Aprendizaje profundo para series temporales en finanzas: aplicación al factor momentum

Análisis financiero y big data

26 Pages Posted: 1 Mar 2024

See all articles by Iván Blanco

Iván Blanco

CUNEF University

Sergio J. García

CUNEF Universidad

Alvaro Remesal

CUNEF Universidad

Date Written: May 22, 2023

Abstract

Este trabajo demuestra la capacidad predictiva de las redes neuronales recurrentes Long
Short-Term Memory (LSTM) para predecir series temporales financieras. Las arquitecturas
LSTM son herramientas de predicción de secuencias de datos con escasa implantación
hasta ahora en el ámbito académico de las finanzas. Nuestra aplicación de las redes LSTM al
factor momentum genera predicciones con R2 fuera de la muestra y ganancias en términos
económicos que son superiores al 2 %. Los resultados demuestran el poder predictivo de los
modelos LSTM y sirven como punto de partida para analizar de manera más exhaustiva series
temporales financieras mediante estas arquitecturas.

Note: Downloadable document is in Spanish.

Keywords: machine learning, deep learning, redes neuronales recurrentes, momentum

JEL Classification: C80, G00

Suggested Citation

Blanco, Iván and García, Sergio J. and Remesal, Alvaro and cajas de CECA, Fundación de los bancos y, Aprendizaje profundo para series temporales en finanzas: aplicación al factor momentum (May 22, 2023). Análisis financiero y big data, Available at SSRN: https://ssrn.com/abstract=4668800

Iván Blanco (Contact Author)

CUNEF University ( email )

C/ Leonardo Prieto Castro, 2
Madrid, Madrid 28040
Spain

HOME PAGE: http://cunef.edu/

Sergio J. García

CUNEF Universidad ( email )

Calle de los Pirineos 55
Madrid, 28040
Spain

Alvaro Remesal

CUNEF Universidad ( email )

Calle de los Pirineos 55
Madrid, 28040
Spain

Do you have a job opening that you would like to promote on SSRN?

Paper statistics

Downloads
9
Abstract Views
46
PlumX Metrics