Estrategias de inversión basadas en redes neuronales por intervalos

En este proyecto se ha desarrollado una nueva estrategia de inversión aplicando técnicas de machine learning, específicamente redes neuronales por intervalos (iMLP) pertenecientes al aprendizaje supervisado. Debido a que utilizan dicho tipo de datos, esta técnica no ha sido totalmente desarrollada actualmente por lo que se ha intentado ampliar la frontera del conocimiento. Además, se han adaptado los algoritmos iMLP al contexto de la Bolsa para predecir rentabilidades futuras utilizando como entradas los intervalos de las velas japonesas en diferentes periodos temporales.
En primer lugar, se han definido las entradas y salidas de las redes neuronales y se han determinado los procedimientos de entrenamiento y predicción de éstas, además de su estructura y definición de metaparámetros. Además, se ha realizado una exploración de los metaparámetros con el fin de obtener la combinación que proporciona mejores rentabilidades ya que no se ha podido obtener el óptimo por la elevada carga computacional.
Se desarrolla una estrategia de inversión para la cual se usan las salidas de la red neuronal y cuyo objetivo es definir órdenes de compra y venta de acciones en función de dos umbrales de precios. Para desarrollar el modelo de predicción de rentabilidades futuras, se ha seleccionado un conjunto de 20 acciones pertenecientes al sector sanitario, tecnológico, industrial y de bienes de consumo cíclico del NASDAQ y el NYSE que representan distintos comportamientos y capitalizaciones.
Se ha comparado la estrategia de inversión desarrollada iMLP con otras técnicas de machine learning como Buy&Hold, RSI y Bandas de Bollinger. Las rentabilidades obtenidas en el conjunto de 20 acciones aplicando iMLP son superiores a RSI y Bandas de Bollinger pero inferiores a la estrategia de Buy&Hold.
Para los mejores casos, las tasas de eficiencia, cubrimiento e iARV muestran mejores resultados que en las Bandas de Bollinger lo que indica una mayor precisión y menor volatilidad en la predicción.

In this project, a new investment strategy has been developed by applying machine learning techniques, specifically interval neural networks (iMLP) belonging to supervised learning. Due to the use of this type of data, this technique has not been fully developed at present, so an attempt has been made to extend the knowledge frontier. In addition, iMLP algorithms have been adapted to the context of the stock market to predict future returns using as inputs the intervals of the Japanese candlesticks in different time periods.
First, the inputs and outputs of the neural networks have been defined and their training and prediction procedures have been determined, as well as their structure and meta-parameters definition. In addition, an exploration of the meta-parameters has been carried out in order to obtain the combination that provides the best profitability, since it has not been possible to obtain the optimum due to the high computational load.
An investment strategy is developed for which the outputs of the neural network are used and whose objective is to define buy and sell orders of shares according to two price thresholds. To develop the model for predicting future returns, a set of 20 stocks belonging to the NASDAQ and NYSE healthcare, technology, industrial and cyclical consumer goods sectors representing different behaviors and capitalizations have been selected.
The developed iMLP investment strategy has been compared with other machine learning techniques such as Buy&Hold, RSI and Bollinger Bands. The returns obtained on the set of 20 stocks applying iMLP are higher than RSI and Bollinger Bands but lower than the Buy&Hold strategy.
For the best cases, the efficiency, hedging and iARV rates show better results than Bollinger Bands, indicating higher accuracy and lower volatility in the prediction.