia on
en mí. Y a p o eso es como José Jaime Ruz O iz y Césa Ruiz Be mejo, po demos a me
la belleza de ás de la in o má ica.

Resumen
P edicción de se ies empo ales en los me cados inancie os
En las úl imas décadas la in eligencia a i icial ha expe imen ado un desa ollo no able,
dado en pa e po un inc emen o exponencial del pode compu acional. En es e con ex o, se
han desa ollado di e sas écnicas que pe mi en que la p opia máquina ap enda a p edeci ,
a pa i de unos cie os da os. El p esen e abajo iene po obje i o u iliza dichas écnicas
de ap endiza au omá ico pa a el análisis, y es udio, del indicado bu sá il IBEX35. Pa a
ello, se ecopila án los da os de dis in as a iables que puedan ene elación di ec a con
el alo de dicho indicado , ales como el índice Dow Jones, o el p ecio del o o.
Recopilados los dis in os da os, se en ena án di e sos modelos de in eligencia a i icial,
analizándose pos e io men e los esul ados ob enidos po los dis in os modelos pa a la
p edicción del alo del índice.
Palab as cla e
Se ies empo ales, in eligencia a i icial, me cados inancie os, IBEX35, ap endizaje p o-
undo, ap endizaje au omá ico, ac i os inancie os.
ii
Abs ac
Time se ies o ecas ing in inancial ma ke s
In ecen decades, a i icial in elligence has unde gone signi ican de elopmen , pa ly
d i en by an exponen ial inc ease in compu a ional powe . In his con ex , a ious ech-
niques ha e been de eloped ha allow he machine i sel o lea n o p edic based on
ce ain da a.
The pu pose o his s udy is o use hese machine lea ning echniques o he analysis
and s udy o he s ock ma ke indica o IBEX35. To achie e his, da a om di e en a i-
ables ha may ha e a di ec ela ionship wi h he alue o his indica o will be collec ed,
such as he Dow Jones index o he p ice o gold.
Once he di e en da a is collec ed, a ious a i icial in elligence models will be ained,
and subsequen ly, he esul s ob ained by hese di e en models o p edic ing he index
alue will be analyzed.
Keywo ds
Time se ies, a i icial in elligence, inancial ma ke s, IBEX35, deep lea ning, machine lea n-
ing, inancial asse s.
ix

Capí ulo 1
In oducción
Desde que en la década de 1950 Alan Tu ing sen ase las bases de la compu ación, los
cien í icos y ma emá icos empeza on a plan ea se de o ma ealis a si e a posible c ea
una máquina que pudiese imi a , o incluso supe a , la in eligencia humana. Du an e los
años pos e io es se p oducen desa ollos no ables, ales como la in ención, en 1951, del
ansis o de unión, de William Shockley, que pe mi en que la ciencia de la compu ación
a ance exponencialmen e.
Dicho a ance exponencial se puede ejempli ica en la "Ley de Moo e". Enunciada en
1965 po Go don E. Moo e, a i ma con una base empí ica que cada dos años se duplica á el
nume o de ansis o es en un mic op ocesado . Si bien no es una ley en el sen ido es ic o
de la palab a, su p edicción se ha cumplido du an e las décadas pos e io es. No obs an e,
po lo is o en los úl imos años, pa ece que su igencia es á p óxima a su in.
Con la i upción de In e ne , el compu ado pe sonal, y pos e io men e con la llegada
de los sma phones, la compu ación ha pasado a es a p esen e en las idas de una g an
pa e de la población mundial. Ac ualmen e, ap oximadamen e el 64 % de la población
u iliza In e ne y el 68% u iliza elé onos mó iles (Da a epo al (2023)).
Dichos a ances ecnológicos han posibili ado el desa ollo eó ico y p ác ico del plan e-
amien o mencionado, el cual dio o igen al campo de la in eligencia a i icial. Es e é mino
ue acuñado en 1956 du an e una con e encia en Da mou h, o ganizada po John Mc-
Ca hy, quien más a de ecibi ía el p es igioso p emio Tu ing, la máxima dis inción en el
ámbi o de la in o má ica. Además de su impac o eó ico, es os a ances han pe mi ido la
in eg ación de la in eligencia a i icial en la ida dia ia de millones de pe sonas.
El campo de la in eligencia a i icial (IA) u iliza múl iples écnicas pa a a a de imi a
el pensamien o humano. En el p esen e abajo se ha á uso del ap endizaje au omá ico,
o machine lea ning. El obje i o p incipal de dicha ama es el de desa olla écnicas que
pe mi an a los compu ado es “ap ende ”. Es deci , se busca que las máquinas sean capaces
de ealiza a eas pa a las cuales no han sido diseñadas explíci amen e p e iamen e, y que
puedan ex ae elaciones y conclusiones ele an es a pa i de una se ie de da os.
Es a ama iene que e con la es adís ica, ya que se basa en el análisis de di e sos
da os. Sin emba go, desde el pun o de is a de la ciencia de la compu ación, se in oduce
1
2Capí ulo 1. In oducción
la p eocupación po la complejidad compu acional de los p oblemas. En o as palab as,
la medida asin ó ica del iempo que se puede a da esol iendo un p oblema conc e o.
Exis en di e sos ipos de algo i mos, ales como el ap endizaje supe isado, no supe isado,
po e ue zo, e c.
En el p esen e abajo u iliza emos el en oque del ap endizaje supe isado, el cual
pe mi e p edeci el alo de una a iable con inua, en es e caso, el IBEX 35, a pa i de
una se ie de da os.
El IBEX 35 es el índice de e e encia en la bolsa española. Es e ag upa la capi alización
bu sá il de ein a y cinco emp esas españolas que co izan en el Sis ema de In e conexión
Bu sá il Español (SIBE) en las cua o bolsas españolas: Mad id, Ba celona, Bilbao y Va-
lencia. Las emp esas que co izan en dicho índice no son necesa iamen e las más g andes,
sino las que mejo cumplen con los pa áme os de capi alización, liquidez y olumen ne-
gociado. Dichas emp esas son elegidas po el comi é aseso del IBEX, que se eúne dos
eces al año. Al se el índice el alo de e e encia de la bolsa española, es e se u iliza
como indicado del es ado del conjun o de la economía española. Es, po an o, sensible a
los di e sos acon ecimien os sociales, polí icos y económicos que a a iese el país y iene
impac o en o os índices de la bolsa in e nacional.
Po consiguien e, la mo i ación del p esen e abajo se á selecciona di e sos indica-
do es económicos que puedan ene un impac o en el índice y es udia cómo se pueden
u iliza écnicas de ap endizaje au omá ico pa a p edeci el alo del IBEX 35.
1.1. Obje i os
El p incipal obje i o de es e abajo es el de la aplicación de dis in os modelos de
in eligencia a i icial pa a a a de p edeci el alo del índice IBEX 35, compa ando cuales
lo hacen de o ma más adecuada u ilizando di e sas medidas pa a medi la p ecisión de la
p edicción. Los obje i os se pod ían esumi en:
Ob ene , y p ocesa los da os de las a iables elegidas.
E ec ua un análisis comple o del da ase ob enido.
En ena los modelos elegidos.
Analiza los esul ados ob enidos po los dis in os modelos, usando pa a ello dis in as
mé icas.
1.2. Plan de abajo
Pa a el desa ollo de es e abajo se ha con ado con un equipo con o mado po cua o
pe sonas. Se ha a ado de o ganiza el abajo de o ma pa eja, a on ando las e apas de
desa ollo de o ma ágil. En es a línea, se ha p escindido de ex ensos análisis p e ios y, en
su luga , se ha abajado en esc ibi es a memo ia, y ob ene esul ados desde el p incipio,
1.2. Plan de abajo 3
mejo ándolos de o ma i e a i a. A lo la go del desa ollo del abajo se han man enido
di e sas euniones con la di ec o a, en las que hemos a ado di e sos aspec os, y cómo
mejo a las de iciencias p esen es en algunos de ellos.
Dada la na u aleza del abajo, algunas a eas dependen es ic amen e de o as pa a
pode comple a se. Po ejemplo, pa a analiza los esul ados ob enidos es necesa io habe
p ocesado an es odos los da os, y habe en enado los modelos.
Las dis in as a eas se han o ganizado, de o ma empo al, según el siguien e diag ama
de Gan .
Figu a 1.1: Plan de p oyec o
Capí ulo 2
He amien as
En el p esen e capí ulo se desc iben las he amien as empleadas pa a lle a a cabo
an o el p ep ocesado de los da os como el en enamien o y e aluación de los modelos.
2.1. Py hon
Py hon (Van Rossum y D ake (2009)) es un lenguaje de p og amación ampliamen e
u ilizado en el en o no de la IA que incluye en e sus lib e ías implemen aciones de los
modelos pues os a p ueba. Además, al se un lenguaje de muy al o ni el, pe mi e abs ae la
complejidad de los modelos con mucha acilidad, pe mi iéndonos cen a nues os es ue zos
en la p epa ación de los da os, el ajus e de los pa áme os más ele an es de los modelos
y la e aluación de los esul ados. También acili a la manipulación de conjun os de da os.
