Predicción de series financieras con redes neuronales recurrentes

Simple item page
dc.contributor.advisorMartínez Carrillo, Fabio
dc.contributor.advisorRamos Pollan, Raul
dc.contributor.authorRueda Rojas, Edwin Jahir
dc.date.accessioned2024-03-04T00:04:23Z
dc.date.available2018
dc.date.available2024-03-04T00:04:23Z
dc.date.created2018
dc.date.issued2018
dc.description.abstractLas series de tiempo tienen cabida en múltiples áreas, tales como las comunicaciones, la salud y las finanzas. Las RNN son un subconjunto de redes neuronales las cuales se inspiran en el funcionamiento neuronal humano, esto debido a que sus unidades LSTM tienen la capacidad de recordar características a lo largo del tiempo. En esta investigación se aborda la predicción en el mercado de divisas. Para ello hay que decir que el problema fundamental es la variación tan rápida que presentan dichos pares de divisas, siendo así difícil obtener una buena predicción, causando así, pérdidas de dinero. Este trabajo de investigación usando datos de Quandl y TrueFX implementa un tamaño de ventana fijo y unas características adicionales las cuales tienden a aumentar la precisión de los modelos construidos, siendo el OHLC y las multiseñales unas de las características significantes, así mismo, se implementaron técnicas clásicas de machine learning en las cuales la mejor predicción vino dada por un modelo GaussianNB el cual arrojó una precisión del 26.12% la cual involucra una pérdida diaria en base a la estrategia de trading planteada de 0.0013 USD, equivalente a 3.70 COP, lo que nos indica una mejora respecto a plantear una aleatoriedad como estrategia de trading, lo que nos indica que los modelos tratan de aprender cosas de la señal pero no lo suficiente para producir resultados favorables, por ello se recurre a las arquitecturas de redes neuronales, las cuales arrojan un resultado más favorable, ya que con la misma estrategia de trading propuesta, estas interactúan más con el mercado y pierden menos, alrededor de 0.00005566 USD diarios, el equivalente a 0.15 COP, lo que nos permite intuir que a mayor complejidad de RNN y un mayor descriptor de la señal, se podrían producir mejores resultados. 1
dc.description.abstractenglishTime series cover multiple areas, such as communications, health and finance. The RNNs are a subset of neural networks which are based on human neural functioning, because their LSMT units have the ability to remember characteristics over time. Being the LSTM units used for the search of passwords, the learning of physiological models for the behavior of the glucose in the blood and the prediction in the stock market, being this problem the one of work in the investigation. It must be said that the fundamental problem is the rapid variation that the stock market presents, specifically that of the currencies, making it difficult to obtain a good prediction, which generates losses of money. This research work with data from Quandl and TrueFX implements a fixed window size and additional features to increase the probability of accuracy of the predictive model, being the OHLC and the multisignals significant characteristics, likewise, classical techniques of machine learning were implemented in which the best prediction was given by a GaussianNB model which gave a precision of 26.12% which involves a daily loss based on the strategy of trading raised of 0.00013 USD, equivalent to 3.70 COP, which indicates an improvement over if there was randomness as a trading strategy, this says that the models try to learn things from the signal but not enough to produce favorable results, for this reason, we use neural network architectures, which are more accurate, since by implementing the same proposed trading strategy, they interact more with the market and lose less, around 0.00005566 USD per day, the equivalent to 0.15 COP, which allows us to guess that the grater the complexity of the RNN and the greater the descriptor of the signal, the better results could be produced.
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero de Sistemas
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/38574
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicomecánicas
dc.publisher.programIngeniería de Sistemas
dc.publisher.schoolEscuela de Ingeniería de Sistemas e Informática
dc.rightshttp://creativecommons.org/licenses/by/4.0/
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0
dc.subjectMachine Learning
dc.subjectDeep Learning
dc.subjectAnalítica De Datos
dc.subjectRedes Neuronales Recurrentes
dc.subjectSeries De Tiempo
dc.subjectBid
dc.subjectAsk
dc.subjectSpread
dc.subjectLstm
dc.subjectForex
dc.subjectDivisas
dc.subjectTrading
dc.subjectBrokers.
dc.subject.keywordMachine Learning
dc.subject.keywordDeep Learning
dc.subject.keywordData Analytics
dc.subject.keywordRecurrent Neural Networks
dc.subject.keywordTime Series
dc.subject.keywordBid
dc.subject.keywordAsk
dc.subject.keywordSpread
dc.subject.keywordLstm
dc.subject.keywordForex
dc.subject.keywordForeing Exchange
dc.subject.keywordTrading
dc.subject.keywordBrokers.
dc.titlePredicción de series financieras con redes neuronales recurrentes
dc.title.englishTime series prediction with recurrent neural networks1
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_7a1f
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
471.51 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
1.92 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
67.03 KB
Format:
Adobe Portable Document Format
Download
Collections
Ingeniería de Sistemas