La predicción de precios en mercados financieros es una de las aplicaciones más prometedoras y rentables de la Inteligencia Artificial (IA), con inversiones significativas en la búsqueda de sistemas de IA capaces de anticipar los movimientos del mercado. El desarrollo de un sistema de IA que pueda predecir cada vez con mejor precisión los precios del mercado, podría generar ganancias ilimitadas. De esto trata el artículo publicado por Jeff Kearns en el Fondo Monetario Internacional [1] y en el que hace referencia a líderes del sector financiero del nivel de Jamie Dimon, CEO de J.P. Morgan Chase.
En este proyecto, se explora y evalúa el uso de Transformers como alternativas a la tecnología de memoria a largo plazo (LSTM) en el análisis multivariante de series temporales en el sector financiero. Las LSTM son un tipo de red neuronal recurrente (RNN) muy utilizado en las predicciones de series temporales.
El objetivo principal de este proyecto es la comparación entre las diferentes tecnologías actuales de inteligencia artificial para la predicción de series temporales en el ámbito financiero. Para ello, un sub objetivo es desarrollar un transformer con atención multi cabeza capaz de estimar cada vez con mayor precisi´on la evoluci´on de los precios de cierre en un horizonte temporal predefinido y comparar con los resultados de investigaciones similares, valorando sus resultados. Este enfoque innovador se diferencia por la comparación entre el rendimiento de los transformers con atención multi cabeza y la tecnología LSTM, habitualmente utilizada en este tipo de análisis. Los datos utilizados en el entrenamiento del transformer se agrupan en tres categorías: análisis del sentimiento en Twitter/X y Bloomberg, lo que proporciona conocimiento sobre el sentimiento tanto del público aficionado como del profesional; volumen diario de negociación de la acción; y factores relacionados con el precio de la acción. Estos datos son de quince valores incluidos en el índice S&P 500, principal índice bursátil de EE.UU. durante el período comprendido entre 2015 y 2023.
La relevancia de este proyecto en el ámbito financiero radica en su capacidad para aportar perspectivas novedosas sobre las metodologías de predicción de precios y comparativas con lo existente. Al destacar la importancia del volumen bursátil y el sentimiento del mercado en la previsión financiera, se aportan ideas clave para mejorar la toma de decisiones de inversión. Este proyecto tiene el potencial de revolucionar la forma en que los inversores y los analistas financieros abordan la predicción de precios, lo que podría tener un impacto significativo en la toma de decisiones de inversión y en la gestión de riesgos.
Los resultados obtenidos en el proyecto han sido claramente satisfactorios. El estudio de los modelos se ha realizado para predicciones a 5 periodos temporales diferentes: corto plazo (1, 7 y 14 días), medio plazo (30 días) y largo plazo (90 días). Para los periodos más cortoplacistas, las predicciones realizas por los modelos de LSTM han arrojado unos resultados superiores a los del transformer. En cuanto el periodo de tiempo de las predicciones se va ampliando hacia medio y largo plazo, los resultados del transformer pasan a ser superiores a los de las LSTM, llegando incluso a reducir el MSE en más de un 95% con respecto a las LSTM en el periodo de 90 días.
Además, se ha realizado una comparación entre los resultados de este PFG con los resultados de otros dos papers de objetivo similar. El primero de ellos es una comparativa con un modelo que utiliza una red neuronal convolucional (CNN) y el segundo es un modelo LSTM que con análisis de sentimiento trata de predecir los precios de cierre de ciertas acciones.
En resumen, este proyecto busca elaborar una comparación minuciosa entre los sistemas de IA actuales para la predicción de series temporales, añadiendo un sistema innovador que pueda predecir con precisión los precios del mercado, utilizando transformers y análisis multivariante. La comparación con la tecnología LSTM y el enfoque en el sentimiento del mercado y el volumen bursátil como variables clave para la predicción de precios, hacen de este proyecto una contribución significativa en el campo de la Inteligencia Artificial aplicada a las finanzas.
Abstract:
Price prediction in financial markets is one of the most promising and profitable applications of Artificial intelligence, with significant investments in the search for AI (Artificial intelligence) systems capable of anticipating market movements. The development of an AI system that can accurately predict market prices could generate unlimited profits. This is the subject of an article published by Jeff Kearns in the International Monetary Fund [1], in which he refers to financial sector leaders such as Jamie Dimon, CEO of J.P. Morgan Chase.
In this project, the exploration and evaluation of transformers as alternatives to long shortterm memory (LSTM) technology in multivariate time series analysis in the financial sector is conducted. LSTMs are a type of recurrent neural network (RNN) widely used in time series predictions.