2.2. Jupy e No ebook
Jupy e No ebook (Kluy e e al. (2016)) es una aplicación que pe mi e c ea docu-
men os con secciones de código Py hon ejecu ables. Es a he amien a es cen al pa a el
desa ollo de es e p oyec o y nos ha pe mi ido implemen a el código Py hon necesa io pa-
a p ep ocesa los da os y manipula los modelos usados. Además nos o ece la posibilidad
de inclui ano aciones en o ma o Ma kdown pa a acili a la comp ensión del código.
2.3. Gi
Gi (Gi (2023)) es una he amien a de con ol de e siones pa a el desa ollo de código.
Se encuen a muy ex endida en e los p og amado es y nos pe mi e lle a un con ol de
los cambios que se han ido ealizando en la implemen ación del p ep ocesado y el en ena-
mien o de los modelos.
5

6Capí ulo 2. He amien as
2.4. Gi Hub
Gi hub (Gi hub (2023)) es una pla a o ma colabo a i a basada en el sis ema de con ol
de e siones de gi . Es a he amien a ha sido u ilizada pa a almacena y compa i el código
necesa io pa a es e abajo. Además nos pe mi e la ácil di usión del código.
2.5. Lib e ías de Py hon
Pa a pode lle a a cabo es e p oyec o se ha necesi ado hace uso de a ias lib e ías de
Py hon. Es as lib e ías acili an la a ea de p epa ación y pues a en uncionamien o de los
modelos. Pa a ello o ecen una se ie de implemen aciones an o de dichos modelos como
de ope aciones necesa ias pa a el p ep ocesado de los da os. A con inuación se desc ibe la
u ilidad de cada una de ellas en el con ex o de uso que se le ha dado.
Pandas (Pandas (2023)): pe mi e el análisis y manipulación de da os. U ilizada pa a
maneja y adap a los conjun os de da os necesa ios pa a en ena los modelos.
Numpy (Ha is e al. (2020)): p opo ciona he amien as pa a el manejo de ec o es
y ma ices. Es á in eg ada en o as lib e ías ales como Pandas o Ma plo lib.
Ma plo lib (Hun e (2007)): si e pa a c ea g á icos bidimensionales. Ha sido u ili-
zada pa a mos a isualizaciones de los da os y las p edicciones ealizadas.
Sciki -lea n (Ped egosa e al. (2011)): lib e ía especializada en el en enamien o de
modelos de ap endizaje au omá ico. Se ha usado pa a implemen a el modelo andom
o es .
XGBoos (Chen y Gues in (2016)): lib e ía pa a en ena un modelo conc e o de
G adien boos ing (Po enciación del g adien e).
Tenso Flow (Abadi e al. (2015)): lib e ía pa a el en enamien o de edes neu onales.
Se ha u ilizado pa a implemen a los modelos de Long Sho -Te m Memo y.
Joblib (Joblib (2023)): lib e ía que pe mi e la segmen ación y el gua dado de uncio-
nes de Py hon. Se u iliza pa a gua da el esul ado del en enamien o de los modelos.
Capí ulo 3
P ep ocesado de da os
El p ep ocesamien o de da os es una e apa undamen al en el desa ollo de un modelo
de ap endizaje au omá ico. Es a ase de p epa ación es necesa ia po a ias azones:
Limpieza de da os: Los conjun os de da os eales suelen con ene uido, alo es a í-
picos, da os nulos o inconsis en es. El p ep ocesado ayuda a limpia y elimina es os
p oblemas, mejo ando la calidad y iabilidad de los da os u ilizados pa a el en ena-
mien o.
No malización: Los da os pueden es a en di e en es escalas o angos, lo que di icul-
a la compa ación y combinación adecuada de ca ac e ís icas. La no malización es
necesa ia pa a escala los da os y asegu a que odas las ca ac e ís icas engan una
dis ibución simila , lo que acili a el p oceso de ap endizaje pa a el modelo.
Selección y ans o mación de ca ac e ís icas: Los da os pueden con ene una g an
can idad de ca ac e ís icas o a iables, muchas de las cuales pueden no se ele an-
es, o se edundan es. El p ep ocesado pe mi e selecciona las ca ac e ís icas más
ele an es y ans o ma las pa a esal a pa ones impo an es o c ea nue as ca ac-
e ís icas de i adas que mejo en la capacidad p edic i a del modelo.
Manejo de da os nulos: En algunos conjun os de da os, es común que exis an alo es
nulos. El p ocesamien o pe mi e a a adecuadamen e es os da os nulos es imando
como ellena dichos alo es de o ma azonable.
Reducción de dimensionalidad: En muchos casos, los conjun os de da os pueden ene
un g an núme o de a iables, lo que puede lle a a lo que conocemos como "maldi-
ción de la dimensionalidad". Es o puede p o oca que el modelo pie da capacidad
p edic i a. El p ep ocesamien o ayuda a educi la dimensionalidad median e di e sas
écnicas, lo que simpli ica el modelo y educe la complejidad compu acional.
En esumen, el p ep ocesamien o de da os es esencial en el ap endizaje au omá ico pa a
ga an iza que los da os u ilizados pa a en ena un modelo sean de al a calidad, es én en el
o ma o adecuado y con engan las ca ac e ís icas más ele an es. Es o con ibuye a mejo a
7
8Capí ulo 3. P ep ocesado de da os
el endimien o y la capacidad p edic i a del modelo, así como a e i a p oblemas asociados
con da os uidosos o inconsis en es.
En el p esen e capí ulo se abo da á la cues ión de la ob ención, limpieza y p ep ocesado
de los da os, así como la con o mación del conjun o de da os empleado pos e io men e pa a
en ena el modelo.
3.1. Elección de los da os
T as un es udio de los p incipales indicado es económicos, se ha decidido elegi los
siguien es da os, al conside a se que son mencionados dia iamen e en los dis in os medios
de comunicación, siendo po an o de ac ualidad.
P ecio de la luz
En el con ex o de una economía dependien e de la impo ación de ene gía a países
ex e nos, el p ecio de la luz suele se ep esen a i o de algunas si uaciones a ni el in e -
nacional, en especial de con lic os geopolí icos, ales como ( ecien emen e) la gue a de
Uc ania.
P ecio del bono español a diez años
La co ización del bono español a 10 años es el ipo de in e és o la en abilidad que
o ece a los in e so es.
Cuan o mayo sea el iesgo de in e i en dicha deuda mayo se á el ipo de in e és que
se end á que o ece a los in e so es pa a que la adquie an.
P ecio del o o
El o o es a menudo u ilizado como alo e ugio, ya que se conside a que no se de alúa,
o lo hace en muy baja medida. Po lo an o, en momen os de c isis económicas, polí icas
o sociales, es común que su p ecio aumen e.
Eu ibo
Se a a de un índice de e e encia publicado dia iamen e que indica el ipo de in e és
p omedio al que un g an núme o de bancos eu opeos dicen concede se p es amos a co o
plazo pa a p es á selo a e ce os, pa icula es o emp esas.
P ecio del dola con espec o al eu o
Co esponde al p ecio al que se comp a la moneda.
3.2. Ob ención de los da os 9
Índice DAX 30
Índice de e e encia en Alemania, país que lide a la Unión Eu opea en el aspec o eco-
nómico. Po an o, iene impac o en dis in as bolsas al ededo del mundo.
Encues a de población ac i a
Volumen de población ac i a, y de desempleados, iene un impac o di ec o en la eco-
nomía española, que iene un p oblema endémico en cuan o a da os de empleo se e ie e.
La publicación de es a encues a suele ene impac o en e los in e so es.
P ecio del ba il de B end
El p ecio del pe óleo puede se e elado de dis in os con lic os, an o geopolí icos
como económicos. Muchos países comp an pe óleo en p e isión de posibles c isis, lo que
aumen a ía su alo . O os países p oduc o es disminuyen su p oducción en unción de
cues iones geopolí icas. Cuan a mayo sea la p oducción indus ial, mayo se á el p ecio
del mismo.
Índice de P ecios de Consumo
Es una medida es adís ica de la e olución de los p ecios de los bienes y se icios que
consume la población esiden e en i iendas amilia es en España. Es á ligada a la in lación.
Índice DOW Jones
Uno de los indicado es de e e encia en la bolsa de Es ados Unidos, su co ización dia ia
iene impac o en dis in os indicado es a lo la go del mundo.
3.2. Ob ención de los da os
La mayo ía de indicado es han sido ob enidos a a és de In es ing (In es ing (2023)).
Sin emba go, no odos han sido ob enidas de la misma uen e po mo i os de disponibilidad.
