Análisis de obsolescencia mediante test de información mutua sobre modelo de RNN implementado para el forecasting del índice bursátil NASDAQ-100

Abstract

La industria financiera ha integrado el Deep Learning para optimizar los métodos de pronóstico frente a la complejidad de las series temporales financieras. Sin embargo, a pesar de ser fundamentales en la toma de decisiones, estos avances continúan desafiados por la creciente influencia de factores externos como eventos geopolíticos y crisis económicas. Esta tesis profundiza en el uso de redes recurrentes para predecir el precio del índice Nasdaq-100 a partir de las acciones que lo componen, teniendo como un objetivo el estudio del preprocesamiento de los datos de entrada, un aspecto menos detallado en la bibliografía. Además, busca abordar el desafío de la influencia externa en los modelos, teniendo como objetivo principal el estudio de la obsolescencia del modelo mediante un novedoso test basado en información mutua entre las entradas y el residuo del modelo, el cual será validado por la ocurrencia de eventos externos. Para alcanzar estos objetivos, se utilizará la arquitectura recurrente con mecanismos de atención DA-RNN, explorando diferentes técnicas de preprocesamiento como escalados, reducción de ruido, correlaciones, tiempo de muestreo y generación de nuevas variables. Para el estudio de obsolescencia, se empleará la herramienta TSP para la estimación de información mutua, probando diversas configuraciones de ventanas deslizantes para construir las distribuciones de las variables de entrada y residuo, junto con un filtro de falsos positivos basado en muestras adyacentes. Los resultados muestran que el escalado local mejora el rendimiento del modelo, junto con la incorporación de diferencias de primer orden en las acciones del índice. En términos de obsolescencia, se encontró que una ventana deslizante amplia y un filtro de falsos positivos robustecen la detección del test. Además, se subraya la necesidad de reentrenar continuamente el modelo para mantener la calidad de las estimaciones de información mutua. Respecto a la validación de los incrementos de EMI con eventos, se observa una alta correlación con cambios en el comportamiento de los inversores, especialmente en respuesta a noticias sobre la tasa de interés. En conclusión, este estudio establece una base de preprocesamiento útil para futuros trabajos y resalta la importancia de la configuración adecuada de la ventana deslizante y el filtro de falsos positivos en la evaluación de la obsolescencia mediante el test de información mutua. Destaca también que los incrementos de EMI suelen reflejar cambios en el comportamiento de los inversores, sugiriendo su utilidad como herramienta de detección no supervisada.