De acuerdo a la hip\u00f3tesis de mercados eficientes, los mercados de valores son \u201cinformacionalmente eficientes\u201d cuando los participantes que intervienen en \u00e9stos compiten entre s\u00ed, generando un equilibrio tal que los precios del mercado de un t\u00edtulo dado se corresponden con su precio te\u00f3rico o intr\u00ednseco. Estos precios reflejar\u00e1n toda la informaci\u00f3n disponible para el mercado, y se ajustan r\u00e1pidamente a la nueva informaci\u00f3n que surgiera.
\nUna implicancia de esta teor\u00eda 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 informaci\u00f3n pasada.<\/p>\n
Este trabajo busca poner a prueba esta teor\u00eda. 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 acci\u00f3n genera una predicci\u00f3n para precio ajustado al cierre del siguiente d\u00eda h\u00e1bil.
\nA fines de realizar la mejor predicci\u00f3n posible, se busca el modelo \u00f3ptimo, que ser\u00e1 aquel que minimice una funci\u00f3n de p\u00e9rdida, para cada acci\u00f3n. Luego, se comparan los precios reales con la predicci\u00f3n de cada modelo, y se presentan los resultados junto a medidas de resumen que permitan comprender mejor su precisi\u00f3n.<\/p>\n
Palabras clave: Inteligencia artificial – Machine Learning – Finanzas – Predicci\u00f3n – Acciones<\/p>\n
Autores: Lucas Alejandro Gerez y Facundo Tannur\u00e9
\nDirector: Santiago Foguet<\/p>\n