Las a iables ob enidas han sido nomb adas siguiendo un c i e io ijo consis en e en señala
p ime o el nomb e del ac i o en cues ión, y después la a iable que ep esen a. Las uen es,
el in e alo de echas elegidas y las a iables ob enidas han sido las siguien es:
P ecio de la luz
In e alo: Ene o 1998 - Oc ub e 2022
Fuen e: h ps://www.epda a.es/da os/p ecio- ac u a-luz-da os-es adis icas/594?accion=2
Va iables ob enidas:
•luz_ alue

Capí ulo 4
Análisis desc ip i o del ac i o
En es e capí ulo se analiza la e olución empo al del ac i o que se p e ende p edeci , el
IBEX 35. Es e índice depende de una g an can idad de ac o es y, po an o, es imposible
explica en su o alidad las causas de sus a iaciones. En la Figu a 4.1 se pueden e sus
alo es en e el año 2002 y 2022.
Figu a 4.1: E olución del IBEX 35
En una p ime a imp esión, se pueden obse a con cla idad los e ec os de la bien conoci-
da c isis del 2008 y la pandemia del co ona i us. Ambos e en os se encuen an elacionados
con las bajadas más b uscas del índice. Además, son des acables el máximo his ó ico de la
se ie, alcanzado el 8 de No iemb e de 2007 en los 15.945,7 pun os, y los mínimos ela i os
alcanzados en el 2012 (con 5.956,3 pun os) y 2020 (con 6.107,2 pun os).
La media se encuen a en los 9.563,96 pun os y la mediana en los 9.270,8. Es os da os
pa ecen indica que hay algunos alo es inusualmen e más al os que el es o. Es o se puede
ap ecia con mayo cla idad en el la Figu a 4.2, que mues a la dis ibución del IBEX 35
median e un diag ama de caja. Como se puede obse a , más de la mi ad de los alo es de
la se ie his ó ica se encuen an en e los 8.000 y los 11.000 pun os. Se puede e que los
alo es si uados po encima de los 14.000 pun os son a ípicos y no ep esen an la endencia
gene al de los da os. Po ello, es posible que si, de ca a al en enamien o de los modelos, se
excluyen es os da os se mejo e el endimien o de sus p edicciones. De es e modo es a íamos
17
18 Capí ulo 4. Análisis desc ip i o del ac i o
Figu a 4.2: Dis ibución del IBEX 35 en un diag ama de caja
e i ando que el modelo ap endie a pa ones inusuales que p obablemen e no se epi an en
un u u o.
En cuan o a la des iación ípica, su alo es 2.012,62. Es e alo iene a con i ma , al
y como se pudo e en el diag ama de caja, que la mayo pa e de alo es no se alejan
demasiado de la media. El diag ama de ba as que apa ece en la Figu a 4.3 mues a la
dis ibución de los da os y pe mi e e con más de alle odo lo que se ha comen ado has a
el momen o.
Figu a 4.3: Dis ibución del IBEX 35 en un diag ama de ba as
También es con enien e es udia la posibilidad de que ocu a alguna es acionalidad
en los da os. La Figu a 4.4 mues a los alo es medios del IBEX 35 pa a cada día de la
semana. Se puede ap ecia una lige a endencia a la baja en los alo es ecogidos los lunes.
Figu a 4.4: Media del IBEX 35 po día de la semana
19
Sin emba go, es as a iaciones son mínimas, dado que no oscilan en más de 20 pun os. Po
ello, se puede conclui que apenas hay elación con espec o al día de la semana en que se
ecogen los da os.
En cuan o al mes, podemos ealiza un análisis simila median e la g á ica co espon-
dien e que apa ece en la Figu a 4.5 y que mues a los alo es medios pa a cada mes. Como
Figu a 4.5: Media del IBEX 35 po mes
se puede e , en los meses co espondien es al e ano del hemis e io no e se iene un li-
ge o descenso en la media. Es as a iaciones, aun siendo muy supe io es a las ap eciadas
espec o a los días de la semana, ampoco son excesi amen e signi ica i as. En e el mes
de mayo media (ene o) y el de meno (agos o) se iene una di e encia de 344 pun os. Pa a
en ende con más de alle los mo i os de es as a iaciones en la media, se mues a en la
Figu a 4.6 un diag ama de cajas de la dis ibución de los da os cada mes. Resul a di ícil,
a la is a de es e diag ama, explica los mo i os de las a iaciones en la media. Es posible
que se expliquen po alo es ex emos dado que la mediana, menos sensible a es os alo es,
no pa ece segui la endencia mencionada an e io men e. Pa a e en más de alle odo
es o podemos analiza la dis ibución del IBEX 35 en los meses de ene o y julio. Es as
dis ibuciones se mues an en las Figu as 4.7 y 4.8.
A la is a de las dis ibuciones de es os dos meses, se puede obse a que exis en
alo es ex emos po encima de los 12.000 pun os y po debajo de los 7.500 pun os. Es os
alo es ienen un g an peso en el cálculo de la media y pueden jus i ica la mayo pa e
de sus a iaciones. Po an o, en asgos gene ales, podemos conclui que no se ap ecia
ninguna endencia es acional signi ica i a en los da os. O o asgo impo an e a analiza
es la posibilidad de que exis a es aciona iedad en los da os. Pa a ello podemos analiza la
e olución de la media y la a ianza a lo la go de cada año, mos adas en las Figu as 4.9
y 4.10.
Dado que an o la media como la a ianza su en impo an es a iaciones con espec o a
los dis in os años en que se analizan, podemos deci que la se ie empo al no es es aciona ia.
Además se puede e como los picos más impo an es en la a ianza se elacionan con los
20 Capí ulo 4. Análisis desc ip i o del ac i o
Figu a 4.6: Dis ibución del IBEX 35 po mes
Figu a 4.7: Dis ibución del IBEX 35 pa a el mes de ene o
Figu a 4.8: Dis ibución del IBEX 35 pa a el mes de julio
momen os de c isis económica y ecesión más impo an es ya mencionados al inicio de es e
capí ulo. Es a al a de es aciona iedad pa ece indica que es complicado ajus a es os da os
median e una eg esión.
Po úl imo, es de especial ele ancia sabe si el ac i o a p edeci se encuen a di ec a
o in e samen e co elacionado con alguna de las a iables que se emplea án pa a ello. En
caso de que el alo absolu o de la co elación con alguna a iable se ace que a la unidad,
es a a iable se á de especial ele ancia a la ho a de deduci la endencia que sigue el
21
Figu a 4.9: E olución de la media del IBEX 35 po año
Figu a 4.10: E olución de la a ianza del IBEX 35 po año
ac i o. Los alo es de co elación de las dis in as a iables se mues an en la Figu a 4.11.
La mayo pa e de las a iables mues an una co elación baja con el ac i o. Sin emba -
go, pa ece que la pa idad en e eu o y dóla , la encues a de población ac i a o el Eu íbo
se encuen an más empa ejados a la e olución del IBEX 35 que el es o de alo es.

22 Capí ulo 4. Análisis desc ip i o del ac i o
Figu a 4.11: Co elación del IBEX 35 con el es o de a iables
Capí ulo 5
Modelos de ap endizaje
El p oblema que se p e ende esol e es un p oblema de ap endizaje supe isado. Los
modelos de ap endizaje supe isado son un sub ipo de los modelos de ap endizaje au omá-
ico. En es e caso se busca en ena un modelo que dada una en ada p ediga una salida,
disponiendo de un conjun o de da os que incluye la salida espe ada. Es e conjun o de da os
si e pa a en ena y comp oba los esul ados ob enidos po el modelo. En el caso de que
la a iable de salida sea ca egó ica, se a a á de un p oblema de clasi icación, y en el
caso de que sea numé ica, nos encon a emos an e un p oblema de eg esión (como en es e
caso).
Se ha decidido expe imen a con cua o modelos dis in os, dos de ap endizaje au o-
má ico supe isado y dos de ap endizaje p o undo. De es a mane a es posible compa a
los dos ipos de modelos de ap endizaje más usados ac ualmen e pa a esol e es e ipo
de p oblemas. Además, den o de cada ca ego ía, se ha buscado expe imen a con los dos
modelos que mejo endimien o pudie an ene de en e los más ex endidos.
Es e ipo de modelos p e enden simula el p oceso de oma de decisiones necesa io pa a
p edeci un alo (el ac i o) en unción de o os (las a iables). A con inuación se explican
los modelos pues os a p ueba.
5.1. Random Fo es
Es e modelo se basa en la idea de combina a ios á boles de decisión pa a ob ene una
p edicción inal más ce e a que si se aplica a un solo á bol de decisión. Man iene pa e de
la explicabilidad que ca ac e iza a los á boles de decisión al iempo que disminuye el e o
come ido. Es ampliamen e u ilizado po la acilidad de en enamien o y al a explicabilidad
que o ece. Po odo ello hemos conside ado que es e modelo es adecuado pa a pone lo a
p ueba en la p edicción de se ies empo ales en los me cados inancie os.
