Machine Learning aplicado al trading
tipo de documento semantico ckh_publication
Ficheros
Resumen
Con el auge del Big Data en la actualidad están surgiendo nuevas formas y herramientas de análisis, como es el Machine Learning, que ayudan a una mejora en la eficacia y eficiencia de la toma de decisiones.
Este trabajo realiza una síntesis a cerca de múltiples estudios realizados sobre las aplicaciones de Machine Learning en el mundo de las finanzas, centrándose en la actividad de trading. Para ello he realizado una investigación de la literatura académica especializada sobre aplicaciones de Machine Learning. De entre todas las herramientas de Machine Learning se destaca especialmente el uso de las redes neuronales artificiales (RNA), con el fin de comprender cual es la razón del uso de estas herramientas para la labor de análisis de los mercados financieros y predicción de precios.
Como resultado de analizar y comparar las diferentes RNA utilizadas en la labor de predicción de los precios de los diferentes activos financieros se concluye que las redes que mejores resultados ofrecen son las LSTM, ya que tienen en cuenta la variable tiempo.
In the last two decades there has been an increase in the use and importance of Big Data and the tools and different forms of analysis that it brings. One of those tools that is gaining popularity is Machine Learning, which leads to a more efficient and effective way of solving problems and decision making.
The aim of this study is to synthetize multiple studies about Machine Learning applications in finance, focusing on trading and the uses it has for its work. For this purpose, I had carried out a review of the specialized literature about the applications of Machine Learning with artificial neural networks (ANN) as the main tool of this forecasts, with the purpose of having a full understanding about the reasons of using these tools.
After comparing the different ANN used for forecasting the prices of financial assets, I’ve concluded that the best results came from the possibility of taking time into account, given by the LSTM networks.
