Este trabajo de fin de grado aborda la implementación y comparación de cuatro arquitecturas de redes neuronales aplicadas a la predicción de series temporales bursátiles: Echo State Network (ESN), Kolmogorov-Arnold Network (KAN), Long Short-Term Memory (LSTM) y Liquid Neural Network (LNN). Se emplean precios diarios ajustados de las diez empresas con mayor relevancia en el índice S&P 500, utilizando tres ventanas históricas diferentes (aproximadamente 5, 10 y 13 años). Cada modelo se entrena bajo las mismas condiciones metodológicas, incluyendo la normalización Min-Max, creación de secuencias mediante una ventana deslizante, optimizador Adam, función de coste MSE, parada temprana y ajustes dinámicos en la tasa de aprendizaje. Posteriormente, se evalúa el rendimiento predictivo mediante seis métricas: MSE, RMSE, MAE, MAPE, SMAPE y R², complementando el análisis con gráficas que muestran el ajuste del modelo frente a los datos reales, así como la evolución del error durante el entrenamiento. Finalmente, se realiza una comparación general y detallada entre los modelos, examinando cómo influyen en los resultados factores como la volatilidad específica de cada empresa y la longitud de la ventana histórica. Adicionalmente, se plantean posibles líneas futuras para continuar con esta investigación.
ABSTRACT
This final degree project focuses on the implementation and comparative evaluation of four neural network architectures for stock-price time series forecasting: Echo State Network (ESN), Kolmogorov-Arnold Network (KAN), Long Short-Term Memory (LSTM), and Liquid Neural Network (LNN). The models are trained using adjusted daily prices from the top ten companies in the S&P 500, considering three different historical windows (approximately 5, 10, and 13 years). All models follow an identical methodological setup, including Min-Max normalization, sequence generation through a sliding window, the Adam optimizer, Mean Squared Error loss function, early stopping criteria, and adaptive learning rate adjustments. Predictive performance is assessed with six metrics: MSE, RMSE, MAE, MAPE, SMAPE, and R². The analysis is complemented with visual representations showing model predictions compared to actual data, as well as training and validation error curves. Lastly, a detailed comparison among the four architectures is presented, discussing how factors such as individual stock volatility and historical window length affect the prediction quality. Potential future research directions are also proposed.
Este trabajo de fin de grado aborda la implementación y comparación de cuatro arquitecturas de redes neuronales aplicadas a la predicción de series temporales bursátiles: Echo State Network (ESN), Kolmogorov-Arnold Network (KAN), Long Short-Term Memory (LSTM) y Liquid Neural Network (LNN). Se emplean precios diarios ajustados de las diez empresas con mayor relevancia en el índice S&P 500, utilizando tres ventanas históricas diferentes (aproximadamente 5, 10 y 13 años). Cada modelo se entrena bajo las mismas condiciones metodológicas, incluyendo la normalización Min-Max, creación de secuencias mediante una ventana deslizante, optimizador Adam, función de coste MSE, parada temprana y ajustes dinámicos en la tasa de aprendizaje. Posteriormente, se evalúa el rendimiento predictivo mediante seis métricas: MSE, RMSE, MAE, MAPE, SMAPE y R², complementando el análisis con gráficas que muestran el ajuste del modelo frente a los datos reales, así como la evolución del error durante el entrenamiento. Finalmente, se realiza una comparación general y detallada entre los modelos, examinando cómo influyen en los resultados factores como la volatilidad específica de cada empresa y la longitud de la ventana histórica. Adicionalmente, se plantean posibles líneas futuras para continuar con esta investigación.
ABSTRACT
This final degree project focuses on the implementation and comparative evaluation of four neural network architectures for stock-price time series forecasting: Echo State Network (ESN), Kolmogorov-Arnold Network (KAN), Long Short-Term Memory (LSTM), and Liquid Neural Network (LNN). The models are trained using adjusted daily prices from the top ten companies in the S&P 500, considering three different historical windows (approximately 5, 10, and 13 years). All models follow an identical methodological setup, including Min-Max normalization, sequence generation through a sliding window, the Adam optimizer, Mean Squared Error loss function, early stopping criteria, and adaptive learning rate adjustments. Predictive performance is assessed with six metrics: MSE, RMSE, MAE, MAPE, SMAPE, and R². The analysis is complemented with visual representations showing model predictions compared to actual data, as well as training and validation error curves. Lastly, a detailed comparison among the four architectures is presented, discussing how factors such as individual stock volatility and historical window length affect the prediction quality. Potential future research directions are also proposed. Read More
Related posts:
Scoring Performance on the Y-Balance Test Using a Deep Learning Approach
Transformer DPD for non-linear power amplifiers in multi carrier signals
AI-Driven Model Prediction of Motions and Mooring Loads of a Spar Floating Wind Turbine in Waves and Wind
Three Novel Artificial Neural Network Architectures Based on Convolutional Neural Networks for the Spatio-Temporal Processing of Solar Forecasting Data
Convolutional Neural Networks Adapted for Regression Tasks: Predicting the Orientation of Straight Arrows on Marked Road Pavement Using Deep Learning and Rectified Orthophotography
A comparison of neural-network architectures to accelerate high-order h/p solvers