Pa a en ende el uncionamien o de los Random Fo es s es undamen al comp ende
p ime o qué es un á bol de decisión. Un á bol de decisión consis e en la sepa ación de casos
en base a p egun as sob e los da os de en ada. De es a mane a, y as la aplicación de
sucesi as p egun as, se ob iene una ca ego ía en la que encajan dichos da os de en ada. En
23
24 Capí ulo 5. Modelos de ap endizaje
Figu a 5.1: Ejemplo de á bol de decisión (Thi (2020))
base a es a ca ego ía, se ealiza á una p edicción u o a. Un ejemplo me a ó ico pod ía se ,
po ejemplo, la oma de decisión sob e cuan os minu os sali a hace depo e. En p ime
luga , pod íamos mi a po la en ana y e si hace sol, es á nublado o llue e. Es e se ía el
p ime nodo de nues o á bol de decisión. En caso de que hicie a sol, la siguien e p egun a
pod ía se si hace ien o. De es a mane a, pod íamos i disce niendo casos y, llegado un
pun o, conside a si enemos la su icien e in o mación como pa a oma una decisión inal.
Un caso simila se p esen a en la Figu a 5.1, en la cual se iene un á bol de decisión que
p edice un alo numé ico en unción de unas condiciones ambien ales obse adas.
El p oblema de aplica un único á bol de decisión es que, especialmen e cuando el
p oblema es complejo, ienden a apa ece e o es po sob eajus e. Es o signi ica que el
modelo ap ende pa ones muy conc e os exis en es en los da os de en enamien o pe o que
no se ep oducen en da os gene ales. Es po es o que el algo i mo de Random Fo es busca
combina el esul ado de en ena múl iples á boles de decisión lige amen e dis in os sob e
el mismo p oblema, acili ando así la a ea de gene aliza el conocimien o adqui ido po el
modelo.
Pa a aplica el algo i mo de Random Fo es hay es hipe pa áme os que esul an
esenciales: el núme o de á boles que se gene an, el núme o máximo de ca ac e ís icas o
a iables en las que se basa cada nodo de los á boles de decisión y la p o undidad máxima
del á bol. Es os hipe pa áme os se deben ajus a en unción de los da os, de mane a que
se encuen e la con igu ación que mejo es esul ados dé.
La me odología seguida pa a en ena los dis in os á boles y combina sus p edicciones
se denomina bagging. Median e es e mé odo, aplicable a cualquie modelo de ap endizaje
au omá ico, se combinan dos acciones: el boo s apping y la ag egación de esul ados. El
p ime paso, co espondien e a boo s apping, consis e en escoge un subconjun o de los
da os de en enamien o con la posibilidad de ene casos epe idos. Además, en es e paso,
el subconjun o de da os pod á ene menos a iables que las del conjun o o iginal si así se
5.2. XGBoos 25
Figu a 5.2: Esquema del p oceso de bagging (Si ako n (2020a))
especi ica en los hipe pa áme os del modelo. T as es o, se en enan los dis in os á boles
de decisión. Finalmen e, se debe án combina las soluciones que p esen an los dis in os
á boles de decisión. Pa a ello, en el caso de los p oblemas de eg esión, se oma á la media
de los alo es de salida. Todo es e p oceso se esume en la Figu a 5.2.
Como ya se ha mencionado una de las en ajas de usa es e modelo en e a un simple
á bol de decisión es que se man iene pa e de la explicabilidad de los esul ados ob enidos.
Dicha explicabilidad se esume en que podemos de e mina qué a iables han enido más
impo ancia a la ho a de ealiza la p edicción. Sin emba go, es e p oceso ambién conlle a
la des en aja de ene que en ena un modelo más complejo y cos oso, lo que hace que
sea más complicado in e p e a el mo i o de cada decisión omada y que engamos que
emplea más iempo pa a su en enamien o.
5.2. XGBoos
XGBoos es un algo i mo que implemen a la idea de po enciación del g adien e me-
dian e boos ing. Es e algo i mo es muy popula po habe sido el empleado pa a gana
nume osas compe iciones de ap endizaje au omá ico en los úl imos años. Especialmen e
ha des acado en la pla a o ma de Kaggle (Kaggle (2023)), que es la más popula en el
con ex o de las compe iciones online de modelos de in eligencia a i icial. Al igual que el
modelo de Random Fo es , consis e en combina a ios á boles de decisión, man eniendo
pa e de la explicabilidad que o ecen. Sin emba go, el mé odo de gene ación de es os á -
boles de decisión es dis in o, o eciendo una al e na i a que ha demos ado se mucho más
e icaz en mul i ud de casos.
Al igual que en el caso de Random Fo es , es esencial conoce el uncionamien o de
los á boles de decisión an es de en a a analiza el uncionamien o de es e modelo de
po enciación del g adien e. El mo i o eside en que la idea de la que se pa e es la misma,
32 Capí ulo 5. Modelos de ap endizaje
escena io de p edicción de p ecios de acciones en el me cado inancie o. Supongamos que
enemos una secuencia de p ecios his ó icos de acciones: [100, 105, 98, 110, 115]. Al aplica
una ed LSTM bidi eccional a es a secuencia, se p ocesa an o en el o den c onológico
no mal como en el o den in e so. En el p ime paso, la ed LSTM bidi eccional analiza los
da os de en ada en el o den empo al o iginal: [100, 105, 98, 110, 115]. Cap u a pa ones
y dependencias basadas en la in o mación pasada y p esen e. En el segundo paso, la ed
LSTM bidi eccional analiza los da os en o den in e so: [115, 110, 98, 105, 100]. Es o pe mi e
que la ed cap u e pa ones y dependencias basadas en in o mación u u a o pos e io
en la secuencia. Luego, los esul ados de ambas di ecciones se combinan pa a gene a
p edicciones más p ecisas. Po ejemplo, si la ed LSTM bidi eccional ap ende que los p ecios
de las acciones gene almen e aumen an después de un pa ón especí ico en la secuencia,
pod á u iliza ese conocimien o pa a hace es imaciones más ace adas sob e el siguien e
alo en la se ie, incluso sin ene in o mación u u a eal disponible.
Es e en oque bidi eccional p opo ciona a la ed LSTM una comp ensión más comple a
del con ex o en el que se eciben los da os, lo que puede mejo a su capacidad pa a p edeci
con mayo p ecisión los p ecios u u os de las acciones en el me cado inancie o.

Capí ulo 6
En enamien o de los modelos
En el p esen e capí ulo se desc ibe el p oceso de en enamien o y pues a a p ueba de
los modelos elegidos. Es e es el paso p e io a la e aluación de dichos modelos, lo que a su
ez nos pe mi i á de e mina la idoneidad de cada uno de ellos pa a ealiza p edicciones
en el ipo de se ies empo ales que enemos.
Todos los modelos se han en enado siguiendo el mismo esquema gene al. Es e esque-
ma se ha plasmado en un documen o de Jupy e No ebook pa a cada modelo en enado.
El código incluido en dichos documen os pe mi e con igu a median e la modi icación de
a iables el núme o de días a u u o con que se quie e p edeci y el núme o de días en base
a los cuales se ealiza dicha p edicción. Las ope aciones más impo an es ealizadas pa a
en ena los modelos se esumen en los siguien es pun os:
Ca ga y adap ación de los da os al modelo. Se lee el iche o uen e de los da os y
se adap a de modo que po cada ila de nues o da a ame se engan el ac i o (el
alo a p edeci del IBEX 35) y sus co espondien es a iables. Las a iables incluidas
engloban los da os ob enidos en los días an e io es an o del IBEX 35 como del es o
de alo es ecogidos. Además se no malizan los da os y se elimina la echa.
Sepa ación de los da os en conjun o de en enamien o y conjun o de e aluación. Po
an o, el 80% de los da os se dedica án a en ena el modelo y el 20% es an e
a comp oba su endimien o. La sepa ación se hace sin alea o iedad debido a que
es amos a ando una se ie de da os con dependencias empo ales. La sepa ación
ealizada se puede isualiza en el g á ico co espondien e a la Figu a 6.1.
En enamien o del modelo. Pa a ello se hace uso de las in e aces que nos o ecen las
he amien as de Sciki -lea n y Tenso Flow según el modelo que se desea en ena . Se
con igu an los hipe pa áme os con los que se quie e en ena el modelo.
E aluación de los esul ados. Se calculan a ias mé icas pa a medi el e o que
come e el modelo sob e los da os de e aluación y se isualizan las p edicciones. T as
es o se puede decidi en ena nue amen e el modelo con dis in os alo es pa a los
hipe pa áme os con el obje i o de op imiza el en enamien o del modelo.
33
34 Capí ulo 6. En enamien o de los modelos
Figu a 6.1: Sepa ación de los conjun os de en enamien o y e aluación
Gua dado del modelo en un iche o. Es o si e pa a e i a ene que ol e a en ena
el mismo modelo en caso de que se quie a hace uso de él en un u u o.
Todos los modelos en enados median e es e esquema se han pues o a p ueba en la
p edicción con 1, 7 y 30 días de an elación. Se oman como a iables de en ada los dis in os
alo es omados en los 25 días an e io es al día en que se ealiza la p edicción.