The main objective of this project is the comparison between different current artificial intelligence technologies for time series prediction in the financial field. To this end, a sub-objective is to develop a multi-headed attention transformer capable of estimating with increasing accuracy the evolution of closing prices over a predefined time horizon and to compare with the results of similar researches, evaluating their results. This innovative approach differs by comparing the performance of the multi head attention transformers and LSTM technology, commonly used in this type of analysis. The data used in training the transformer are grouped into three categories: sentiment analysis on Twitter/X and Bloomberg, which provides insight into both amateur and professional public sentiment; daily trading volume of the stock; and factors related to the stock price. This data is for fifteen stocks included in the S&P 500 index, the leading U.S. stock index, over the period from 2015 to 2023.
The relevance of this project in the financial field lies in its ability to provide novel perspectives on price forecasting methodologies and comparisons with existing ones. By highlighting the importance of stock market volume and market sentiment in financial forecasting, key insights are provided to improve investment decision making. This project has the potential to revolutionize the way investors and financial analysts approach price forecasting, which could have a significant impact on investment decision making and risk management.
The results obtained in the project have been clearly satisfactory. The study of the models has been carried out for predictions over 5 different time periods: short term (1, 7 and 14 days), medium term (30 days) and long term (90 days). For the shorter term periods, the predictions made by the LSTM models have yielded results superior to those of the transformer. As the time period of the predictions extends towards the medium and long term, the results of the transformer become superior to those of the LSTM, even reducing the MSE by more than 95% with respect to the LSTM in the period of 90 days.
In addition, a comparison has been made between the results of this PFG with the results of two other papers with similar objectives. The first one is a comparison with a model that uses a convolutional neural network (CNN) and the second one is a LSTM model that with sentiment analysis tries to predict the closing prices of certain stocks.
In summary, this project seeks to develop a thorough comparison between current AI systems for time series prediction, adding an innovative system that can accurately predict market prices, using transformers and multivariate analysis. The comparison with LSTM technology and the focus on market sentiment and stock volume as key variables for price prediction make this project a significant contribution to the field of Artificial Intelligence applied to finance.
La predicción de precios en mercados financieros es una de las aplicaciones más prometedoras y rentables de la Inteligencia Artificial (IA), con inversiones significativas en la búsqueda de sistemas de IA capaces de anticipar los movimientos del mercado. El desarrollo de un sistema de IA que pueda predecir cada vez con mejor precisión los precios del mercado, podría generar ganancias ilimitadas. De esto trata el artículo publicado por Jeff Kearns en el Fondo Monetario Internacional [1] y en el que hace referencia a líderes del sector financiero del nivel de Jamie Dimon, CEO de J.P. Morgan Chase.
En este proyecto, se explora y evalúa el uso de Transformers como alternativas a la tecnología de memoria a largo plazo (LSTM) en el análisis multivariante de series temporales en el sector financiero. Las LSTM son un tipo de red neuronal recurrente (RNN) muy utilizado en las predicciones de series temporales.
El objetivo principal de este proyecto es la comparación entre las diferentes tecnologías actuales de inteligencia artificial para la predicción de series temporales en el ámbito financiero. Para ello, un sub objetivo es desarrollar un transformer con atención multi cabeza capaz de estimar cada vez con mayor precisi´on la evoluci´on de los precios de cierre en un horizonte temporal predefinido y comparar con los resultados de investigaciones similares, valorando sus resultados. Este enfoque innovador se diferencia por la comparación entre el rendimiento de los transformers con atención multi cabeza y la tecnología LSTM, habitualmente utilizada en este tipo de análisis. Los datos utilizados en el entrenamiento del transformer se agrupan en tres categorías: análisis del sentimiento en Twitter/X y Bloomberg, lo que proporciona conocimiento sobre el sentimiento tanto del público aficionado como del profesional; volumen diario de negociación de la acción; y factores relacionados con el precio de la acción. Estos datos son de quince valores incluidos en el índice S&P 500, principal índice bursátil de EE.UU. durante el período comprendido entre 2015 y 2023.
La relevancia de este proyecto en el ámbito financiero radica en su capacidad para aportar perspectivas novedosas sobre las metodologías de predicción de precios y comparativas con lo existente. Al destacar la importancia del volumen bursátil y el sentimiento del mercado en la previsión financiera, se aportan ideas clave para mejorar la toma de decisiones de inversión. Este proyecto tiene el potencial de revolucionar la forma en que los inversores y los analistas financieros abordan la predicción de precios, lo que podría tener un impacto significativo en la toma de decisiones de inversión y en la gestión de riesgos.
