Análisis comparativo de modelos paramétricos y no paramétricos para la predicción de valores futuros de acciones financieras de distintos sectores de la economía estadounidense durante el período 2019-2020

Abstract

En el presente trabajo se realiza un análisis comparativo del poder predictivo del modelo Movimiento Browniano Generalizado en contraposición a dos modelos de aprendizaje automático, llamados 'potenciación del gradiente extremo' (XGBoosting) y 'redes neuronales' (NN) aplicados a los precios de acciones financieras. Para ello, en una primera instancia se desarrolla una vista general del comportamiento de los mercados financieros, de los modelos aplicados en finanzas, de su importancia en el análisis de riesgo de mercado y se da una muestra de la disciplina del aprendizaje automático. Luego, cada uno de los modelos se emplean para estudiar 15 acciones de la economía estadounidense en el periodo 2019-2020 y evalúa el beneficio de incorporar nuevos modelos al análisis de riesgo de mercado.

This study deployed a comparative analysis of the financial stock price prediction power between Generalized Brownian Motion and two machine learning models called Extreme Gradient Boosting and Neural Networks. In order to show different performances firstly developed financial markets general insight, the models applied in finance, and is given a brief of the machine learning techniques. Finally, each model is implemented using as input 15 different stocks from the American market between 2019 and 2020 to evaluate the individual performance and compare each other.