Aunque el p oceso de en enamien o es muy simila pa a los dis in os modelos, exis en
algunas ca ac e ís icas especí icas de cada modelo que me ecen se mencionadas po se-
pa ado. A con inuación se explican pa a cada modelo las di e encias en su en enamien o
espec o al esquema gene al.
6.1. Random Fo es
Pa a el en enamien o de es e modelo se han calib ado los siguien es hipe pa áme os:
El núme o de á boles
La p o undidad máxima de los á boles
El núme o máximo de a iables a usa en el en enamien o de cada á bol.
Además, se han incluido el mes y el día de la semana como a iables adicionales, aunque
pos e io men e han demos ado no esul a ele an es pa a el modelo.
Pa a calib a los hipe pa áme os, al y como se menciona en el esquema gene al, se
han ido p obando dis in os alo es has a encon a alguno que mos a a un endimien o
adecuado. En la Figu a 6.2 se mues a el esul ado de calcula la aíz cuad ada del e o
cuad á ico medio pa a el modelo en enado con dis in os alo es en el hipe pa áme o
co espondien e al núme o de á boles de decisión gene ados. A la is a de es os esul ados
se puede e que el alo más óp imo encon ado en es e caso es de 10. Es o nos ha se ido,
po an o, pa a encon a un alo adecuado pa a el hipe pa áme o con el que se ha
expe imen ado.
6.2. XGBoos 35
Figu a 6.2: E o cuad á ico medio en e a núme o de á boles de decisión gene ados
6.2. XGBoos
Pa a el en enamien o de es e modelo se han calib ado los siguien es hipe pa áme os:
El núme o de á boles máximos a gene a .
La asa de ap endizaje.
Además, al igual que el modelo de Random Fo es , se han incluido el mes y el día de
la semana como a iables de en ada.
Pa a calib a los hipe pa áme os, al y como se menciona en el esquema gene al, se
han ido p obando dis in os alo es has a encon a alguno que mos a a un endimien o
adecuado. En la Figu a 6.3 se mues a el esul ado de calcula la aíz cuad ada del RMSE
pa a el modelo en enado con dis in os alo es en el hipe pa áme o co espondien e al
núme o de á boles de decisión gene ados. A la is a de es os esul ados se puede e que
el alo más óp imo encon ado en es e caso es de 100. Es o es po que es el que, siendo
de los que man ienen un endimien o adecuado, minimizan el núme o de á boles que se
necesi an gene a . Es o nos ha se ido, po an o, pa a encon a un alo adecuado pa a
el hipe pa áme o con el que se ha expe imen ado.
6.3. LSTM
Pa a el en enamien o de es e modelo se han calib ado los siguien es hipe pa áme os:
El núme o de épocas.
El amaño de lo e.
El núme o de neu onas po capa.
36 Capí ulo 6. En enamien o de los modelos
Figu a 6.3: RMSE en e a núme o de á boles de decisión gene ados
El núme o de capas.
El op imizado .
Pa a la unción de pé dida se ha hecho siemp e uso del MSE.
Pa a pode isualiza los esul ados de las dis in as combinaciones de hipe pa áme os
se ha hecho uso de la g á ica que mues a la e olución de la unción de pé dida sob e el
conjun o de en enamien o y el conjun o de es . En la Figu a 6.4 se mues a la e olución
ob enida pa a el en enamien o más óp imo encon ado en la p edicción a 7 días. En ella
se alcanza un pun o en el que, sin habe sob eap endizaje, el conjun o de en enamien o
pa ece habe alcanzado un alo di ícil de mejo a con más i e aciones. Si el conjun o de
es empeo a a sus esul ados al iempo que el conjun o de en enamien o los mejo a a,
pod íamos llega a la conclusión de que hay sob eap endizaje en nues o modelo.
6.4. LSTM bidi eccional
Pa a el en enamien o de es e modelo se han calib ado los siguien es hipe pa áme os:
El núme o de épocas.
El amaño de lo e.
El núme o de neu onas po capa.
El núme o de capas.
El op imizado .
Pa a la unción de pé dida se ha hecho siemp e uso del MSE.
6.4. LSTM bidi eccional 37
Figu a 6.4: E olución de la unción de pé dida a lo la go de las épocas del en enamien o
de un modelo LSTM con una an icipación de 7 días
Al igual que en el caso del modelo LSTM, en el LSTM bidi eccional se ha hecho uso
de la g á ica de e olución de la unción de pé dida pa a isualiza lo sucedido du an e el
en enamien o. Es o nos pe mi e adap a con mayo p ecisión los hipe pa áme os, espe-
cialmen e el e e en e al núme o de épocas necesa ias pa a alcanza un ap endizaje óp imo
sin que apa ezca el p oblema del sob eap endizaje. En la Figu a 6.6 se mues a la e olución
co espondien e al en enamien o del modelo pa a p edeci a 7 días.

38 Capí ulo 6. En enamien o de los modelos
Figu a 6.5: Da os p edichos po el modelo de LSTM pa a el IBEX 35 con 7 días de an i-
cipación
Figu a 6.6: E olución de la unción de pé dida a lo la go de las épocas del en enamien o
de un modelo LSTM bidi eccional con una an icipación de 7 días
Capí ulo 7
Mé odos de E aluación
T as habe ealizado el en enamien o de odos los modelos, es el momen o de com-
pa a los. Pa a ello p ecisamos de mé odos de e aluación que con as en el acie o de las
p edicciones de cada uno de los modelos. El modo más e icaz de compa a obje i amen e
a ios modelos dis in os es calculando mé icas que sean capaces de ep esen a el e o
que come e cada uno de ellos. Además, es impo an e ealiza la compa ación de los e o es
sob e el mismo conjun o de da os. De es a mane a, en odos los modelos que hemos en e-
nado se han sepa ado los da os con un conjun o del 80% pa a ealiza el en enamien o y
un 20% pa a comp oba la capacidad de p edicción del modelo y calcula las mé icas de
e o . Es impo an e eco da que la sepa ación de los da os se hace sin deso dena los, ya
que ienen dependencias empo ales en e sí.
Dado que los modelos se pueden en ena pa a ealiza p edicciones con un núme o de
días de an icipación a iable, es ambién adecuado ealiza compa a i as sepa adas según
dis in os casos de uso. Po ello, se ha decidido compa a odos los modelos con 1, 7 y 30
días de an icipación de o ma indi idual. De es e modo, podemos encon a nos que algunos
modelos sean más idóneos pa a las p edicciones a más co o plazo mien as que o os se
apliquen mejo en má genes de iempo más amplios.
Exis en a ias mé icas pa a e alua el e o que come e un modelo al ealiza las
p edicciones. Cada una de ellas p esen a un pun o de is a dis in o y da más o menos
impo ancia a cie o ipo de e o es. Po ello es de especial ele ancia conoce la mane a
en que se calculan y como a ec a es o al esul ado de la mé ica. Cabe des aca que, a
la ho a de aplica las sob e los modelos, se hace uso de las implemen aciones que o ece
Sciki -lea n. A con inuación se explican cada una de las mé icas que se aplica án.
7.1. E o cuad á ico medio
El e o cuad á ico medio (MSE po sus siglas en inglés) es p obablemen e la mé ica
más usada pa a medi el e o en p oblemas de eg esión. Se ca ac e iza po penaliza en
mayo medida los e o es más g andes. Es o signi ica que si, po ejemplo, enemos un e o
de 5 pun os y uno de 10, es a mé ica da á mucha más impo ancia al e o de 10 pun os
39
40 Capí ulo 7. Mé odos de E aluación
que al de 5.
La ó mula que de e mina el cálculo de es a mé ica es la que se especi ica a con inua-
ción:
1
n
n
X
i=1
(ˆ
Yi−Yi)2(7.1)
donde ˆ
Yes el ec o de p edicciones, Yes el ec o de los e dade os alo es y nes el
núme o de p edicciones ealizadas.
7.2. Raíz del e o cuad á ico medio
La aíz del e o cuad á ico medio (o RMSE po sus siglas en inglés) es una mé ica muy
simila al MSE. Se di e encia en que, al aplica la aíz cuad ada al e o cuad á ico medio,
se ob iene un alo compa able en la escala o iginal del ac i o. Es o hace más sencilla la
pe cepción del e o espec o a los da os que se ienen. Al mismo iempo, man iene la
ca ac e ís ica de penaliza en mayo medida a los e o es más g andes.
Su ó mula se p esen a a con inuación:
u
u
1
n
n
X
i=1
(ˆ
Yi−Yi)2(7.2)
donde ˆ
Yes el ec o de p edicciones, Yes el ec o de los e dade os alo es y nes el
núme o de p edicciones ealizadas.
7.3. E o absolu o medio
El e o absolu o medio (MAE po sus siglas en inglés) des aca po p opo ciona una
mé ica que mide de o ma p opo cional la impo ancia de cada e o , euniéndolos en
la media de sus alo es absolu os. Su alo siemp e se á meno o igual al de la aíz del
e o cuad á ico medio. Concep ualmen e es la mé ica más sencilla de las p esen adas y
el esul ado es compa able en la escala o iginal del ac i o.
