UNIVERSIDAD NACIONAL DEL CALLAO

FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS

“MODELO PREDICTIVO PARA LOS PRECIOS DE LA BOLSA DE

AUTOR:
HIDALGO BELLIDO ANGGIE BETSABE

ASESOR:
INCACARI SANCHO GERBER FEDERICO
CALLAO, 2021
PERÚ1

1
 Resumen

La predicción de acciones ha sido un tema importante en el mundo de las inversiones,

debido a su alto grado de ganancias en corto plazo y a su estrategia de inversión. En estos

tiempos donde nos encontramos en una pandemia impredecible, muchas de las empresas

han disminuido el costo de sus acciones por las grandes pérdidas económicas que el país

está atravesando en momentos muy difíciles, no solo empresas que se encuentran en BVL,

también PYMES, al igual que muchos inversionistas se encuentran vendiendo sus acciones

por miedo a la pérdida total de ellas, pero veamos el lado positivo de la situación, acciones

accesibles y poca demanda de inversionistas, con el estudio necesario de cada empresa y un

modelo predictivo donde me permita observar los precios a futuro y la volatilidad de las

acciones, nos muestra una gran oportunidad para empezar en el mundo de las finanzas, si

somos muy observadores, podemos encontrar una oportunidad ante una calamidad.

La precisión de los modelos de machine learning dependen de la correcta elección de

las variables y técnicas a utilizar, así como también del pre procesamiento que se realice a

la data antes de ser ingresada al modelo, es por esto que en el presente trabajo se realizó

una encuesta a expertos de inversión en la bolsa de valores sobre las variables influyentes

en el comportamiento de una acción minera, producto de ello se identificaron variables

como el precio de los metales, precio de los índices y precio del dólar; las cuales, junto a las

variables fundamentales y técnicas, participaron en la selección de variables mediante el

cálculo del coeficiente de correlación de Pearson en cada una de ellas. Las variables

resultantes fueron ingresadas posteriormente al modelo híbrido propuesto, donde las salidas

de cada una de las técnicas de machine learning utilizadas (redes neuronales artificiales,

máquinas de soporte vectorial para regresión y red neuronal de base radial) formaban parte
2
de la entrada hacia una red neuronal artificial, considerada como técnica principal debido a

que alcanzaba los mejores resultados en la fase experimental.

Palabras Clave: machine learning, volatilidad, inversionistas, acciones

3
 Abstract

Stock prediction has been a major topic in the investment world, due to its high short-

term earnings and investment strategy. In these times where we are in an unpredictable

pandemic, many of the companies have reduced the cost of their actions due to the great

economic losses that the country is going through in very difficult times, not only

companies that are in BVL, but also SMEs, by Like many investors, they find themselves

selling their shares for fear of their total loss, but let's see the positive side of the situation,

accessible shares and little demand from investors, with the necessary study of each

company and a predictive model where it allows me to observe the future prices and the

volatility of the shares, shows us a great opportunity to start in the world of finance, if we

are very observant, we can find an opportunity in the face of a calamity.

The precision of machine learning models depend on the correct choice of variables

and techniques to be used, as well as on the pre-processing that is carried out on the data

before being entered into the model, which is why in the present work it was carried out a

survey of investment experts in the stock market on the variables influencing the behavior

of a mining share, as a result of which variables such as the price of metals, the price of

indices and the price of the dollar were identified; which, together with the fundamental

and technical variables, participated in the selection of variables by calculating the Pearson

correlation coefficient in each of them. The resulting variables were subsequently entered

into the proposed hybrid model, where the outputs of each of the machine learning

techniques used (artificial neural networks, vector support machines for regression, and

radial-based neural network) were part of the input to a network. artificial neuronal,

4
considered as the main technique because it achieved the best results in the experimental

phase.

Keywords: machine learning, volatility, investors, stocks

5
 INTRODUCCIÓN

Las tecnologías que se han desarrollado por las últimas décadas han influenciado

muchos aspectos de la vida actual, cambiando el enfoque y estilo de algunas de ellas y

creando, en otras, oportunidades antes no posibles. El Internet ha tenido un gran rol en la

apertura del mundo de las inversiones a una mayor cantidad de personas. Mayor número de

canales de información y facilidades para la compra y venta de instrumentos financieros

han sido resultado del desarrollo de las comunicaciones. Hace 10 años, alrededor del 50%

de estadounidenses ya era partícipe del mercado financiero, teniendo a su nombre acciones

comunes de diversas empresas (Gitman, Joehnk y Aguado, 2005, p. 3). Dentro de los

instrumentos financieros, se encuentran las acciones comunes, teniendo entre sus

características principales la flexibilidad y una alta rentabilidad a comparación de otros

instrumentos como los bonos o acciones preferentes. Sin embargo, la característica negativa

más resaltante es el riesgo, pudiendo ser entendido como la variabilidad de un resultado

respecto a su valor esperado (Welch, 2014, p. 123). Esto puede resultar en rentabilidades

menores a las esperadas o incluso negativas, perdiendo parte de las inversiones iniciales.

