Publicación: Predicción de direcciones de activos financieros basados en la volatilidad en series temporales utilizando machine learning
Fecha
2026-02-24
Autores
Holguín Carvalho, Mateo
dc.contributor.advisor
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad EAFIT
Resumen
Identifying effective trading signals in financial assets is a challenge that draws attention across multiple disciplines due to the volatile and dynamic nature of financial markets. The complexity investors face stems from the wide range of factors that influence asset prices, including macroeconomic variables, corporate decisions, and unexpected events, making it difficult to obtain precise estimates of future movements. This is particularly relevant for investors seeking to build portfolios that maximize returns. In this context, some variables exhibit stronger relationships with market-driven factors, making them useful indicators for anticipating price direction. Nevertheless, recent advances in computing and in Machine Learning and Deep Learning techniques have enabled the development of more sophisticated models that facilitate this task. This study compares time-series-based machine learning methodologies, specifically LSTM neural networks and LightGBM decision-tree models, while incorporating Conditional Heteroskedasticity models (GARCH) to improve the classification of buy and sell signals in financial instruments, accounting for both historical patterns and external variables affecting asset behavior. The results show that LightGBM achieved the best predictive performance, with notable metrics such as an F1 Score of 0.823 and an AUC-ROC of 0.923 in validation, whereas LSTM delivered the best financial performance, reaching a cumulative return of 28.05% and a Sharpe Ratio of 0.70, clearly outperforming a Buy-and-Hold strategy. These findings suggest that although daily directional prediction is inherently complex, advanced Machine Learning models can transform weak signals into profitable trading strategies.
Descripción
La identificación de señales efectivas para una estrategia de trading en activos financieros es un desafío que capta el interés de múltiples disciplinas, dado la naturaleza volátil y dinámica de los mercados. La complejidad del análisis de inversionistas radica en los numerosos factores que afectan los diferentes activos financieros, como variables macroeconómicas, decisiones corporativas y eventos inesperados, lo que dificulta la obtención de estimaciones precisas sobre los movimientos futuros. Esto es especialmente relevante para los inversores que buscan construir un portafolio que maximice sus ganancias. En este contexto, algunas variables muestran una mayor relación con los factores que influyen en el mercado, convirtiéndose en indicadores útiles para anticipar movimientos. No obstante, los avances recientes en computación y en técnicas de Machine Learning y Deep Learning han permitido desarrollar modelos más sofisticados que facilitan esta tarea. Este estudio propone comparar metodologías de aprendizaje automático basadas en series de tiempo, específicamente redes neuronales LSTM y modelos de árboles de decisión LightGBM, incorporando modelos de Heterocedasticidad Condicional Autorregresiva (GARCH) buscando una mejor aproximación para la clasificación de señales de compra y venta en instrumentos financieros, tomando en cuenta tanto sus patrones históricos como las variables externas que afectan su comportamiento. Los resultados obtenidos muestran que LightGBM obtuvo el mejor desempeño predictivo, alcanzando valores destacados como un F1 Score de 0.823 y un AUC-ROC de 0.923 en validación, mientras que LSTM fue el modelo con mejor desempeño financiero, logrando un retorno acumulado del 28.05% y un Sharpe Ratio de 0.70, superando ampliamente la estrategia de Buy & Hold. Estas evidencias sugieren que, aunque la predicción direccional diaria es una tarea compleja, los modelos avanzados
Palabras clave
Citación
dc.relation.uri
dc.identifier.doi
dc.rights
Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)