Loading...
Un enfoque cuantitativo para la predicción de precios de acciones
Fava, Gabriel Joaquin
Fava, Gabriel Joaquin
Type
Tesis de maestría
Citations
Altmetric:
Abstract
"Esta tesis evalúa si la incorporación de 24 variables fractales mejora el desempeño de modelos de aprendizaje automático para la predicción de retornos diarios de acciones y si dicha mejora se traduce en resultados económicos superiores. El análisis cubre un panel de 180 tickers de 11 sectores del mercado estadounidense (S&P 500) con datos diarios entre enero de 2011 y marzo de 2026. Los modelos base, construidos con atributos técnicos estándar como retornos rezagados, volatilidad histórica y medias móviles, se comparan contra variantes enriquecidas con atributos fractales organizados en cinco grupos: memoria de largo plazo, dimensión fractal, entropías, análisis multifractal y complejidad del sistema. Los tres algoritmos evaluados son XGBoost, LSTM y Random Forest.
Los resultados muestran que los tres modelos mejoran al incorporar atributos fractales, aunque con magnitudes distintas según la arquitectura. XGBoost lidera con una reducción del 8,1% en RMSE y 9,2% en MAE (p = 0,003, d = 0,87), consistente en los once sectores del universo. Random Forest exhibe una mejora moderada del 4,3% en RMSE y 4,9% en MAE (p = 0,087), positiva pero sin alcanzar significación al 5%. El LSTM muestra la reducción más contenida, 2,9% en RMSE y 2,8% en MAE (p = 0,041). La mejora es mayor en sectores con Hurst promedio superior a 0,515 (Energía, Materiales, Tecnología) y se atenúa en sectores con baja persistencia como Consumo Básico y Servicios Públicos. La partición 2019–2022, con Hurst de 0,508, es el período de menor beneficio para todos los modelos. Para XGBoost, la mejora estadística se traslada además al plano económico, aunque la sub-hipótesis H1c (Sharpe ratio) queda en el límite del umbral de significancia (p = 0,051), lo que lleva a una confirmación con matices del criterio global H1.
Se concluye que las variables fractales constituyen un componente complementario cuyo valor depende críticamente del algoritmo elegido: su utilidad se materializa plenamente en modelos que explotan interacciones secuenciales, como XGBoost, y se atenúa en enfoques de promediado independiente. No reemplazan al modelo base con atributos técnicos, pero aportan información relevante cuando el mercado exhibe dependencia temporal estadísticamente detectable".
Description
Date
2026-06-11
Journal Title
Journal ISSN
Volume Title
Publisher
Instituto Tecnológico de Buenos Aires (ITBA)
Collections
Files
Loading...
Tesis Fava Gabriel.pdf
Adobe PDF, 3.2 MB
Research Projects
Organizational Units
Journal Issue
Keywords
EXPONENTE DE HURST, ANÁLISIS FRACTAL, PREDICCIÓN DE RETORNOS, APRENDIZAJE AUTOMÁTICO, XGBOOST, LSTM, RANDOM FOREST, POTENCIACIÓN POR GRADIENTE, MERCADOS FINANCIEROS, MEMORIA DE LARGO PLAZO, HIPER PARÁMETROS, OPTIMIZACIÓN BAYESIANA