Thesis: Propuesta para la predicción de precios de los índices bursátiles utilizando redes neuronales profundas con un enfoque de auto-similitud
| dc.contributor.department | Departamento de Industrias | |
| dc.contributor.guia | Kristjanpoller Rodríguez, Werner David | |
| dc.coverage.spatial | Campus Casa Central Valparaíso | |
| dc.creator | Mendoza Riveros, Carlos Bastián | |
| dc.date.accessioned | 2026-10-06T12:49:47Z | |
| dc.date.available | 2026-10-06T12:49:47Z | |
| dc.date.issued | 2022 | |
| dc.description.abstract | Los Índices Bursátiles son de vital importancia para entender el comportamiento de los mercados financieros y económicos de un determinado sector y/o país. En este trabajo se propone mejorar la predicción de precios diarios de los índices S&P 500, DAX, AEX y SMI, realizando un entrenamiento y validación de las redes neuronales profundas de arquitectura MLP, SimpleRNN y LSTM inspirándose en los comportamientos fractales y de Auto-Similitud que existen dentro de las series financieras. Se experimenta con los modelos base entrenados solo con datos diarios y a los modelos propuestos entrenados con datos diarios y re-entrenados con datos intradiarios (frecuencias cada: 60 min, 30 min y 15 min). Se utiliza el test de Diebold Mariano y el Model Confidence Set para verificar la superioridad predictiva de este método. Los resultados indican que para todos los índices y arquitecturas los pronósticos de los modelos propuestos son distintos y superiores a los modelos bases. | es |
| dc.description.abstract | Stock Indices are of vital importance to understand the behavior of the financial and economic markets of a certain sector and country. In this work, we proposed to improve the prediction of daily prices of the S&P 500, DAX, AEX and SMI indices, carrying out a training and validation of the deep neural networks of MLP, SimpleRNN and LSTM arquitecture inspired by the Fractal and Self-Similarity behaviors that exist within the networks. financial series. We experiment with the base models trained only with daily data and the proposed models trained with daily data and re-trained with intraday data (frequencies: 60 min, 30 min and 15 min). The Diebold Mariano test and the Model Confidence Set are used to verify the predictive superiority of this method. The results indicate that for all indices and architectures the forecasts of the proposed models are different and superior to the base models. | en_US |
| dc.description.degree | Magíster en Ciencias de la Ingeniería Industrial | |
| dc.format.extent | 57 páginas | |
| dc.identifier.barcode | MC_CM_2022 | |
| dc.identifier.doi | 10.71959/vsby-6k52 | |
| dc.identifier.uri | https://cris.usm.cl/handle/123456789/4732 | |
| dc.identifier.uri | https://doi.org/10.71959/vsby-6k52 | |
| dc.language.iso | es | |
| dc.publisher | Universidad Técnica Federico Santa María | |
| dc.rights | Attribution-NonCommercial 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0/ | |
| dc.subject | Series financieras | |
| dc.subject | Comportamientos fractales | |
| dc.subject | Auto-Similitud | |
| dc.subject | Datos intradiarios | |
| dc.subject | Test de Diebold Mariano | |
| dc.subject | Model Confidence Set | |
| dc.title | Propuesta para la predicción de precios de los índices bursátiles utilizando redes neuronales profundas con un enfoque de auto-similitud | |
| dc.type.driver | info:eu-repo/semantics/masterThesis | |
| dspace.entity.type | Tesis |
Política de Privacidad 
