Aprendizaje profundo para series temporales en finanzas: aplicación al factor momentum
Fecha: mayo 2023
Iván Blanco, Sergio J. García y Álvaro Remesal
Machine learning, Deep learning, Redes neuronales recurrentes, Momentum
Análisis financiero y big data
Este trabajo demuestra la capacidad predictiva de las redes neuronales recurrentes Long Short-Term Memory (LSTM) para predecir series temporales financieras. Las arquitecturas LSTM son herramientas de predicción de secuencias de datos con escasa implantación hasta ahora en el ámbito académico de las finanzas. Nuestra aplicación de las redes LSTM al factor momentum genera predicciones con R2 fuera de la muestra y ganancias en términos económicos que son superiores al 2 %. Los resultados demuestran el poder predictivo de los modelos LSTM y sirven como punto de partida para analizar de manera más exhaustiva series temporales financieras mediante estas arquitecturas.