Publicación:
Predicción de direcciones de activos financieros basados en la volatilidad en series temporales utilizando machine learning

Vista sencilla de ítem
dc.contributor.advisorVelasco Vera, Henry Giovanny
dc.contributor.authorHolguín Carvalho, Mateo
dc.coverage.spatialMedellín 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
dc.creator.emailmholguinc2@eafit.edu.co
dc.date.accessioned2026-05-26T21:13:26Z
dc.date.available2026-05-26T21:13:26Z
dc.date.issued2026-02-24
dc.descriptionLa 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
dc.description.abstractIdentifying 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.
dc.description.degreelevelMaestríaspa
dc.description.degreenameMagíster en Ciencias de Datos y Analíticaspa
dc.format.mimetypeapplication/pdf
dc.identifier.instnameinstname:Universidad EAFIT
dc.identifier.reponamereponame:Repositorio Institucional Universidad EAFIT
dc.identifier.repourlrepourl:https://repository.eafit.edu.co
dc.identifier.urihttps://hdl.handle.net/10784/37632
dc.language.isospa
dc.publisherUniversidad EAFITspa
dc.publisher.departmentÁrea Computación y Analíticaspa
dc.publisher.facultyEscuela de Ciencias Aplicadas e Ingenieríaspa
dc.publisher.placeMedellín
dc.publisher.programMaestría en Ciencias de los Datos y Analíticaspa
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.localAcceso abierto
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/deed.es
dc.subjectPredicción
dc.subjectMercados
dc.subjectVolatilidad
dc.subjectMachine Learning
dc.subjectSeries de tiempo
dc.subjectHeterocedasticidad
dc.subjectGARCH
dc.subjectLSTM
dc.subjectRed neuronal
dc.subjectÁrboles de decisión
dc.subject.keywordPrediction
dc.subject.keywordMarkets
dc.subject.keywordVolatility
dc.subject.keywordDeep Learning
dc.subject.keywordTime series
dc.subject.keywordHeteroskedasticity
dc.subject.keywordLightGBM
dc.subject.keywordNeural Network
dc.subject.keywordBoosting
dc.subject.lembINVERSIONES - MODELOS MATEMÁTICOS - COLOMBIA
dc.subject.lembREDES NEURALES (COMPUTADORES) - INVESTIGACIONES
dc.subject.lembALGORITMOS
dc.titlePredicción de direcciones de activos financieros basados en la volatilidad en series temporales utilizando machine learning
dc.typeinfo:eu-repo/semantics/masterThesis
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.localTesis de Maestríaspa
dc.type.redcolhttp://purl.org/redcol/resource_type/TM
dc.type.spaArtículo
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dspace.entity.typePublication

Archivos

Bloque original
Mostrando 1 - 3 de 3
No hay miniatura disponible
Nombre:
carta_aprobacion_trabajo_grado_eafit.pdf
Tamaño:
132.04 KB
Formato:
Adobe Portable Document Format
Descripción:
Carta de aprobación de tesis de grado
Descargar
No hay miniatura disponible
Nombre:
Mateo_Holguin_ Direcciones_ Activos_Financieros.pdf
Tamaño:
1.23 MB
Formato:
Adobe Portable Document Format
Descripción:
Trabajo de grado
Descargar
No hay miniatura disponible
Nombre:
formulario_autorizacion_publicacion_obras_biblioteca.pdf
Tamaño:
352.79 KB
Formato:
Adobe Portable Document Format
Descripción:
Formulario de autorización de publicación de obras
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
2.74 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Maestría en Ciencias de los Datos y Analítica (tesis)