Evaluación del poder predictivo del modelo LSTM en el análisis de series de tiempo financieras

Abstract

El mundo de las finanzas exige soluciones rápidas, seguras y vanguardistas. En un contexto de constante cambio, con la irrupción de la Inteligencia Artificial (AI), los grandes volúmenes de datos almacenables y las mejoras en los procesos computacionales, un mundo de métodos sofisticados emerge como una alternativas fiable a los tradicionales modelos predictivos aplicados a series de precios. A la par, corre el creciente interés por un Mercado Bursátil, que hoy tiene ventajas ciertas desde la accesibilidad, pero que por otro lado se volvió extremadamente complejo y volátil por la diversidad de agentes involucrados. Tratar de inferir el comportamiento vertiginoso de ciertos instrumentos en un contexto holístico, y hacerlo de manera rápida y confiable es el objetivo de los investigadores del área1. En el presente estudio se utilizó una red neuronal recurrente, Long Short Term Memory2 (LSTM, por sus siglas en inglés) para predecir el precio ajustado de cierre al día siguiente de diferentes activos seleccionados. Dado que este modelo goza de muy buena reputación como predictor, el objetivo fue el de evaluar las características y propiedades del mismo, intentar recrear los resultados obtenidos en la bibliografía, y encontrar la combinación óptima de hiperparámetros que minimice el error en una ventana de tiempo pasada. La investigación consistió en una serie de simulaciones de carácter predictivo del Precio de Cierre del día siguiente de distintas acciones, Lantheus Holding Inc., Mercado libre, Well Fargo´s y Marvell Technology Inc. En el proceso se utilizaron distintas arquitecturas, como así también tipos de modelo, periodos, secuencias, hiperparámetros, y características de entrada, a fin de alcanzar el mejor ajuste posible, considerando distintos optimizadores y adoptando como criterio de ajuste la Minimización del Error Cuadrado (MSE)3. Los resultados experimentales que se exponen en la presente, advierten sobre el potencial implícito de desarrollar este formato de modelo en el campo de las finanzas, lo que no necesariamente indique carencia de debilidades y limitaciones concretas. Se arribara a la conclusión de que LSTM es un modelo flexible capaz de adaptarse a cualquier entorno o estructura, y que a la luz de los resultados, se presenta como una herramienta muy poderosa de cara al futuro en el análisis de series de tiempo.