De acuerdo a la hipótesis de mercados eficientes, los mercados de valores son “informacionalmente eficientes” cuando los participantes que intervienen en éstos compiten entre sí, generando un equilibrio tal que los precios del mercado de un título dado se corresponden con su precio teórico o intrínseco. Estos precios reflejarán toda la información disponible para el mercado, y se ajustan rápidamente a la nueva información que surgiera.
Una implicancia de esta teoría es que no es posible para un inversor superar consistentemente los retornos del mercado, y que no es posible predecir el precio futuro de las acciones en base a información pasada.
Este trabajo busca poner a prueba esta teoría. Para esto se utiliza un modelo de Deep Learning, conocido como Long Short-Term Memory (LSTM), el cual basado en precios pasados de la propia acción genera una predicción para precio ajustado al cierre del siguiente día hábil.
A fines de realizar la mejor predicción posible, se busca el modelo óptimo, que será aquel que minimice una función de pérdida, para cada acción. Luego, se comparan los precios reales con la predicción de cada modelo, y se presentan los resultados junto a medidas de resumen que permitan comprender mejor su precisión.
Palabras clave: Inteligencia artificial – Machine Learning – Finanzas – Predicción – Acciones
Autores: Lucas Alejandro Gerez y Facundo Tannuré
Director: Santiago Foguet
