Series de tiempo y aprendizaje automático para el pronóstico de precios y rendimientos de las acciones de una empresa peruana en la Bolsa de Valores de Nueva York

• Autor: Evaristo Broncano, Roberto Carlos
• Formato: tesis de maestría
• Fecha de Publicación: 2025
• Institución: Universidad Nacional Mayor de San Marcos
• Repositorio: UNMSM-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.unmsm.edu.pe:20.500.12672/28649
• Enlace del recurso: https://hdl.handle.net/20.500.12672/28649
• Nivel de acceso: acceso abierto
• Materia: Pronóstico; Clasificación; Precios; Rendimiento de las inversiones; Aprendizaje automático; Regresión; Redes neuronales (Computación); https://purl.org/pe-repo/ocde/ford#2.11.02

La investigación tuvo como objetivo comparar las técnicas de series de tiempo y de aprendizaje automático en su capacidad para el pronóstico de precios, rendimientos y la clasificación de altos rendimientos de las acciones de una empresa peruana que cotiza en la Bolsa de Valores de Nueva York, utilizando datos históricos comprendidos entre enero de 2020 y enero de 2023. El estudio abordó tres enfoques analíticos: predicción de precios, predicción de rendimientos y clasificación de rendimientos elevados, para lo cual se construyeron variables derivadas de los precios históricos, tales como rendimientos, medias móviles, ratios de precios, índice de fuerza relativa, bandas de Bollinger y oscilador estocástico. A partir de un análisis histórico iterativo se determinó una ventana óptima de predicción de 20 días, definiéndose como variables objetivo el precio, el rendimiento y la clasificación del rendimiento al día 20. Se implementaron modelos de series de tiempo como ARIMA y modelos de aprendizaje automático, incluyendo regresión, árboles de decisión, random forest, XGBoost, LightGBM, redes neuronales de perceptrón multicapa y redes neuronales recurrentes LSTM y GRU. Los resultados evidenciaron que los modelos basados en aprendizaje automático, especialmente las redes neuronales recurrentes LSTM y GRU, así como XGBoost y LightGBM, alcanzaron mayor precisión tanto en el pronóstico como en la clasificación de altos rendimientos, demostrando un mejor desempeño en contextos caracterizados por alta volatilidad y patrones no lineales complejos, lo que sugiere su potencial como herramientas estratégicas para el análisis financiero y la gestión de portafolios.