Los mercados financieros son esenciales para el desarrollo económico y una buena predicción de los precios de los valores es crucial para la toma de decisiones informadas. Debido a esto, surge la necesidad de aplicar métodos matemáticos y estadísticos para establecer modelos que permitan generar predicciones precisas de precios de valores financieros.
El principal objetivo de este trabajo es evaluar la capacidad de la plataforma de análisis de datos KNIME para implementar un modelo predictivo efectivo usando las técnicas complejas de análisis de datos en el mundo financiero de una forma eficiente sin ser un experto en programación, facilitando el acceso a un mayor número de usuarios.
Para ello se ha realizado una revisión de los métodos empleados tradicionalmente en los modelos predictivos financieros para acabar analizando las últimas técnicas de aprendizaje profundo basadas en redes neuronales de memoria a largo plazo (LSTM) utilizadas para identificar patrones complejos en series temporales financieras y se ha implementado un prototipo de modelo predictivo de precios de valores basado en LSTM utilizando Python, TensorFlow y Keras en KNIME para analizar la capacidad de la plataforma y el rendimiento del modelo a través de ajustes de parámetros y análisis de series temporales históricas.
La evaluación del prototipo destaca que KNIME permite construir, entrenar, probar y desplegar un modelo de predicción del precio de un valor financiero basado en una red LSTM con un rendimiento aceptable mediante un enfoque visual de desarrollo que simplifica el uso de técnicas complejas y facilita centrarse en el análisis de los datos democratizando el acceso a estos métodos.
Asimismo, se observa que el modelo LSTM es efectivo para predicciones a corto plazo, pero se enfrenta a limitaciones en escenarios de alta volatilidad. La cantidad de datos históricos y el ajuste de los parámetros son críticos para el rendimiento del modelo, con un desempeño óptimo logrado con más de 10,000 días de datos y un número de días de retardo (lags) de 20 días.
Finalmente, se establece una base para futuras mejoras en modelos multivariantes, integración de variables exógenas y otras técnicas que impulsen la utilidad en la toma de decisiones financieras informadas.
Abstract:
Financial markets are essential for economic development and a good prediction of securities prices is crucial for informed decision making. Because of this, the need arises to apply mathematical and statistical methods to establish models to generate accurate price predictions of financial securities.
The main objective of this work is to evaluate the ability of the KNIME data analysis platform to implement an effective predictive model using complex data analysis techniques in the financial world in an efficient way without being an expert in programming, facilitating access to a larger number of users.
For this purpose, a review of the methods traditionally used in financial predictive models has been carried out to end up analyzing the latest deep learning techniques based on long term memory neural networks (LSTM) used to identify complex patterns in financial time series and a prototype of a LSTM-based security price predictive model using Python, TensorFlow and Keras has been implemented in KNIME to analyze the platform capability and the model performance through parameter tuning and historical time series analysis.
The evaluation of the prototype highlights that KNIME allows building, training, testing and deploying a LSTM network-based financial security price prediction model with acceptable performance through a visual development approach that simplifies the use of complex techniques and facilitates focusing on data analysis by democratizing access.
Likewise, the LSTM model is effective for short-term forecasts, but faces limitations in high volatility scenarios. The amount of historical data and parameter tuning are critical for model performance, with optimal performance achieved with more than 10,000 days of data and a number of lag days of 20 days.
Finally, a foundation is laid for future improvements in multivariate models, integration of exogenous variables, and other techniques that drive utility in informed financial decision making.
Los mercados financieros son esenciales para el desarrollo económico y una buena predicción de los precios de los valores es crucial para la toma de decisiones informadas. Debido a esto, surge la necesidad de aplicar métodos matemáticos y estadísticos para establecer modelos que permitan generar predicciones precisas de precios de valores financieros.
El principal objetivo de este trabajo es evaluar la capacidad de la plataforma de análisis de datos KNIME para implementar un modelo predictivo efectivo usando las técnicas complejas de análisis de datos en el mundo financiero de una forma eficiente sin ser un experto en programación, facilitando el acceso a un mayor número de usuarios.
Para ello se ha realizado una revisión de los métodos empleados tradicionalmente en los modelos predictivos financieros para acabar analizando las últimas técnicas de aprendizaje profundo basadas en redes neuronales de memoria a largo plazo (LSTM) utilizadas para identificar patrones complejos en series temporales financieras y se ha implementado un prototipo de modelo predictivo de precios de valores basado en LSTM utilizando Python, TensorFlow y Keras en KNIME para analizar la capacidad de la plataforma y el rendimiento del modelo a través de ajustes de parámetros y análisis de series temporales históricas.
La evaluación del prototipo destaca que KNIME permite construir, entrenar, probar y desplegar un modelo de predicción del precio de un valor financiero basado en una red LSTM con un rendimiento aceptable mediante un enfoque visual de desarrollo que simplifica el uso de técnicas complejas y facilita centrarse en el análisis de los datos democratizando el acceso a estos métodos.
Asimismo, se observa que el modelo LSTM es efectivo para predicciones a corto plazo, pero se enfrenta a limitaciones en escenarios de alta volatilidad. La cantidad de datos históricos y el ajuste de los parámetros son críticos para el rendimiento del modelo, con un desempeño óptimo logrado con más de 10,000 días de datos y un número de días de retardo (lags) de 20 días.
Finalmente, se establece una base para futuras mejoras en modelos multivariantes, integración de variables exógenas y otras técnicas que impulsen la utilidad en la toma de decisiones financieras informadas.
Abstract:
Financial markets are essential for economic development and a good prediction of securities prices is crucial for informed decision making. Because of this, the need arises to apply mathematical and statistical methods to establish models to generate accurate price predictions of financial securities.
The main objective of this work is to evaluate the ability of the KNIME data analysis platform to implement an effective predictive model using complex data analysis techniques in the financial world in an efficient way without being an expert in programming, facilitating access to a larger number of users.
For this purpose, a review of the methods traditionally used in financial predictive models has been carried out to end up analyzing the latest deep learning techniques based on long term memory neural networks (LSTM) used to identify complex patterns in financial time series and a prototype of a LSTM-based security price predictive model using Python, TensorFlow and Keras has been implemented in KNIME to analyze the platform capability and the model performance through parameter tuning and historical time series analysis.
The evaluation of the prototype highlights that KNIME allows building, training, testing and deploying a LSTM network-based financial security price prediction model with acceptable performance through a visual development approach that simplifies the use of complex techniques and facilitates focusing on data analysis by democratizing access.
Likewise, the LSTM model is effective for short-term forecasts, but faces limitations in high volatility scenarios. The amount of historical data and parameter tuning are critical for model performance, with optimal performance achieved with more than 10,000 days of data and a number of lag days of 20 days.
Finally, a foundation is laid for future improvements in multivariate models, integration of exogenous variables, and other techniques that drive utility in informed financial decision making. Read More
Related posts:
Effects of sliding window variation in the performance of acceleration-based human activity recognition using deep learning models
Time series forecasting using transformers with sentiment analysis on financial data
Desarrollo de un sistema para el análisis de datos geográficos y temporales sobre el medioambiente
Advanced modelling of time series multivariate data
Análisis de series temporales: estudio de casos prácticos en economía
Creación de un modelo de predicción de ventas basado en modelos de redes neuronales recurrentes