Compartir
Título
Modelo de análisis multivariante aplicado a la predicción de la tendencia del tipo de cambio euro-dólar
Autor(es)
Director(es)
Materia
Tesis y disertaciones académicas
Universidad de Salamanca (España)
Tesis Doctoral
Academic dissertations
Análisis Discriminante Lineal (LDA)
Sistemas de negociación algoritmicos
Aprendizaje de máquina
Aprendizaje Automático Supervisado
Pronóstico de Series de Tiempo
Mercado de Intercambio de Divisas (Forex)
Linear Discriminant Analysis (LDA)
Algorithmic Trading Systems
Machine Learning
Supervised Machine Learning
Time Series Forecasting
Foreign Exchange Market (Forex)
Clasificación UNESCO
1209 Estadística
Fecha de publicación
2023
Resumen
[ES]Predecir los precios y las tendencias de los instrumentos financieros para mejorar la
efectividad de las decisiones de inversión es un reto clave para la industria financiera y
los agentes implicados. Aunque se han utilizado muchas técnicas eficaces de inteligencia
artificial en el análisis de las series de tiempo, el problema de predecir la dirección
del movimiento de los tipos de cambio en el mercado Forex aun requiere soluciones
parsimoniosas, descifrables y precisas. Desde la perspectiva del análisis técnico, esta
investigación presenta una metodología novedosa para clasificar la dirección de la tendencia
de los tipos de cambio. La metodología utiliza puntos de inflexión y datos de
mercado que miden la acción de los precios, junto con las diferencias multidimensionales
entre tendencias, para construir una función lineal discriminante (LDA).
La metodología propuesta consta de cinco fases: preparación de datos, selección
de características, detección de estructuras subyacentes, formulación de una función
discriminante lineal y evaluación del desempeño del modelo con datos dentro y fuera
de la muestra. Los experimentos se realizaron con datos de mercado del tipo de cambio
euro-dólar en marcos de tiempo de 15 minutos y 1 semana, y una colección de puntos
de inflexión del mercado (ET) definidos por un modelo de negociación algorítmico. El
período de muestra va desde enero de 1999 hasta abril de 2023.
En contraste con algunos trabajos notables publicados en la literatura científica
como la Memoria a Corto Plazo (LSTM), el Aprendizaje Profundo por Refuerzo (DRL),
el Análisis Wavelet (WA), el Análisis de Sentimiento de Contenido Textual, las Máquinas
de Vectores de Soporte (SVM) y los Algoritmos Genéticos (GA), la metodología propuesta
logró una precisión de clasificación del 98.77% con datos fuera de muestra. Estos
resultados respaldan la construcción de métodos de clasificación interpretables, generalizables,
precisos y parsimoniosos, lo que sugiere mejoras significativas en el rendimiento
financiero y la reducción del riesgo en las estrategias de negociación. Además, esta
metodología es aplicable en la selección de variables y se adapta fácilmente a otros
activos financieros.
[EN]Predicting the prices and trends of financial instruments to enhance the effectiveness
of investment decisions is a key challenge for the financial industry and stakeholders
involved. While many effective artificial intelligence techniques have been utilized
in time series analysis, the problem of predicting the direction of exchange rate movements
in the Forex market still requires parsimonious, interpretable, and accurate solutions.
From the perspective of technical analysis, this research introduces an innovative
methodology for classifying the direction of exchange rate trends. The methodology
leverages inflection points and market data measuring price action, along with multidimensional
differences between trends, to construct a linear discriminant function
(LDA).
The proposed methodology consists of five phases: data preparation, feature selection,
detection of underlying structures, formulation of a linear discriminant function,
and evaluation of model performance with in-sample and out-of-sample data. Experiments
were conducted using market data for the euro-dollar exchange rate at 15-minute
and 1-week timeframes, and a collection of market inflection points (ET) defined by
an algorithmic trading model. The sample period spans from January 1999 to April
2023.
In contrast to notable works published in the scientific literature, such as Long
Short-Term Memory (LSTM), Deep Reinforcement Learning (DRL), Wavelet Analysis
(WA), Sentiment Analysis of Textual Content, Support Vector Machines (SVM), and
Genetic Algorithms (GA), the proposed methodology achieved a classification accuracy
of 98.77% with out-of-sample data. These results support the development of
interpretable, generalizable, precise, and parsimonious classification methods, suggesting
significant improvements in financial performance and risk reduction in trading
strategies. Additionally, this methodology is applicable in variable selection and easily
adaptable to other financial assets.
URI
DOI
10.14201/gredos.156745
Colecciones