Su ó mula esul a al y como se mues a a con inuación:
Pn
i=1 |ˆ
Yi−Yi|
n(7.3)
donde ˆ
Yes el ec o de p edicciones, Yes el ec o de los e dade os alo es y nes el
núme o de p edicciones ealizadas.
7.4. Coe icien e de de e minación
El coe icien e de de e minación o R2(p onunciado R cuad ado) es una medida del e o
comple amen e dis in a a las an e io es. Puede ene como esul ado cualquie alo meno
7.4. Coe icien e de de e minación 41
o igual a 1 y esul a á en 0 si las p edicciones son siemp e la media de los alo es eales.
Cuan o más ce cano a 1, mejo es la p edicción y meno es el e o medido.
Su ó mula se calcula de la siguien e mane a:
R2= 1 −σ2
σ2(7.4)
donde σ2
es el e o cuad á ico medio del modelo (o la a ianza esidual) y σ2es la a ianza
de las p edicciones.
48 Capí ulo 8. Resul ados
Figu a 8.6: Da os p edichos po el modelo de XGBoos pa a el IBEX 35 con 7 días de
an icipación
an icipación de 7 días.
Pa ece po an o e iden e que el modelo no ha podido encon a elaciones signi ica i as
en e las a iables y el ac i o, más allá de que los alo es más ecien es ecogidos del IBEX
35 son simila es a los que se p e enden p edeci .
8.3. LSTM
Pa a es e modelo se han lle ado a cabo di e en es expe imen os y se ha llegado a
la conclusión de que según los esul ados ob enidos, el modelo LSTM ampoco ob iene
esul ados signi ica i os. Incluso se obse a que su endimien o en la p edicción es peo
que el de los modelos de Random Fo es , a pesa de se un ipo de modelo más complejo.
En la g á ica 8.7 emos los da os p edichos po el modelo, que más a de compa a emos
con el modelo de ipo bidi eccional.
Sin emba go, al a a se de un modelo de caja neg a, su capacidad de explica los
esul ados es muy limi ada. Además, debido a su complejidad, esul a di ícil de e mina si
se ha alcanzado o no una ap oximación al modelo óp imo. Po lo an o, no podemos a i ma
de mane a concluyen e que es e modelo LSTM es menos adecuado pa a la p edicción
inancie a.
T as un análisis más de enido de los esul ados, podemos obse a que, en é minos
gene ales, cuan o más compleja es la ed neu onal, más di ícil es el p oceso de en ena-
mien o, a medida que aumen a la complejidad de la ed, la elocidad de con e gencia
iende a disminui .
Po o o lado, aunque exis e la posibilidad de ob ene mejo es esul ados con la ed

8.3. LSTM 49
Figu a 8.7: Da os p edichos po el modelo de LSTM pa a el IBEX 35 con 7 días de an i-
cipación
compleja, en é minos gene ales se obse a una endencia de que un modelo más simple
iende a adap a se mejo al p oblema, ya que no mues an una di e encia signi ica i a en
los esul ados.
En las ablas 8.5 y 8.6 se puede obse a el compo amien o del modelo según los
dis in os hipe pa áme os. Po ejemplo, en los casos 1 y 2 de la p ime a abla se comp ueba
que un alo al o de épocas da luga a un esul ado debido al sob eap endizaje. Además,
se puede e en ambas que en gene al el op imizado Adam con e ge más ápido que el
RMSp op. Sin emba go, en de e minados casos como en la ila 9 de la abla 8.5 és e ob iene
un mejo compo amien o que el p ime o.
ID epoch ba ch capas neu loss op mse mse mae 2
1 500 32 1 32 mse adam 350765 592 504 0.4786
2 200 32 1 1 mse adam 270462 520 401 0.5980
3 20 30 1 1 mse adam 139975 374 306 0.7919
4 20 30 1 1 mse RMSp op 410353 640 545 0.3901
5 22 30 1 1 mse adam 130786 361 293 0.8056
6 8 7 1 1 mse adam 192743 439 353 0.7135
7 20 30 1 2 mse adam 182528 427 336 0.7287
8 20 32 1 1 mse adam 141032 375 305 0.7903
9 30 28 1 1 mse RMSp op 119116 345 277 0.8229
10 18 28 1 1 mse adam 123792 351 280 0.8160
Tabla 8.5: Resul ados con da os desde 2002 has a 2022 (An icipación: 1, num_días: 25)
50 Capí ulo 8. Resul ados
ID epoch ba ch capas neu loss op mse mse mae 2
1 20 32 1 1 mae adam 179314 423 338 0.7336
2 350 32 1 16 mae adam 182866 427 305 0.7283
3 500 64 1 1 mae adam 909119 953 716 -0.3506
4 500 64 1 7 mae RMSp op 440008 663 549 0.3463
Tabla 8.6: Resul ados con da os desde 2002 has a 2022 (An icipación: 7, num_días: 25)
8.4. LSTM Bidi eccional
Al obse a los esul ados, podemos llega a una conclusión simila espec o al modelo
LSTM simple. A pesa de se una e sión más so is icada, no es á ob eniendo mejo es
esul ados; sino que gene almen e los esul ados son peo es. Una ez más, es o nos lle a
a pensa que, en es e con ex o, es di ícil encon a una elación buena en e las en adas
y la salida. En la g á ica 8.8 comp obamos que los da os p edichos son bas an e más
desace ados que los del modelo LSTM simple mos ados en la igu a 8.7.
Se puede e en las ablas 8.7 y 8.8 el compo amien o del modelo con 1 día y 7 días de
an icipación, espec i amen e. Cuando se emplea más de una capa es necesa io aumen a
el núme o de neu onas de la ed neu onal pa a consegui un esul ado óp imo.
Figu a 8.8: Da os p edichos po el modelo de LSTM Bidi eccional pa a el IBEX 35 con 7
días de an icipación
8.5. Compa ación en e los modelos
En es e apa ado se oma án los mejo es expe imen os ealizados en e los cua o mo-
delos es udiados y se compa a án sus esul ados, eniendo en cuen a la e iciencia de cada
uno de los modelos. Es os quedan ep esen ados en las ablas 8.9, 8.10, 8.11 y 8.12.
Sal a a la is a que odos los modelos uncionan mejo cuando ienen una an icipación
meno , algo que e a p e isible. También se puede comp oba que las edes neu onales más
8.5. Compa ación en e los modelos 51
ID epoch ba ch capas neu loss op mse mse mae 2
1 35 30 2 12 mse adam 147061 383 300 0.7814
2 35 60 2 12 mse adam 117045 342 262 0.8260
3 35 90 2 12 mse adam 144262 379 283 0.7855
4 20 30 1 1 mse adam 157022 396 310 0.7666
5 18 30 1 1 mse adam 154646 393 315 0.7701
6 20 32 1 1 mse adam 151089 388 309 0.7754
7 18 28 1 1 mse adam 165161 406 318 0.7545
8 15 28 1 1 mse adam 142952 378 304 0.7875
9 16 28 1 1 mse adam 141259 375 301 0.7900
Tabla 8.7: Resul ados con da os desde 2002 has a 2022 (An icipación: 1, num_días: 25)
ID epoch ba ch capas neu loss op mse mse mae 2
1 30 60 2 16 mse adam 214127 462 355 0.6819
2 30 30 2 12 mse adam 196758 443 352 0.708
3 40 60 2 28 mse adam 236507 486 390 0.6486
4 18 30 1 1 mse adam 181786 426 339 0.7299
5 20 30 1 1 mse adam 205051 452 350 0.6954
6 20 32 1 1 mse adam 239238 489 388 0.6446
7 15 32 1 1 mse adam 236623 486 389 0.6485
8 18 32 1 1 mse adam 181055 425 340 0.7310
Tabla 8.8: Resul ados con da os desde 2002 has a 2022 (An icipación: 7, num_días: 25)
simples uncionan mejo pa a nues o p oblema. Se pod ía azona que el p oyec o no e-
quie e modelos con g an ca nidad de a iables e hipe pa áme os pa a consegui esul ados
óp imos. El modelo Random Fo es consigue un alo de RMSE no ablemen e meno al
es o y las dos a ian es de LSTM, simple y bidi eccional, no se compo an mejo que las
demás pese a se más complejas.
Además, hemos obse ado di e encias a la ho a de ealiza los dis in os expe imen os
en e los úl imos dos modelos. El LSTM bidi eccional es más complejo, y el p oceso de
en enamien o esul a más edioso. Es necesa io p oba una g an can idad de alo es de
hipe pa áme os has a encon a algún esul ado óp imo. Sin emba go, es e p oceso me ece
la pena en cie o modo ya que la a ian e bidi eccional consigue un mejo endimien o en e
al LSTM simple.
