| dc.contributor | Linares Ospina, Diego Luis | |
| dc.contributor | Álvarez Vargas, Gloria Inés | |
| dc.creator | García Gallego;, Jeffrey Steven | |
| dc.creator | Gutiérrez Uribe, Jose David | |
| dc.date | 2024-06-17T20:17:35Z | |
| dc.date | 2024-06-17T20:17:35Z | |
| dc.date | 2022 | |
| dc.date.accessioned | 2026-10-15T17:11:54Z | |
| dc.date.available | 2026-10-15T17:11:54Z | |
| dc.identifier | https://vitela.javerianacali.edu.co/handle/11522/2827 | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12032/189352 | |
| dc.description | La predicción de acciones de la bolsa de valores ha sido una actividad que se ha venido realizando de distintas maneras desde la aparición de los mercados de acciones. En la actualidad, con la presente tendencia de la aplicación del aprendizaje automático en distintos campos, se avanza en la investigación de modelos de aprendizaje automático, atributos a tener en cuenta y datos utilizados para realizar una predicción sobre el precio o la volatilidad de una acción en específico. En lo que respecta a los datos utilizados, actualmente, los principales son los datos basados en análisis técnico, análisis fundamental y análisis de sentimientos. Según la literatura, la mayor parte de los estudios e investigaciones en este campo se basan en datos de análisis técnico. Por lo tanto, en este proyecto se buscó explorar el comportamiento de distintas técnicas de aprendizaje automático basadas en datos de análisis técnico y análisis fundamental utilizando un conjunto de acciones de la bolsa de valores estadounidense, pertenecientes a uno de los __índices más importantes el S&P 500. También se exploraron distintos métodos como Análisis de Componentes Principales (PCA por sus siglas en ingles), ventana deslizante y una selección de atributos a través de la literatura. En este estudio se pusieron a prueba estos modelos a través de métricas como la del Error Cuadrático Medio y el Error Absoluto Medio. Estos modelos se sometieron a una prueba que simula una situación real de inversión conocida como backtesting, en el cual se hace uso de la estrategia de comprar bajo y vender alto. Se encontró que la técnica que presentó menor error para análisis técnico fue SVR y para análisis fundamental fue MLP. Sin embargo, en backtesting RF fue la que mayores beneficios obtuvo tanto para análisis técnico como para análisis fundamental. Se plantea que posiblemente las métricas de error en la predicción del precio de una acción no resultan lo suficientemente expresivas como para determinar el desempeño de un modelo en una situación real. | |
| dc.format | 87 p. | |
| dc.format | application/pdf | |
| dc.format | application/pdf | |
| dc.format | application/pdf | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Pontificia Univerisdad Javeriana Cali | |
| dc.rights | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.rights | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.rights | http://purl.org/coar/access_right/c_abf2 | |
| dc.subject | Bolsa de valores | |
| dc.subject | Acción | |
| dc.subject | Análisis fundamental | |
| dc.subject | Análisis técnico | |
| dc.subject | Aprendizaje automático | |
| dc.subject | Predicción | |
| dc.title | Predicción del precio de acciones de la bolsa estadounidense utilizando técnicas de aprendizaje automático basadas en datos de análisis técnico y fundamental | |
| dc.type | http://purl.org/coar/resource_type/c_7a1f | |
| dc.type | Tesis/Trabajo de grado - Monografía - Pregrado | |
| dc.type | https://purl.org/redcol/resource_type/TP | |
