Predicting Stock prices in Latin America using Associative Deep Neural Networks

Vista sencilla de ítem
dc.contributor.advisorAlmonacid Hurtado, Paula María
dc.contributor.authorGallego Rojas, Juan Fernando
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 degreeseng
dc.creator.degreeMagíster en Ciencias de Datos y Analíticaspa
dc.creator.emailjgalle47@eafit.edu.cospa
dc.date.accessioned2024-02-06T16:40:39Z
dc.date.available2024-02-06T16:40:39Z
dc.date.issued2023
dc.descriptionEl 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.spa
dc.description.abstractThe 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.spa
dc.identifier.ddc332.6322 G166
dc.identifier.urihttps://hdl.handle.net/10784/33266
dc.language.isospaspa
dc.publisherUniversidad EAFITspa
dc.publisher.departmentEscuela de Ciencias Aplicadas e Ingeniería. Área Computación y Analíticaspa
dc.publisher.placeMedellínspa
dc.publisher.programMaestría en Ciencias de los Datos y Analíticaspa
dc.rightsTodos los derechos reservadosspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccesseng
dc.rights.localAcceso abiertospa
dc.subjectMercado bursátilspa
dc.subjectÍndices bursátiles latinoamericanosspa
dc.subjectAprendizaje automáticospa
dc.subjectAprendizaje profundospa
dc.subjectRed asociativaspa
dc.subjectRed neuronal recurrente profundaspa
dc.subjectMulti-salidaspa
dc.subjectMulti-entradaspa
dc.subject.keywordStock marketspa
dc.subject.keywordLatín American market indexesspa
dc.subject.keywordMachine learningspa
dc.subject.keywordDeep learningspa
dc.subject.keywordAssociated networkspa
dc.subject.keywordDeep recurrent neural networkspa
dc.subject.keywordMulti-outputspa
dc.subject.keywordMulti-inputspa
dc.subject.lembACCIONES (BOLSA)
dc.subject.lembINVERSIONES
dc.subject.lembBOLSA DE VALORES
dc.subject.lembMERCADO FINANCIERO
dc.titlePredicting Stock prices in Latin America using Associative Deep Neural Networksspa
dc.typemasterThesiseng
dc.typeinfo:eu-repo/semantics/masterThesiseng
dc.type.hasVersionacceptedVersioneng
dc.type.localTesis de Maestríaspa
dc.type.spaMonografíaspa

Archivos

Bloque original
Mostrando 1 - 3 de 3
No hay miniatura disponible
Nombre:
JuanFernando_GallegoRojas_2023.pdf
Tamaño:
3.89 MB
Formato:
Adobe Portable Document Format
Descripción:
Trabajo de grado
Descargar
No hay miniatura disponible
Nombre:
formulario_autorizacion_publicacion_obras.pdf
Tamaño:
555.65 KB
Formato:
Adobe Portable Document Format
Descripción:
Formulario autorización publicación obras
Descargar
No hay miniatura disponible
Nombre:
carta_aprobacion_trabajo_grado_eafit.pdf
Tamaño:
280.19 KB
Formato:
Adobe Portable Document Format
Descripción:
Carta aprobación trabajo de grado
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
2.5 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Maestría en Ciencias de los Datos y Analítica (tesis)