52 Capí ulo 8. Resul ados
an icipación n_es ima o s max_dep h mse
1 10 5 146
7 25 5 305
30 3 5 634
Tabla 8.9: Resul ados óp imos del modelo Random Fo es (num_días: 25)
an icipación n_es ima o s lea ning_ a e ea ly_s opping_ ounds mse
1 1000 0.05 10 158
1 1000 0.05 50 158
1 1000 0.05 100 158
1 500 0.05 10 158
1 200 0.05 10 158
7 200 0.05 10 393
30 200 0.25 10 895
Tabla 8.10: Resul ados óp imos del modelo XGBoos (num_días: 25)
an icipación epoch ba ch capas neu loss op mse mse mae 2
1 30 28 1 1 mse RMSp op 119116 345 277 0.8229
1 18 28 1 1 mse Adam 123792 351 280 0.8160
7 20 32 1 1 mse Adam 179314 423 338 0.7336
25 30 32 1 1 mse Adam 308625 555 416 0.5424
Tabla 8.11: Resul ados óp imos del modelo LSTM (num_días: 25)
an icipación epoch ba ch capas neu loss op mse mse mae 2
1 35 60 2 12 mse Adam 117045 342 262 0.8260
7 18 32 1 1 mse Adam 181055 425 340 0.7310
25 30 90 2 16 mse Adam 279614 528 355 0.5854
Tabla 8.12: Resul ados óp imos del modelo LSTM Bidi eccional (num_días: 25)
Capí ulo 9
Conclusiones y T abajo Fu u o
Es e abajo p e ende o ece una p ime a ap oximación a la p edicción de se ies em-
po ales median e el uso de modelos de ap endizaje au omá ico. Pa a ello se ha escogido una
se ie empo al an compleja como es la compues a po los alo es que a omando el IBEX
35. Una ez escogido el ac i o, se han seleccionado las a iables que, a nues o juicio, más
a ec aban a la e olución de la se ie empo al y se han en enado cua o modelos dis in os:
Random Fo es , XGBoos , LSTM y LSTM bidi eccional. Hemos podido e como ninguno
de ellos ha sido capaz de ealiza una p edicción ce e a debido a la excesi a complejidad
del p oblema p opues o, ob eniendo unos mejo es esul ados en los modelos más simples
(Random Fo es y XGBoos ). Po o o lado se ha cons a ado que, al menos en es e caso, la
bidi eccionalidad en las edes LSTM no supone una mejo a signi ica i a en las p edicciones
del modelo.
Se ha obse ado ambién que uno de los p oblemas que se a on an a la ho a de p edeci
un ac i o inancie o an complejo es la di icul ad pa a inco po a , di ec a o indi ec amen e,
odas la a iables que a ec an de o ma ele an e a los me cados inancie os. El ejemplo
más cla o de es o es el de los anuncios de medidas económicas, aunque no es el único. Es e
p oblema pod ía no es a p esen e en o os ipos de se ies empo ales, lo que deja la pue a
abie a a la pues a a p ueba de los modelos aquí is os en o os con ex os más simples.
Po an o, una de las posibles expansiones a nues o abajo consis e en la p ueba de
es os modelos en se ies empo ales de meno complejidad. Se ía ele an e a e igua si las
edes LSTM son capaces de supe a a modelos más simples, como los analizados en el
p esen e abajo, bajo condiciones de meno complejidad. Es o pod ía sucede en el caso
de que hubie a pa ones implíci os que solo puedan se pe cibidos po modelos con mayo
capacidad de abs acción.
O a posible ía de abajo sob e es e p oyec o es la de pone a p ueba o os ipos de
modelos sob e es e mismo p oblema. En especial cabe des aca el modelo ARIMA, que es
muy usado en el mundo de la p edicción de se ies empo ales y no ha llegado a se usado en
es e abajo. T as ello, se pod ían compa a los esul ados ob enidos ob eniendo un análisis
más comple o.
53

Capí ulo 10
Apo aciones indi iduales
10.1. Pablo Lozano Ma ín
Inicialmen e, es ablecí un eposi o io en Gi hub pa a el p oyec o y o ganicé la cola-
bo ación in i ando a odos los compañe os a uni se. Es o p opo cionó una pla a o ma
cen alizada pa a el desa ollo y seguimien o del abajo.
Más a de, mis compañe os y yo dimos paso a la selección de los da os, que se ían la
base de nues o es udio. T abajamos jun os pa a ga an iza que los da os elegidos ue an
ap opiados y ele an es pa a nues o obje i o de in es igación. Di idimos las a iables de
mane a equi a i a y cada compañe o ob u o los dis in os da os de cada una de ellas en
o ma o CSV (en mi caso la in o mación del alo Dola -Eu o, el IPC y los ipos de in e és
del Eu osis ema, del me cado p ima io y del secunda io). Una ez comple ado, ue el u no
del p ep ocesado de los da os, lo que incluyó la limpieza, ans o mación y p epa ación de
es os pa a su pos e io análisis. Es e paso es undamen al pa a ob ene esul ados con iables
y signi ica i os.
Al mismo iempo, nos dedicamos a edac a la memo ia del p oyec o, una pa e im-
po an e de nues a in es igación. Mi papel ue des acado en la ase inicial de la memo ia,
donde inalicé la in oducción. Es a sección es c ucial pa a es ablece el con ex o y los
obje i os de nues a in es igación. También colabo é ac i amen e en la edacción de la
memo ia en su o alidad, lo cual implicó un abajo minucioso en a ios aspec os. P i-
me o, con ibuí a o ganiza la es uc u a del documen o, asegu ando una secuencia lógica
y cohe en e de los con enidos. Además, en iquecí la memo ia incluyendo hipe ínculos a
e e encias ex e nas ci adas en nues a bibliog a ía, mejo ando así la p o undidad y c edi-
bilidad de nues o abajo. También desempeñé un papel esencial en la c eación de ablas y
g á icos que complemen a on la p esen ación de nues os hallazgos y mejo a on la cla idad
y isualización de la in o mación, acili ando su comp ensión pa a nues o equipo y u u os
lec o es e in es igado es in e esados en nues o es udio.
Lle é a cabo un análisis de allado de los modelos LSTM y LSTM bidi eccional que
implemen amos. A pa i de los expe imen os ealizados, los esul ados ob enidos queda on
e lejados en a chi os Excel. Ex aje los casos más des acables y p esen é los esul ados
55
56 Capí ulo 10. Apo aciones indi iduales
de mane a cla a y concisa en o ma de ablas di e enciando en e los da os calculados con
una an icipación de 1, 7 y 30 días. Además, edac é las conclusiones especí icas pa a es os
modelos y con ibuí al apa ado de análisis y conclusiones inales del p oyec o. En es a
sección del es udio abajé en es echa colabo ación con mis compañe os pa a analiza
los modelos Random Fo es y XGBoos , con ibuyendo así a una e aluación comple a de
di e en es en oques.
En los días inales de ec é y co egí di e sas e a as y e o es de compilación en la
memo ia del p oyec o, asegu ándome de que la documen ación es u ie a lib e de impe ec-
ciones. En la úl ima pa e de esul ados ealicé a ios cambios pa a mejo a la cohesión del
abajo y a ios pequeños apa ados en uno solo. De es a o ma, las conclusiones omadas
a pa i del análisis de los cua o modelos queda on más cong uen es. También ealicé un
es ue zo impo an e pa a asegu a que las e e encias a las igu as es u ie an co ec amen e
e ique adas y enlazadas.
Es impo an e esal a que odas es as con ibuciones se ealiza on en un en o no de
abajo colabo a i o, donde el in e cambio de ideas y el apoyo mu uo ue on undamen ales
pa a alcanza nues os obje i os. Desde la c eación del eposi o io en Gi Hub has a la
cuidadosa selección de da os, el exhaus i o p ep ocesamien o de la in o mación, el análisis
de allado de los modelos y la edacción de la memo ia, cada e apa ue abo dada con un
g an comp omiso y coo dinación en e los miemb os del equipo.
10.2. Jaime Pas ana Ga cía
El p ime paso dado en la elabo ación de es e p oyec o consis ió en la elección y ob en-
ción de los da os. La elección de an o el ac i o (el IBEX 35) como las a iables elacionadas
ue una decisión omada en e odos y consensuada as discu i lo en e noso os. Pos e-
io men e se pasó a la ob ención de dichos da os. Es a a ea se di idió en e los cua o
in eg an es, co espondiéndome la desca ga de los da os del DAX 30, la EPA y el p ecio
del ba il de B en en o ma o CSV.
La siguien e a ea consis ía en p ep ocesa es os da os, a ea en la que ealicé una
p ime a ap oximación en py hon que más a de gene aliza ían y pe ecciona ían mis com-
pañe os. En ella se elimina on las da os que no e an ú iles o e an anómalos, se es ima on los
pun os de los que no se enía in o mación y se uni icó el o ma o en el que se p esen aban
los da os.
