Redes Neuronales para la Predicción de Series Temporales Financieras

La predicción de series temporales financieras y económicas nunca ha sido una tarea fácil debido a su sensibilidad a factores políticos, económicos y sociales. Por esta razón, las personas que invierten en mercados financieros y en el cambio de divisas suelen buscar modelos robustos que les aseguren maximizar su perfil y minimizar sus pérdidas tanto como sea posible. Afortunadamente, recientemente, varios estudios han especulado que un tipo especial de Redes Neuronales Artificiales (ANNs) llamadas Redes Neuronales Recurrentes (RNNs) podrían mejorar la precisión predictiva del comportamiento de los datos financieros a lo largo del tiempo. Este documento tiene como objetivo predecir: (i) el precio de cierre de ocho índices bursátiles; y (ii) el precio de cierre de seis tipos de cambio relacionados con el USD, utilizando el modelo de RNNs y sus variantes: la Memoria a Largo y Corto Plazo (LSTM) y la Unidad Recurrente Compuerta (GRU). Los resultados muestran que la GRU ofrece los mejores resultados en general, especialmente para la predicción univariada fuera de muestra de los tipos de cambio y la predicción multivariada fuera de muestra de los índices bursátiles.