Los resultados obtenidos en el proyecto han sido claramente satisfactorios. El estudio de los modelos se ha realizado para predicciones a 5 periodos temporales diferentes: corto plazo (1, 7 y 14 días), medio plazo (30 días) y largo plazo (90 días). Para los periodos más cortoplacistas, las predicciones realizas por los modelos de LSTM han arrojado unos resultados superiores a los del transformer. En cuanto el periodo de tiempo de las predicciones se va ampliando hacia medio y largo plazo, los resultados del transformer pasan a ser superiores a los de las LSTM, llegando incluso a reducir el MSE en más de un 95% con respecto a las LSTM en el periodo de 90 días.
Además, se ha realizado una comparación entre los resultados de este PFG con los resultados de otros dos papers de objetivo similar. El primero de ellos es una comparativa con un modelo que utiliza una red neuronal convolucional (CNN) y el segundo es un modelo LSTM que con análisis de sentimiento trata de predecir los precios de cierre de ciertas acciones.
En resumen, este proyecto busca elaborar una comparación minuciosa entre los sistemas de IA actuales para la predicción de series temporales, añadiendo un sistema innovador que pueda predecir con precisión los precios del mercado, utilizando transformers y análisis multivariante. La comparación con la tecnología LSTM y el enfoque en el sentimiento del mercado y el volumen bursátil como variables clave para la predicción de precios, hacen de este proyecto una contribución significativa en el campo de la Inteligencia Artificial aplicada a las finanzas.
Abstract:
Price prediction in financial markets is one of the most promising and profitable applications of Artificial intelligence, with significant investments in the search for AI (Artificial intelligence) systems capable of anticipating market movements. The development of an AI system that can accurately predict market prices could generate unlimited profits. This is the subject of an article published by Jeff Kearns in the International Monetary Fund [1], in which he refers to financial sector leaders such as Jamie Dimon, CEO of J.P. Morgan Chase.
In this project, the exploration and evaluation of transformers as alternatives to long shortterm memory (LSTM) technology in multivariate time series analysis in the financial sector is conducted. LSTMs are a type of recurrent neural network (RNN) widely used in time series predictions.
The main objective of this project is the comparison between different current artificial intelligence technologies for time series prediction in the financial field. To this end, a sub-objective is to develop a multi-headed attention transformer capable of estimating with increasing accuracy the evolution of closing prices over a predefined time horizon and to compare with the results of similar researches, evaluating their results. This innovative approach differs by comparing the performance of the multi head attention transformers and LSTM technology, commonly used in this type of analysis. The data used in training the transformer are grouped into three categories: sentiment analysis on Twitter/X and Bloomberg, which provides insight into both amateur and professional public sentiment; daily trading volume of the stock; and factors related to the stock price. This data is for fifteen stocks included in the S&P 500 index, the leading U.S. stock index, over the period from 2015 to 2023.
The relevance of this project in the financial field lies in its ability to provide novel perspectives on price forecasting methodologies and comparisons with existing ones. By highlighting the importance of stock market volume and market sentiment in financial forecasting, key insights are provided to improve investment decision making. This project has the potential to revolutionize the way investors and financial analysts approach price forecasting, which could have a significant impact on investment decision making and risk management.
The results obtained in the project have been clearly satisfactory. The study of the models has been carried out for predictions over 5 different time periods: short term (1, 7 and 14 days), medium term (30 days) and long term (90 days). For the shorter term periods, the predictions made by the LSTM models have yielded results superior to those of the transformer. As the time period of the predictions extends towards the medium and long term, the results of the transformer become superior to those of the LSTM, even reducing the MSE by more than 95% with respect to the LSTM in the period of 90 days.
In addition, a comparison has been made between the results of this PFG with the results of two other papers with similar objectives. The first one is a comparison with a model that uses a convolutional neural network (CNN) and the second one is a LSTM model that with sentiment analysis tries to predict the closing prices of certain stocks.
In summary, this project seeks to develop a thorough comparison between current AI systems for time series prediction, adding an innovative system that can accurately predict market prices, using transformers and multivariate analysis. The comparison with LSTM technology and the focus on market sentiment and stock volume as key variables for price prediction make this project a significant contribution to the field of Artificial Intelligence applied to finance. Read More
Related posts:
Exploración de métodos de Deep learning para la detección de correo spam
Effects of sliding window variation in the performance of acceleration-based human activity recognition using deep learning models
Optimización de estrategias para mitigación de riesgo de colisión en órbitas terrestres
Advanced modelling of time series multivariate data
Time series forecasting using transformers with sentiment analysis on financial data
Bankrupt PPPs: Is it really so bad? Case study of R-3 and R-5 toll motorways in Spain