dc.contributor.advisor | Blázquez Zaballos, Antonio | es_ES |
dc.contributor.author | Argotty Erazo, Humberto Mauricio | |
dc.date.accessioned | 2024-03-18T12:04:03Z | |
dc.date.available | 2024-03-18T12:04:03Z | |
dc.date.issued | 2023 | |
dc.identifier.uri | http://hdl.handle.net/10366/156745 | |
dc.description.abstract | [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. | es_ES |
dc.language.iso | spa | es_ES |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Internacional | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Tesis y disertaciones académicas | es_ES |
dc.subject | Universidad de Salamanca (España) | es_ES |
dc.subject | Tesis Doctoral | es_ES |
dc.subject | Academic dissertations | es_ES |
dc.subject | Análisis Discriminante Lineal (LDA) | es_ES |
dc.subject | Sistemas de negociación algoritmicos | es_ES |
dc.subject | Aprendizaje de máquina | es_ES |
dc.subject | Aprendizaje Automático Supervisado | es_ES |
dc.subject | Pronóstico de Series de Tiempo | es_ES |
dc.subject | Mercado de Intercambio de Divisas (Forex) | es_ES |
dc.subject | Linear Discriminant Analysis (LDA) | es_ES |
dc.subject | Algorithmic Trading Systems | es_ES |
dc.subject | Machine Learning | es_ES |
dc.subject | Supervised Machine Learning | es_ES |
dc.subject | Time Series Forecasting | es_ES |
dc.subject | Foreign Exchange Market (Forex) | es_ES |
dc.title | Modelo de análisis multivariante aplicado a la predicción de la tendencia del tipo de cambio euro-dólar | es_ES |
dc.type | info:eu-repo/semantics/doctoralThesis | es_ES |
dc.subject.unesco | 1209 Estadística | es_ES |
dc.identifier.doi | 10.14201/gredos.156745 | |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | es_ES |
Parcourir
Tout DSpaceCommunautés & CollectionsPar date de publicationAuteursSujetsTitresCette collectionPar date de publicationAuteursSujetsTitres