Por tanto, los precios de las acciones han sido los datos financieros más analizados por de

las últimas décadas, siendo muchas técnicas empleadas con diferentes grados de éxito

(Granger, 1992). Support Vector Machine ha sido una de ellas, mostrando progresos en

pronósticos de datos financieros. El proyecto consiste en implementar un algoritmo de

predicción de precios de acciones basado en Support Vector Machine, que permita a

inversionistas individuales y administradores de fondos mejorar la rentabilidad de sus

inversiones, puesto que la predicción precisa de los precios de los instrumentos financieros

es esencial para tomar mejores decisiones de inversiones con mínimo riesgo (Das y Padhy,

2012)
6
 ANTECEDENTES

Se presenta a continuación el contexto histórico del trabajo de investigación realizado.

En esta parte se describen y analizan las investigaciones previas relacionadas con el tema

de investigación, realizados tanto en el país como en el extranjero.

Antecedentes Nacionales

En la tesis titulada “Sistema inteligente para la predicción del precio diario de las

acciones mineras en la Bolsa de Valores de New York usando un modelo híbrido de redes

neuronales y máquina de soporte vectorial de regresión” realizado por los autores Jessica

Gabriela Huillca Espillico y Renzo Miguel Quispe Álvarez en la Universidad Nacional

Mayor de San Marcos, proponen desarrollar un sistema inteligente para la predicción en la

bolsa de valores es la expectativa del valor futuro de los precios diarios de las acciones en

la Bolsa de valores de New York y se caracteriza por ser incierto, dinámico y no lineal.

Los autores realizaron una encuesta a expertos de inversión en la bolsa de valores sobre

las variables influyentes en el comportamiento de una acción minera, producto de ello se

identificaron variables como el precio de los metales, precio de los índices y precio del

dólar; las cuales, junto a las variables fundamentales y técnicas, participaron en la selección

de variables mediante el cálculo del coeficiente de correlación de Pearson en cada una de

ellas. Las variables resultantes fueron ingresadas posteriormente al modelo híbrido

propuesto, donde las salidas de cada una de las técnicas de machine learning utilizadas

(redes neuronales artificiales, máquinas de soporte vectorial para regresión y red neuronal

de base radial) formaban parte de la entrada hacia una red neuronal artificial, considerada

como técnica principal debido a que alcanzaba los mejores resultados en la fase

experimental.

7
 Segunda tesis titulada “Desarrollo de un modelo para la predicción del precio del cobre

empleando herramientas de Machine Learning” realizada por la autora Almudena Fosca

Gamarra en la Pontificia Universidad Católica del Perú, propone el pronóstico de acciones,

índices bursátiles y commodities, pudiendo comparar y contrastar los resultados obtenidos

al aplicar diversos algoritmos. De esta forma, emplea los estudios previos presentados

como base para la ejecución y selección del modelo en esta tesis. Asimismo, de manera

más detallada se presentan los factores más importantes en el comportamiento del precio de

un commodity.

Antecedentes Internacionales

En la tesis titulada “Predicción de valores de bolsa mediante minería de datos para

mercado de alta frecuencia” del autor Isabel Vegas Villalmanzo de la Universidad

Politécnica de Madrid nos habla en este caso otro método para predecir, utiliza la minería

de datos para un modelo de predicción de precios de valores bursátiles.

Estimará valores con una frontera de unos minutos, de forma que la conexión física

entre servidores no sea tan determinante.

Para conseguir esto, analizarán los datos históricos intradía de diferentes valores con el

fin de encontrar:

 Relaciones existentes entre distintos valores bursátiles (correlaciones). De esta

forma un determinado valor podría ser predictor adelantado/retrasado de otro valor o

confirmador de la tendencia.

 Evolución de un valor basado en los propios datos anteriores de ese valor.

 Evolución de un valor a partir de lo que nos indican diversos indicadores técnicos,

como osciladores, indicadores de tendencia e indicadores.

