Predicting Stock prices in Latin America using Associative Deep Neural Networks
Fecha
2023
Autores
Gallego Rojas, Juan Fernando
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad EAFIT
Resumen
The stock market is a critical sector of the global economy, and predicting stock prices is of great interest to investors and companies. However, the movements of the market are volatile, non-linear, and complicated. This topic has attracted the attention of researchers, who have proposed formal models that demonstrate accurate predictions can be made with appropriate variables and techniques. Deep learning algorithms are often used for this purpose due to their superior accuracy in time series-based and complex pattern analysis. This paper proposes to predict the opening, closing, highest, and lowest stock prices of select Latin American market indexes using associative deep neural networks that can simultaneously predict related values based on the Long Short Term Memory (LSTM) technique, known for its high accuracy in this area. As well as using classic econometric methods for the analysis of time series such as ARIMA models. The proposed model achieved a good performance in terms of prediction, which in turn allows finding interesting trading opportunities for investors. The results of the models were measured using the average RMSE of the predicted prices metric and compared with those obtained using a naive model.
Descripción
El mercado bursátil es un sector crítico de la economía mundial, y predecir los precios de las acciones es de gran interés para inversores y empresas. Sin embargo, los movimientos del mercado son volátiles, no lineales y complicados. Este tema ha atraído la atención de los investigadores, que han propuesto modelos formales que demuestran que se pueden realizar predicciones precisas con variables y técnicas adecuadas. Los algoritmos de aprendizaje profundo se utilizan a menudo para este fin debido a su precisión superior en el análisis de patrones complejos y basados en series temporales. Este trabajo propone predecir los precios de apertura, cierre, máximo y mínimo de las acciones de índices bursátiles seleccionados de América Latina utilizando redes neuronales profundas asociativas que pueden predecir simultáneamente valores relacionados basándose en la técnica de memoria larga-corto plazo (LSTM por sus siglas en inglés), conocida por su gran precisión en este ámbito. Además de utilizar métodos econométricos clásicos para el análisis de series temporales como los modelos ARIMA. El modelo propuesto obtuvo un buen rendimiento en términos de predicción, lo que a su vez permite encontrar oportunidades de negociación interesantes para los inversores. Los resultados de los modelos se midieron utilizando la métrica del RMSE promedio de los precios predichos y se compararon con los obtenidos utilizando un modelo ingenuo.