Combinación de una red neuronal recurrente LSTM y un modelo GARCH para predecir precios, volatilidad y rendimientos en 100 acciones del S&P 500

Abstract

Sabemos que el mercado bursátil es un campo dinámico y complejo, donde los inversores buscan encontrar oportunidades para maximizar sus beneficios durante la operación de compra y venta de acciones. Sin embargo, tomar una decisión en este entorno siempre será desafiante debido a la gran cantidad de información disponible y la volatilidad que existe en el precio de los activos. Los estados financieros, el balance general, estado de resultado, estado de flujo de efectivo, entre otros informes e indicadores son de gran ayuda para poder analizar de manera fundamental una compañía. Esta información es importante porque se pueden diseñar indicadores claves para tener una referencia sobre el comportamiento de una industria y el valor de un sector determinado. Por otra parte sabemos que la industria financiera ha tenido un crecimiento importante en el uso de la inteligencia artificial que llamaremos de aquí en adelante como (IA)1. En base a lo anterior nos podemos hacer las siguientes preguntas: ¿La IA se puede considerar una herramienta clave en la toma de decisiones en el análisis cuantitativo de las acciones? ¿Es posible encontrar correlaciones con los modelos naturales de observación? Por esto veremos si estos modelos pueden ofrecer una vista alternativa para la toma de decisión de compra o venta de un valor bursátil en el mercado de capitales. Estudios previos han demostrado que los modelos predictivos basados en IA pueden ofrecer beneficios bastante significativos para las instituciones o inversores que utilicen estas herramientas en el mercado bursátil. Por ejemplo, investigaciones académicas y experimentos en la industria financiera han revelado que los modelos de aprendizaje automático y las técnicas de IA pueden capturar patrones complejos en los datos históricos del mercado y generar predicciones precisas sobre los precios de los activos. A pesar de los avances en el uso de la IA en el mercado bursátil, aún existen desafíos y preguntas sin resolver que requieren una investigación más profunda. Por lo tanto, se intentará resolver preguntas sobre ¿Cómo se puede mejorar la toma de decisiones en el mercado bursátil mediante el uso de modelos predictivos basados en IA? ¿Las redes neuronales recurrentes son más precisas al tomar una decisión de inversión? ¿Un modelo GARCH2 se puede vincular a un modelo RNN-LSTM3? ¿Cómo se pueden validar y evaluar estos modelos para garantizar su efectividad en diferentes escenarios del mercado? Esta investigación se centrará en analizar los resultados de RN-LSTM (Long – Short Term Memory Recurrent Network) determinando precio, volatilidad y rentabilidad del S&P 500 “Standard & Poor’s 500, y combinar los resultados con un modelo GARCH (Generalized Autoregressive Conditional Heteroskedasticity). We know that the stock market is a dynamic and complex field where investors seek to find opportunities to maximize their benefits during the buying and selling of stocks. However, making a decision in this environment will always be challenging due to the large amount of available information and the volatility that exists in asset prices. Financial statements, balance sheets, income statements, cash flow statements, among other reports and indicators, are of great help in fundamentally analyzing a company. This information is important because key indicators can be designed to have a reference on the behavior of an industry and the value of a specific sector. On the other hand, we know that the financial industry has had significant growth in the use of artificial intelligence, which we will refer to henceforth as (AI)4. Based on the above, we can ask ourselves the following questions: Can AI be considered a key tool in decision-making in the quantitative analysis of stocks? Is it possible to find correlations with natural observation models? For this reason, we will see if these models can offer an alternative view for making a decision to buy or sell a stock in the capital market. Previous studies have shown that predictive models based on AI can offer quite significant benefits for institutions or investors who use these tools in the stock market. For example, academic research and experiments in the financial industry have revealed that machine learning models and AI techniques can capture complex patterns in historical market data and generate accurate predictions about asset prices. Despite advances in the use of AI in the stock market, there are still unresolved challenges and questions that require deeper investigation. Therefore, we will attempt to answer questions such as: How can decision-making in the stock market be improved through the use of AI-based predictive models? Are recurrent neural networks more accurate when making an investment decision? Can a GARCH5 model be linked to an RNN-LSTM6 model? How can these models be validated and evaluated to ensure their effectiveness in different market scenarios? This research will focus on analyzing the results of RN-LSTM (Long – Short Term Memory Recurrent Network) determining price, volatility, and profitability of the S&P 500 "Standard & Poor’s 500, and combining the results with a GARCH model (Generalized Autoregressive Conditional Heteroskedasticity).