8
 En la tesis titulada “Pronóstico del precio de acciones de la empresa First Solar

mediante redes neuronales artificiales” sustentada por el autor Stefano Andrés Simi Salinas

de la Universidad Técnica Federico Santa María, Valparaíso – Chile. En esta tesis nos

presentan un modelo de redes neuronales para predecir diariamente variaciones en el precio

de una acción de la empresa First Solar, empresa perteneciente al sector de energías

renovables, sector de la economía que busca ser potenciado en momentos de incertidumbre

y crisis financiera como vía de escape para esta situación, también analizar el

comportamiento del precio de la acción de First Solar en el período previo a la crisis y en el

período de crisis, analizar el impacto de esta en el rendimiento de la empresa. Y por otro

lado realizar una comparación entre el desempeño del precio de la acción y el NASDAQ,

representado por el Nasdaq Composite (^IXIC), su principal índice.

Justificación del problema

El trabajo presente con la finalidad de pronosticar la probabilidad del precio de las

acciones disminuya o incremente. El inversor asume este riesgo con la esperanza de obtener

un rendimiento apreciable. 

Una medida de riesgo utilizada para valorar activos es la volatilidad, que es una

medida de la variabilidad de las cotizaciones de dicha acción. A mayor variabilidad, mayor

volatilidad y, por tanto, habrá un mayor riesgo de caídas de precios y también la posibilidad

de alcanzar rentabilidades más altas. 

Una acción cuya cotización no tuviera oscilaciones en sus precios, o sea, cuyo precio

no sufriera cambios, tendría volatilidad igual a cero. El riesgo total de una acción se puede

descomponer en:

9
  Riesgo sistémico o riesgo de mercado: deriva de las condiciones macroeconómicas

y del entorno.

 Riesgo específico: son factores que afectan de forma singular al funcionamiento de

la empresa, tales como el nivel de endeudamiento, las expectativas de ventas, el plan

estratégico, la regulación, etc. 

Para medir el riesgo sistémico o de mercado se calcula la beta de la acción, que explica

en qué medida la rentabilidad de una acción y la rentabilidad del mercado bursátil se

mueven en consonancia: 

o Beta = 1. La acción se mueve en consonancia con el índice. 

o Beta > 1. La acción es más volátil que el índice.

o Beta < 1. La acción es menos volátil que el índice. 

Ahora, ¿por qué invertir en acciones? Pese a que la pandemia del coronavirus ha

afectado directamente las bolsas de valores a nivel mundial, la disminución en el valor de

muchas acciones podría resultar una buena oportunidad para aquellos inversionistas que

están dispuestos a generar una ganancia en el largo plazo. Cuando se vive una época de alta

volatilidad e incertidumbre como esta, cuando son más las noticias negativas (como el

existir de una recesión o un posible rebrote), en la Bolsa de Valores se da un escenario de

alta oferta -personas dispuestas a vender sus acciones- y poca demanda -personas

dispuestas a comprar y/o pagar un alto precio por dichas acciones. Las acciones dependen

de la ley de la oferta y demanda. Es decir, si hay menos compradores (menor demanda) los

10
precios caen para atraer inversores (mayor oferta). De otro lado, si los compradores

aumentan (mayor demanda) los precios suben (menor oferta).

En el periodo abril a agosto de este año, las inversiones han representado solo el 57 %

de las realizadas en el mismo periodo del 2019. Asimismo, aún sigue presente el pesimismo

de los inversionistas por los posibles rebrotes del COVID-19 a nivel mundial. Por tanto,

todavía es un buen momento para invertir en Bolsa. Es casi seguro que los precios de la

mayoría de las acciones se elevarán de aquí a los próximos dos años.

Algunos países tomaron decisiones importantes en política monetaria. El 19 de marzo,

el Banco de Inglaterra decidió bajar la tasa de interés de referencia a 0,10 % (tasa de interés

de referencia bancaria). Además, anunció que inyectaría 200.000 millones de libras

esterlinas al mercado, decisión que fue muy bien recibida por los diferentes sectores

económicos. Por otro lado, el 22 de marzo se anunció en Estados Unidos que se inyectaría

al mercado la cantidad de dinero que fuera necesaria para ayudar al sector financiero, a las

empresas y a las familias; y que se haría todo lo necesario para la transmisión efectiva de la

política monetaria. Francia también habló de la posibilidad de ayudar a las familias y a las

empresas, en tanto que el Banco Central Europeo, el 18 de marzo, indicó que inyectaría 750

billones de euros a la economía europea. Estas acciones fueron determinantes y generaron

un cambio positivo en los inversionistas, quienes sintieron mayor tranquilidad y, a partir de

entonces, todos los índices bursátiles comenzaron a mejorar, a mostrar una tendencia

positiva y una recuperación continua.

