Comprobación de la Eficiencia de los Algoritmos Genéticos para la Predicción del Precio de Intel (Testing the Performance of Genetic Algorithms for Predicting Intel Stock Price)

Abstract:     
El estudio a continuación se realizó para analizar cuán capaces son los algoritmos genéticos (GA) para predecir el signo del cambio semanal de la acción Intel, acción que forma parte de las 30 del Indice estadounidense Dow Jones. Se utilizaron varios modelos multivariables dinámicos aplicados a una muestra comprendida entre Marzo 2 de 1998 y Marzo 3 del 2003, y se encontró que el mejor modelo logra una capacidad de predicción extramuestral de 59.5%, siendo significativa. Al hacer una comparación con los resultados que se alcanzan al utilizar modelos econométricos tradicionales, como un modelo ARIMA(1,1,1), este obtuvo un porcentaje de predicción de signo de 52.5% mientras que un modelo multivariable, elegido aleatoriamente, logró un 53%, siendo estos no significativos según el test de precisión direccional de Pesaran y Timmermann (1992). Con esto se entrega evidencia de que a través de los algoritmos genéticos se puede predecir la dirección del precio de las acciones con mejor capacidad que con un modelo econométrico simple y que con uno elegido aleatoriamente.

The purpose of the study was to analyze the performance of genetic algorithms (GA) to predict the sign of weekly price change of Intel stock, one of the Dow Jones Index’s stocks. We applied several dynamic multivariate models to a sample ranging from March 2, 1998 to March 3, 2003, and found that the best model achieved an out-of-sample predictability of 59.5%, being statistically significant. By comparison, a traditional econometric time series model suggested by a Box-Jenkins approach, such as an ARIMA (1,1,1), achieved a sign predictability of 52.5%, while a random multivariate model achieved a 53%, both being non significant according to Pesaran and Timmermann’s Directional Accuracy Test (1992). These results represent evidence that genetic algorithms can predict the direction of stock prices with better performance than econometric models suggested by a traditional approach.

Note: Downloadable document is in Spanish.

Number of Pages in PDF File: 12

Keywords: algoritmos genéticos, Intel, genetic algorithms, análisis técnico, technical analysis

JEL Classification: G10, G14

working papers series