Predicción y clasificación de series temporales bursátiles mediante redes neuronales recurrentes

Abstract

En este trabajo se pretende explorar la capacidad del Aprendizaje Profundo en la predicción de series temporales, en particular el uso de Redes Neuronales Recurrentes, para predecir valores diarios bursátiles. Se han empleado Redes Neuronales con distinto poder para procesar el recuerdo a largo plazo: LSTM, GRU, SimpleRNN. Experimentando cada tipo con diversas series correspondientes a la Bolsa de Valores NASDAQ, se ha tratado de obtener el mejor modelo de predicción para cada caso concreto. Asimismo, se ha desarrollado una clasificación de dichas series para mejorar el asesoramiento a un posible inversor sobre la compra o venta de valores bursátiles. Desde el punto de vista de la Inteligencia Artificial, este trabajo ha puesto en práctica Redes Neuronales Recurrentes que, por tamaño y longitud de secuencias procesadas, han derivado en lo denominado Aprendizaje Profundo, se ha usado la herramienta Keras para su implementación; con lo que el uso: TensorFlow y Python. En el preprocesamiento y comparación de datos se han usado técnicas propias de la Estadística, lo que incluye un manejo del análisis técnico e indicadores específicos como las medias móviles y los osciladores.

This paper intends to explore the potential of Deep Learning for predicting time series. More specifically, the use of Recurrent Neural Networks (RNN) to forecast daily stock values. Neuronal Networks with different power have been used to process long-term memory; LSTM, GRU, and SimpleRNN. Each kind of network has been tested with different corresponding series in NASDAQ in an attempt to obtain best prediction model for each case. Similarly, said series have been classified to provide advice for a potential investor on the purchase and sale of stocks. From the point of view of Artificial Intelligence, this project has been useful to put RNN into practice, which due to its size and the length of the processed sequences have derived in the so-called Deep Learning. The tools Keras, TensorFlow, and Python have been used for its implementation. In addition, this project has used statistical techniques to preprocess data and compare results, which includes technical analysis along with specific indicators like moving averages and oscillators.