Pedreros Meza, Daniel2026-09-232026-09-232026-08https://repositorio.usm.cl/handle/123456789/79265Esta investigación evalúa si la incorporación de retornos generados dentro y fuera del período bursátil mejora la predicción mediante redes LSTM optimizadas con Optuna. Se analizan el retorno de cierre a cierre (Close-to-Close, CtC), el retorno nocturno (Close-to-Open, CtO) y el retorno intradiario (Open-to-Close, OtC) en una muestra aleatoria de 50 acciones del S&P 500, utilizando datos descargados entre el 1 de mayo de 2020 y el 15 de mayo de 2026. Se estiman 12 configuraciones por activo que, para cada retorno objetivo, comparan la versión que utiliza solo dicho retorno con distintas combinaciones de las otras variables. Los datos se dividen cronológicamente en entrenamiento, validación y un conjunto de prueba fijo de 304 días bursátiles. Primero se comparan RMSE, MAE y Hit Ratio dentro de los tres horizontes; luego se profundiza mediante ARIMA, Random Forest y el Model Confidence Set (MCS) en el grupo que presenta las mejoras descriptivas más consistentes. Este grupo corresponde a las variantes CtC: frente a V1, V2 mejora simultáneamente las tres métricas en 44 acciones y V4 en 42, mientras que V3 lo hace en 7. Las configuraciones orientadas directamente a CtO u OtC alcanzan esta mejora conjunta en un máximo de 13 activos. V2 obtiene menores RMSE y MAE que ARIMA en 48 acciones para ambas métricas y supera a Random Forest en 48 y 47, respectivamente. Además, el MCS retiene V2 en 35 acciones y V4 en 26. Los resultados indican que el CtO disponible en la apertura aporta información relevante para predecir CtC, aunque su efecto depende del activo y no constituye evidencia de rentabilidad económica.This study evaluates whether incorporating returns generated within and outside the regular trading period improves forecasts produced by Optuna-optimized LSTM networks. Close-to-Close (CtC), overnight (Close-to-Open, CtO), and intraday (Open-to-Close, OtC) returns are analyzed for a random sample of 50 S&P 500 stocks using data downloaded between May 1, 2020, and May 15, 2026. For each target return, twelve asset-specific configurations compare the version that uses only the target with different combinations of the other returns. The data are divided chronologically into training, validation, and a fixed test set of 304 trading days. RMSE, MAE, and the directional hit ratio are first compared within all three forecasting horizons; ARIMA, Random Forest, and the Model Confidence Set (MCS) are then used to examine the group with the most consistent descriptive improvements. This group comprises the CtC variants: relative to V1, V2 jointly improves all three metrics for 44 stocks and V4 for 42, whereas V3 does so for 7. Configurations directly targeting CtO or OtC achieve this joint improvement for no more than 13 assets. V2 records lower RMSE and MAE than ARIMA for 48 stocks on both metrics and outperforms Random Forest for 48 and 47 stocks, respectively. The MCS retains V2 for 35 stocks and V4 for 26. The findings indicate that CtO available at the market open provides relevant information for predicting CtC, although its effect is asset-specific and does not imply profitability after transaction costs.62 PáginasesAttribution-NonCommercial 4.0 Internationalhttp://creativecommons.org/licenses/by-nc/4.0/Retorno nocturnoRetorno intradiarioPredicción bursátilModel Confidence Set (MCS)Optuna35609002927898 Trabajo decente y crecimiento económico9 Industria, innovación e infraestructura