Estrategias de inversión bursátil basadas en redes neuronales

Este trabajo se centra en crear una estrategia de inversión en bolsa utilizando redes neuronales.
El trabajo se desarrollará en diversas etapas. La primera parte del proyecto se centrará en crear diversas configuraciones de redes neuronales (LSTM, BiLSTM, CNN, RNN, MLP…) para predecir las rentabilidades futuras de las diversas acciones que se encuentran en el índice Russell 3000. Estas redes neuronales se programarán de manera que se puedan utilizar diversos tipos de entrada (valores anteriores de precios o rentabilidades diarias pasadas de la acción, o la evolución temporal del índice de referencia) para predecir el comportamiento de la serie temporal de la rentabilidad de las acciones.
En la segunda parte del proyecto se optimizarán las diferentes redes neuronales creadas. Para ello, se utilizarán algoritmos genéticos (usando diferentes funciones objetivo para este proceso) que permitirán llegar a puntos óptimos locales, guardando la información de los mejores parámetros de la red para futuras mejoras. Una vez optimizadas las redes neuronales, se puede comparar el comportamiento de cada una, discerniendo cual es la mejor opción para la aplicación entre manos.
Por último, se desarrollará una estrategia de inversión sencilla con el objetivo de comprobar si este tipo de acciones generan Alpha al inversor respecto al índice de referencia.

This work focuses on creating a stock market investment strategy using neural networks.
The work will be developed in several stages. The first part of the project will focus on creating various configurations of neural networks (LSTM, BiLSTM, CNN, RNN, MLP...) to predict the future returns of the various stocks found in the Russell 3000 index. These neural networks will be programmed in such a way that various types of inputs (previous price values or past daily stock returns, or the time evolution of the benchmark index) can be used to predict the time series behavior of the stock returns.
In the second part of the project, the different neural networks created will be optimized. For this purpose, genetic algorithms will be used (using different objective functions for this process) that will allow reaching local optimal points, saving the information of the best parameters of the network for future improvements. Once the neural networks have been optimized, the behavior of each one can be compared, discerning which is the best option for the application at hand.
Finally, a simple investment strategy will be developed with the objective of testing whether this type of stock generates Alpha for the investor with respect to the benchmark index.