Resumen
Los inversionistas del mercado de valores en Colombia y en cualquier
parte del mundo requieren pronósticos del precio de las acciones. Por
ello se apoya en econometría, estadística y aprendizaje automático. El
pronóstico de mercados financieros generalmente se modela como una
serie temporal donde los datos no son independientes entre sí y la se
cuencia junto con orden temporal son muy significantes.
Como resultado de la revisión de literatura y del preprocesamiento se
obtuvo que las técnicas autoregresivas para series temporales son muy
idóneas para resolver y modelar esta situación.
Eneste estudio se realizó predicción del precio de las acciones de Banco
lombia, Davivienda y Ecopetrol para el segundo semestre de 2023. Los
datos se obtuvieron de https://es.investing.com/ desde el 1 de enero de
2018 hasta el 16 de junio de 2023. Se entrenaron 3 máquinas de aprendi
zaje (una por cada acción), las cuales fueron consumidas por un módulo
web creado en Streamlit.
Para los tres activos, los resultados fueron de alta variabilidad para los
2 primeros meses del segundo semestre y estabilidad sin tendencia (ni
alcista ni bajista) para los cuatro últimos.
Referencias
A. E. Khedr, S.E.Salama y N. Yaseen, «Predicting Stock Market Behavior using Data Mining Tech
nique and News Sentiment Analysis,» International Journal of Intelligent Systems and Applications,
vol. 9, n.o 7, págs. 22-30, jul. de 2017, issn: 2074-9058. doi: 10.5815/ijisa.2017.07.03. dirección:
http://dx.doi.org/10.5815/ijisa.2017.07.03.
Imagina, Diseña y Construye: Revista Apuntes de Ciencia e Ingeniería
Facultad de Ingeniería y Ciencias Básicas
E. Moreno Sarmiento, «Predicción con series de tiempo y regresión,» Panorama, vol. 2, n.o 4, jun. de
, issn: 1909-7433. doi: 10.15765/pnrm.v2i4.262. dirección: http://dx.doi.org/10.15765/
pnrm.v2i4.262.
J. Herrero, Ciencia de datos: técnicas analíticas y aprendizaje estadístico en un enfoque práctico. Alfaomega,
, isbn: 9786075382524. dirección: https://books.google.com.co/books?id=OWUyxQEACAAJ.
y. J. M. C. Alonso-Robisco, Inteligencia artificial y finanzas: una alianza estratégica, Online, 2022. direc
ción: https://www.bde.es/f/webbde/SES/Secciones/Publicaciones/PublicacionesSeriadas/
DocumentosOcasionales/22/Fich/do2222.pdf.
P. Bruce, A. Bruce y P. Gedeck, Estadística práctica para ciencia de datos con R y Python. Marcombo,
, isbn: 9788426734549. dirección: https://books.google.com.co/books?id=IZxeEAAAQBAJ.
J. Devore, PROBABILIDAD Y ESTADISTICA PARA INGENIERIA Y CIENCIAS (Ciencias e ingenie
rías). THOMSON LEARNING, 2001, isbn: 9789706860675. dirección: https://books.google.com.
co/books?id=FJrxngEACAAJ.
S. Raschka y V. Mirjalili, Python machine learning: aprendizaje automático y aprendizaje profundo con
Python, scikit-learn y TensorFlow. Marcombo, 2019, isbn: 9788426727206. dirección: https://books.
google.com.co/books?id=c6a2wgEACAAJ.
P. Fernández y A. Monsalve-Cobis, Introducción al Análisis de Series de Tiempo con Aplicaciones a la
Econometría y Finanzas. ago. de 2015, isbn: 978-980-261-163-8.
R. Pearson, Exploratory Data Analysis Using R (Chapman & Hall/CRC data mining and knowledge
discovery series). CRC Press LLC, 2018, isbn: 9781498730235. dirección: https://books.google.
com.co/books?id=s-N7swEACAAJ.
C. Nantasenamat, A. Biswas, J. Nápoles-Duarte, M. I. Parker y R. L. Dunbrack, «Building bioinfor
matics web applications with Streamlit,» en Cheminformatics, QSAR and Machine Learning Applications
for Novel Drug Development. Elsevier, 2023, págs. 679-699, isbn: 9780443186387. doi: 10.1016/b978
-443-18638-7.00001-3. dirección: http://dx.doi.org/10.1016/B978-0-443-18638-7.00001-3.