Llegado es e pun o se comenzó la edacción de la memo ia al iempo que se comenza on
a en ena los modelos. En cuan o a la memo ia se e ie e, se epa ie on las esponsabili-
dades en elación a los in e eses de cada uno de los miemb os del g upo. En mi caso mis
esponsabilidades p incipales ue on las de elabo a el capí ulo co espondien e al análisis
desc ip i o y la explicación de la eo ía y expe imen ación de los modelos de Random Fo es
y XGBoos . En el análisis desc ip i o del ac i o u e que elabo a en p ime luga a ias
g á icas y da os ele an es sob e los que basa mis azonamien os. Con es os da os edac é
el capí ulo, que ue e isado po mis compañe os. Pos e io men e, en endiendo el con ex o
10.3. Pablo Magno Pezo O iz 57
en que se daban los da os, p oseguimos con el desa ollo de los modelos. Mi implicación en
es e pun o es u o especialmen e ligada a los modelos de Random Fo es y XGBoos . En
cualquie caso, odos colabo amos en los cua o modelos con el obje i o de ob ene unos
esul ados ele an es y una explicación cla a de los modelos y su uso.
Finalmen e, pa icipé en la edacción de una b e e explicación de los mé odos de e a-
luación y edac é el capí ulo sob e las conclusiones y el abajo u u o. En es e úl imo
capí ulo sin e icé las ideas que habíamos desa ollado el g upo en su conjun o.
Lo aquí esc i o e leja en esencia las a eas de las que he sido el p incipal esponsable.
Sin emba go, cabe des aca la colabo ación e implicación de odos los miemb os del g upo
en odas las a eas, en mayo o meno medida según co espondie a. Es o úl imo nos ha
esul ado esencial pa a man ene una isión de conjun o del abajo ealizado.
10.3. Pablo Magno Pezo O iz
Mi con ibución al p oyec o, como odas las de mi compañe os ue undamen al pa a su
éxi o y se lle ó a cabo en a ias e apas. Du an e oda la elabo ación del p esen e abajo he
asumido un ol ac i o en la oma de decisiones y en la ejecución de a eas. A con inuación,
de alla é mis con ibuciones.
Comenzamos el p oyec o con la elección del ac i o y las a iables con las que busca-
íamos co elaciones. Es a ase inicial eque ía de plani icación y conside ación. Pa icipé
ac i amen e en es a pa e del p oceso, en la que man u imos di e sas euniones con la
di ec o a del p oyec o pa a asegu a nos de que nues as decisiones ue an undamen adas
y ap opiadas. Finalmen e, y as conside a o os ac i os como el Dow Jones o el Eu os ax,
decidimos abaja con el índice IBEX35 como nues o ac i o p incipal.
En cuan o a la selección de a iables, o ganizamos a ias euniones de discusión con el
equipo pa a de e mina cuáles se ían las más óp imas. Du an e aquellas euniones, p opuse
una lis a inicial de a iables y, pa a ga an iza su idoneidad, con ac amos nue amen e con
la p o eso a pa a e i ica si necesi aban una jus i icación más de allada. Acla ado que
no e a necesa io, p ocedimos a asigna a cada miemb o del equipo la a ea de busca y
desca ga los da os necesa ios. En mi caso, me enca gué de ob ene los da os del Eu ibo
y el p ecio del o o.
A su ez, c eé una ca pe a en Google D i e pa a cen aliza oda la in o mación del
p oyec o, donde ambién se c eo un "log"de euniones con la di ec o a.
Elegidas las a iables que íbamos a es udia , y desca gados sus da ase en o ma o .cs ,
pa icipé ac i amen e en la ase de p ep ocesamien o de da os, aunque no es u e in olu-
c ado en la e apa más p elimina . Du an e es a e apa, de ec amos que dos de las a iables
elegidas no e an las más ap opiadas, p opuse a mis compañe os sus i ui las, enca gándome
ambién de desca ga sus da os. Una ez co egidas dichas a iables, me hice ca go de
esc ibi los cuade nos Py hon empleados pa a a a los da os, así como de las decisiones
écnicas a oma . Es o incluye el p ocesado y limpiado de odos los da ase iniciales, así
como su combinación en el da ase inal.

Bibliog a ía
Abadi, M.,Aga wal, A.,Ba ham, P.,B e do, E.,Chen, Z.,Ci o, C.,Co ado,
G. S.,Da is, A.,Dean, J.,De in, M.,Ghemawa , S.,Good ellow, I.,Ha p, A.,
I ing, G.,Isa d, M.,Jia, Y.,Joze owicz, R.,Kaise , L.,Kudlu , M.,Le en-
be g, J.,Mané, D.,Monga, R.,Moo e, S.,Mu ay, D.,Olah, C.,Schus e ,
M.,Shlens, J.,S eine , B.,Su ske e , I.,Talwa , K.,Tucke , P.,Vanhouc-
ke, V.,Vasude an, V.,Viégas, F.,Vinyals, O.,Wa den, P.,Wa enbe g, M.,
Wicke, M.,Yu, Y. yZheng, X. Tenso Flow: La ge-scale machine lea ning on he e-
ogeneous sys ems. 2015. So wa e a ailable om enso low.o g.
Chen, T. yGues in, C. Xgboos : A scalable ee boos ing sys em. CoRR, ol. ab-
s/1603.02754, 2016.
Da a epo al. Da a epo al. h ps://da a epo al.com/global-digi al-o e iew,
2023.
F ede ickson, B. h p://www.ben ede ickson.com/nume ical-op imiza ion/,
2023.
Gi . Gi . h ps://gi -scm.com/, 2023.
Gi hub. Gi hub. h ps://gi hub.com/, 2023.
Ha is, C. R.,Millman, K. J., an de Wal , S. J.,Gomme s, R.,Vi anen,
P.,Cou napeau, D.,Wiese , E.,Taylo , J.,Be g, S.,Smi h, N. J.,Ke n,
R.,Picus, M.,Hoye , S., an Ke kwijk, M. H.,B e , M.,Haldane, A.,del
Río, J. F.,Wiebe, M.,Pe e son, P.,Gé a d-Ma chan , P.,Sheppa d, K.,
Reddy, T.,Weckesse , W.,Abbasi, H.,Gohlke, C. yOliphan , T. E. A ay
p og amming wi h NumPy. Na u e, ol. 585(7825), páginas 357–362, 2020.
Hoch ei e , S. ySchmidhube , J. h ps://www.bioin .jku.a /publica ions/
olde /2604.pd , 1997.
Hun e , J. D. Ma plo lib: A 2d g aphics en i onmen . Compu ing in Science & Engi-
nee ing, ol. 9(3), páginas 90–95, 2007.
In es ing. In es ing. h ps://uk.in es ing.com/, 2023.
65
66 BIBLIOGRAFÍA
Joblib. Página o icial de la lib e ía de Py hon joblib. 2023. h ps://joblib.
ead hedocs.io/en/s able/#(15/06/23).
Kaggle. Kaggle. h ps://www.kaggle.com/, 2023.
Kali a, D. h ps://www.analy ics idhya.com/blog/2022/03/
an-o e iew-on-long-sho - e m-memo y-ls m/, 2022.
Kluy e , T.,Ragan-Kelley, B.,Pé ez, F.,G ange , B.,Bussonnie , M.,F e-
de ic, J.,Kelley, K.,Ham ick, J.,G ou , J.,Co lay, S.,I ano , P.,A ila,
D.,Abdalla, S. yWilling, C. Jupy e no ebooks – a publishing o ma o ep o-
ducible compu a ional wo k lows. En Posi ioning and Powe in Academic Publishing:
Playe s, Agen s and Agendas (edi ado po F. Loizides y B. Schmid ), páginas 87 – 90.
IOS P ess, 2016.
Melche , K. h ps://www.knime.com/blog/a- iendly-in oduc ion- o-deep-neu al-ne wo ks,
2021.
Olah, C. h ps://colah.gi hub.io/pos s/2015-08-Unde s anding-LSTMs/, 2015a.
Olah, C. h p://colah.gi hub.io/pos s/2015-09-NN-Types-FP/, 2015b.
Pandas. Página o icial de la lib e ía de Py hon Pandas. 2023. h ps://pandas.pyda a.
o g/(15/06/23).
Ped egosa, F.,Va oquaux, G.,G am o , A.,Michel, V.,Thi ion, B.,G isel,
O.,Blondel, M.,P e enho e , P.,Weiss, R.,Dubou g, V.,Vande plas,
J.,Passos, A.,Cou napeau, D.,B uche , M.,Pe o , M. yDuchesnay, E.
Sciki -lea n: Machine lea ning in Py hon. Jou nal o Machine Lea ning Resea ch, ol.
12, páginas 2825–2830, 2011.
Si ako n.h ps://commons.wikimedia.o g/wiki/File:Ensemble_Bagging.s g,
2020a.
Si ako n.h ps://commons.wikimedia.o g/wiki/File:Ensemble_Boos ing.s g,
2020b.
Thi.h ps://dinhanh hi.com/decision- ee- eg ession/, 2020.
Van Rossum, G. yD ake, F. L. Py hon 3 Re e ence Manual. C ea eSpace, Sco s
Valley, CA, 2009. ISBN 1441412697.