El Lunes 02/10 se realizó la Defensa de Tesis del Lic. Javier Vásquez Sáenz titulada “Características basadas en agrupamiento de series temporales para predicción de valores de bolsa”. Contó con la dirección del Dr. Facundo Manuel Quiroga y con la co-dirección del Dr. Aurelio Fernández Bariviera. Los jurados fueron la Dra. Lisana Martínez, Dra. María Teresa Sorrosal Forradellas, Mg. Gustavo Denicolay Pacheco. La defensa se realizó de manera online. La misma puede verse a través del siguiente link: https://www.youtube.com/watch?v=D2uzka6zx_A
Resumen:
En esta tesis proponemos la hipótesis que incluir información de acciones relacionadas a la acción a predecir mejora la calidad de dicha predicción. Estas acciones relacionadas pueden obtenerse mediante distintos métodos de agrupamiento sobre información de precios, rendimientos y ratios derivados de los balances trimestrales.
Nuestro conjunto de datos se basó en las acciones de las empresas que cotizan en los mercados de valores de los Estados Unidos, dentro de las 3000 empresas con mayor capitalización bursátil, listadas en el índice Russell 3000. Dentro de dichas empresas, se han impuesto dos condiciones: (i) que hayan cotizado y (ii) que haya presentado balances en el período de enero de 2017 a junio de 2022, representando un total de 2359 acciones para trabajar. Utilizamos los balances trimestrales para generar 10 ratios financieros y los convertimos en series temporales. También utilizamos las series habituales de precios de cierre y rendimientos diarios. Con estos conjuntos de series temporales agrupamos las acciones representadas con estas caracter ́ısticas utilizando K-Means o K-Medoids con distancias basadas en Dynamic Time Warping, Extended Frobenius Norm y en la distancia euclidiana de los coeficientes generados por transformadas rápidas de Fourier. La información derivada de estos agrupamientos permitió seleccionar las características a proporcionar a modelos de ARIMA y Redes Neuronales, utilizando no solo los datos de la acción a predecir, sino la correspondiente al conjunto de acciones presentes en el grupo al cual pertenece la acción, para cada tipo de agrupamiento.
El objetivo de este proceso es mejorar la predicción de precios o rendimientos y generar a partir de ello recomendaciones de inversión. Para validar la estrategia propuesta, comparamos el efecto de los diferentes modelos de agrupamiento y predicción sobre los rendimientos generados por una estrategia de inversión. Comparamos asimismo estos resultados con los obtenidos a través de métodos tradicionales de inversión en los mercados de valores. Nuestros resultados muestran una ventaja en el uso de la información adicional proporcionada por los métodos de agrupación. Además, los métodos basados en Redes Neuronales resultan en una mayor tasa de rendimiento que aquellos basados en métodos tradicionales como ARIMA. Las principales contribuciones de esta tesis fueron introducir las series temporales derivadas de los balances financieros para realizar agrupamientos de datos y usar los resultados de estas agrupaciones para seleccionar as ́ı la información más útil para los modelos de ARIMA y Redes Neuronales.
