Comparación de métodos de aprendizaje de máquina en el análisis de series temporales para la predicción de tasas de cambio

Restrepo Vallejo, Stevens

Publicación:
Comparación de métodos de aprendizaje de máquina en el análisis de series temporales para la predicción de tasas de cambio

dc.contributor.advisor	Almonacid Hurtado, Paula María
dc.contributor.author	Restrepo Vallejo, Stevens
dc.coverage.spatial	Medellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degrees	eng
dc.creator.degree	Magíster en Ciencias de Datos y Analítica	spa
dc.creator.email	stevens.restrepov@gmail.com
dc.date.accessioned	2025-05-27T21:34:12Z
dc.date.available	2025-05-27T21:34:12Z
dc.date.issued	2025
dc.description	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.
dc.description.abstract	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.
dc.identifier.uri	https://hdl.handle.net/10784/35354
dc.language.iso	spa	spa
dc.publisher	Universidad EAFIT	spa
dc.publisher.department	Escuela de Ciencias Aplicadas e Ingeniería. Área Computación y Analítica	spa
dc.publisher.place	Medellín
dc.publisher.program	Maestría en Ciencias de los Datos y Analítica	spa
dc.relation.uri	https://github.com/StevensRV/TASAS DE CAMBIO
dc.rights	Todos los derechos reservados	spa
dc.rights.accessrights	info:eu-repo/semantics/openAccess	eng
dc.rights.local	Acceso abierto	spa
dc.subject	Predicción de tasas de cambio
dc.subject	Aprendizaje de máquina
dc.subject	Long Short
dc.subject	Term Memory
dc.subject	Convolutional Neural Network
dc.subject.keyword	Exchange Rate Prediction
dc.subject.keyword	Machine Learning
dc.subject.lemb	CIENCIA DE LA INFORMACIÓN
dc.subject.lemb	APRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL)
dc.subject.lemb	MERCADO MONETARIO
dc.subject.lemb	TASA DE CRECIMIENTO
dc.subject.lemb	INDICADORES ECONÓMICOS
dc.title	Comparación de métodos de aprendizaje de máquina en el análisis de series temporales para la predicción de tasas de cambio
dc.type	masterThesis	eng
dc.type	info:eu-repo/semantics/masterThesis	eng
dc.type.hasVersion	acceptedVersion	eng
dc.type.local	Tesis de Maestría	spa
dc.type.spa	Artículo
dspace.entity.type	Publication