Integración de análisis factorial y modelos de “Machine Learning” en el pronóstico de cotizaciones bursátiles
La presente investigación tiene como objetivo principal combinar el uso de análisis factorial con el modelado de series temporales financieras. Se analizan, 30 cotizaciones de bolsa pertenecientes al IBEX 35. En primer lugar, se reduce la dimensión de las variables a través del análisis factorial. E...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2024 |
| País: | España |
| Institución: | Universidad Complutense de Madrid (UCM) |
| Repositorio: | Docta Complutense |
| Idioma: | español |
| OAI Identifier: | oai:docta.ucm.es:20.500.14352/110207 |
| Acceso en línea: | https://hdl.handle.net/20.500.14352/110207 |
| Access Level: | acceso abierto |
| Palabra clave: | 004.8 519.2 519.246.8 336.76 Series Temporales Cotizaciones Bursátiles Análisis Factorial Machine Learning Modelos predictivos Inteligencia artificial (Informática) Estadística Mercados bursátiles y financieros 1209 Estadística 1209.15 Series Temporales 1203.04 Inteligencia Artificial 1209.03 Análisis de Datos |
| Sumario: | La presente investigación tiene como objetivo principal combinar el uso de análisis factorial con el modelado de series temporales financieras. Se analizan, 30 cotizaciones de bolsa pertenecientes al IBEX 35. En primer lugar, se reduce la dimensión de las variables a través del análisis factorial. En segundo lugar, se implementan modelos de series temporales (ARIMA, Suavizado, GARCH y Random Forest Autorregresivo) sobre los factores extraídos previamente. Las predicciones obtenidas a partir del mejor modelo permiten aportar una visión futura de cada uno de los sectores asociados a los factores. Adicionalmente, para obtener las predicciones de las cotizaciones originales, se deshace la transformación factorial. A partir de ellas, se realiza una estrategia de inversión que ofrece una rentabilidad cuatro veces superior a la estrategia base (invertir en todas las empresas). |
|---|