El documento presenta un resumen sobre el uso del machine learning para predecir acciones en el mercado de valores. Explica que se necesitan tendencias y periodicidad para hacer predicciones a futuro, y que tradicionalmente los análisis de acciones se han hecho de forma manual usando varios indicadores. Luego, describe cómo se puede aproximar este problema usando time series y agregando variables externas como indicadores económicos y de sentimiento a los modelos, transformando así los análisis de series temporales en problemas de regresión clásica.
14. Modelando el mercado de valores
Comportamiento histórico de la acción:
Precios de cierre
Máximos y mínimos
Volúmenes de negocio
Indicadores económicos:
LIBOR, PIB, cambios de divisas…
15. Modelando el mercado de valores
Noticias
Análisis de sentimiento
Análisis técnico:
Medias móviles
Resistencias y soportes
Tendencias
16. Agenda
El fantasma de las predicciones futuras
El caso del mercado de stocks
¿Cómo lo hemos aproximado?
19. Aproximando con regresores
Time Series aceptan regresores externos
Se convierten en variables extra en la ecuación
𝑦𝑦𝑡𝑡 = 𝑎𝑎1 𝑦𝑦𝑡𝑡−1 + 𝑎𝑎2 𝑦𝑦𝑡𝑡−2 + 𝑎𝑎3 𝑦𝑦𝑡𝑡−3 + 𝑑𝑑1 𝑟𝑟𝑡𝑡−1
20. Aproximando con regresores
Cualquier time series se puede convertir en una predicción de
regresión clásica
Cada elemento que define el negocio puede añadirse como
features de un regresor
Cada elemento de las ecuaciones de ARIMA pueden
transformarse en features de un regresor
24. Conclusiones
Modelar el negocio es más importante que el algoritmo que se
usa
El algoritmo tampoco es irrelevante
La manera de hacer el test y la simulación es FUNDAMENTAL