Aplicación de Redes Neuronales en la predicción diaria de retornos accionarios: Un enfoque de Análisis Híbrido

Abstract

El trabajo de investigación presentado en este documento de tesis desarrolla una aplicación en la Bolsa Mexicana de Valores y pretende predecir los rendimientos diarios que presenta la acción del grupo Alfa S.A.B. de C.V. a través del uso de redes multicapa Feed Forward y el algoritmo Backpropagation. La investigación considera un enfoque de análisis híbrido, que integra tanto variables del análisis fundamental como del análisis técnico, bajo la hipótesis que, con RNA y variables híbridas se proporcionan mejores predicciones que con otros modelos y técnicas. Para dar respuesta a la hipótesis planteada, se identificaron cuidadosamente las variables que explican la variabilidad de la acción, esto a través de técnicas estadísticas como el ACP y los análisis de correlación. Se entrenaron múltiples arquitecturas con variables híbridas y técnicas, al tiempo que se desarrollaron modelos ARIMA para comparar los resultados de cada enfoque y método; de esta manera, se determinó cuál es más precisa. Los hallazgos son importantes en lo que refiere a las predicciones con variables híbridas. A través del estudio empírico, se demostró que la precisión de los pronósticos mejora considerablemente con el enfoque híbrido propuesto en esta tesis, asimismo, la técnica que reflejó ser más precisa es la que utiliza RNA por encima de la técnica ARIMA, resaltando que la segunda, ha sido la más utilizada y aceptada por inversionistas. Los resultados se constituyen en una evidencia significativa para inversionistas de la BMV sobre la posibilidad de emplear herramientas computacionales para facilitar su proceso de toma de decisiones de inversión.