Red de memoria a corto y largo plazo para el comercio de alta frecuencia: Un análisis crítico basado en un estudio de caso italiano

Las tecnologías de Deep Learning han demostrado ser capaces de hacer predicciones en el comercio de alta frecuencia, a menudo alcanzando mejores resultados en comparación con otras técnicas tradicionalmente utilizadas para este propósito. Se ha implementado una arquitectura de Memoria a Largo y Corto Plazo (LSTM) porque, a pesar del ruido, la no linealidad, la no estacionariedad y las complejidades en los datos de alta frecuencia, esta técnica de aprendizaje profundo de Red Neuronal Recurrente (RNN) permite descubrir patrones interesantes, gracias a sus características peculiares. A diferencia de las RNN tradicionales, que luchan por retener información en secuencias prolongadas, las celdas LSTM son capaces de almacenar y recuperar de manera selectiva información significativa de los valores pasados. El objetivo de este documento es estudiar e implementar un proceso robusto para el ajuste fino de estos modelos autorregresivos no lineales, analizar los resultados con las métricas adecuadas y evaluar el rendimiento general. Se ha analizado un estudio de caso de mercado basado en una acción italiana para complementar nuestra discusión y mostramos cómo mejorar el rendimiento de la red utilizando el indicador técnico Williams %R como una variable exógena relacionada con los volúmenes.