Publicación: Comparación de métodos de aprendizaje de máquina en el análisis de series temporales para la predicción de tasas de cambio
Fecha
2025
Autores
Restrepo Vallejo, Stevens
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad EAFIT
Resumen
The study of global financial markets represents a complex field of research, characterized by high competitiveness and volatility. The analysis of exchange rates serves as a focal point for investors and firms aiming to maximize profitability while minimizing risks. Although various techniques currently exist for estimating exchange rate price changes, the inherent stochastic nature of the market, coupled with the influence of political-economic factors, continues to pose significant challenges for precise and reliable data analysis. This study addresses the prediction of the prices of some of the most significant exchange rates in this
market. Machine learning methods, which have demonstrated outstanding performance in the literature on time series forecasting, are compared and evaluated against a baseline linear model. The study primarily employs Random Forest models, Long Short-Term Memory (LSTM) neural networks, and a hybrid model combining Convolutional Neural Networks (CNNs) with LSTMs. Additionally, the robustness of these models is explored in the presence of outliers, with the aim of mitigating the risks associated with predictions involving highly variable data behaviors. The goal is to develop an adaptable analytical framework that enables investors and financial analysts to anticipate market movements, thereby enhancing their ability to make data-driven, informed decisions.
Descripción
El estudio de los mercados financieros a nivel global constituye un terreno de investigación intrincado, caracterizado por su alta competitividad y volatilidad. El análisis de las tasas de cambio es un punto focal para inversores y firmas, quienes buscan maximizar su rentabilidad mientras minimizan sus riesgos. A pesar de que actualmente hay técnicas diversas para estimar fluctuaciones del precio de las tasas de cambio, persiste la complejidad en el mercado para el análisis preciso y confiable de estos datos debido a su naturaleza estocástica y la influencia que tienen factores político-económicos sobre su comportamiento. En este estudio, se aborda la predicción del precio de algunas de las tasas de cambio más relevantes en este mercado. Se comparan métodos de aprendizaje de máquina que han mostrado rendimiento sobresaliente en la literatura en la predicción de series temporales y se evalúa su rendimiento respecto a un modelo lineal de base; principalmente se usan Modelos de Bosques Aleatorios, Redes Neuronales tipo Long Term Short Memory (LSTM) y un modelo híbrido de Redes Neuronales Convolucionales (CNN) combinadas con LSTM. Además, se explora la robustez de este tipo de modelos en presencia de datos atípicos con el fin de mitigar el riesgo asociado a predicciones con comportamientos altamente variables en los datos. Se busca entonces desarrollar un marco analítico adaptable que permita a inversores y analistas financieros anticipar los movimientos del mercado, mejorando su capacidad para tomar decisiones fundamentadas en datos.