Hoy, la Bolsa de Valores de Lima viene mostrando una recuperación de,

aproximadamente, 33,14 % de rentabilidad, mientras que la bolsa peruana muestra una

fuerte, felizmente ha habido cierta recuperación. Por supuesto, nos queda un largo camino

por recorrer y hay una expectativa muy grande por la posibilidad de encontrar una vacuna,

que finalmente aliviaría esta situación. Muchos laboratorios han recibido fondos

significativos por parte de los gobiernos, con el fin de acelerar una cura o vacuna para la

COVID-19. No se ha salido del problema, obviamente, pero la sensación es que se ha

tocado piso y se ha comenzado a mejorar, progresivamente. Ello, debido a la inyección de

liquidez en los países, la búsqueda de una vacuna por parte de varios laboratorios e incluso

la reducción de las tasas de infectados en muchos países. Todo ello ha hecho que se vayan

recuperando los mercados bursátiles.

Se espera una mejora en todas las economías recién para el próximo año, motivo por el

cual se puede tener ganancias significativas en el 2022. En el caso peruano, según el Banco

de América Merrill Lynch, nuestra economía medida por el PBI podría caer 9 % en el

2020; para Barclays, la caída podría llegar a -6,6 %; el estimado de JP Morgan es que

llegue a -8,5 %; el Fondo Monetario Internacional indica que podría estar en -4,5 % y otros

analistas ven una caída de entre 10 % y 15 %. De otro lado, la bolsa peruana también ha

sufrido una caída bastante significativa. Su valor más alto fue el 20 de enero, cuando llegó a

20.734,74 puntos en su índice. A partir de ahí, tuvo una tendencia descendente hasta el 3 de

abril, en que llegó a un valor de 13.538,79 en su índice bursátil, mostrando una caída de

34,70 %, en promedio. A la fecha, ha mostrado una recuperación de aproximadamente

14 %. Para el 2021, nuestro país podría tener una tasa de crecimiento del PBI de 3 % a

4,5 % en promedio, de acuerdo con las medidas económicas que se vienen dando. Esta

recuperación podría ser más rápida, en comparación con los demás países de

12
Latinoamérica, debido a la decisión y a la acción tomadas en su momento por el Gobierno

peruano.

Formulación del problema

Tras la investigación correspondiente de lo que está sucediendo actualmente y en base

a las preguntas de la investigación dada, se logró fijar la existencia de los problemas que se

abordan en este trabajo de investigación.

Problema general

¿Será posible predecir los precios a futuro a un mediano plazo de las acciones de la

Bolsa de Valores de Lima?

Problemas específicos

PE1: ¿Será posible disminuir las pérdidas de los inversionistas en la Bolsa de Valores

de Lima?

PE2: ¿Será posible que al emplear el algoritmo de Support Vector Machine pueda

predecir de manera más acertada posible a mediano plazo el precio a futuro de las acciones

de la Bolsa de Valores de Lima?

PE3: ¿Cualquier persona logrará utilizar el modelo predictivo fácilmente y ser un

inversionista con grandes ganancias?

Objetivos

Implementar y evaluar la factibilidad de un modelo de Support Vector Machine para la

predicción de precios de acciones a mediano plazo en la Bolsa de Valores de Lima.

13
Objetivos específicos

• Identificar los factores que influyen en la predicción de los precios de las acciones en

la Bolsa de Valores de Lima

• Identificar la técnica más adecuada para seleccionar las variables más influyentes en

la predicción de precios de acciones.

• Identificar las técnicas de machine learning propuestas para resolver adecuadamente

el problema de predicción de precios de una acción.

• Identificar y seleccionar las métricas adecuadas para medir la precisión de la

predicción.

Marco

La finalidad de este apartado es presentar los fundamentos sobre los cuales se basó el

proyecto de investigación, se considera en primer lugar el marco teórico donde se hace la

presentación de las teorías que fundamentan la investigación. Luego se presenta el marco

conceptual (o también denominado marco referencial) describiendo y comentando las

teorías y exponiendo la originalidad del trabajo. El marco teórico-conceptual presenta la

articulación de las teorías con los conceptos y experiencias en el problema, marco social

personal, teorías y conceptos para formular hipótesis. Finalmente se presenta la definición

de los términos básicos que sirven como conceptos funcionales en la investigación.

Teórico

El proyecto de investigación desde el punto de vista teórico se fundamenta en dos

teorías de revolante importancia y contemporaneidad, la teoría de inversión en la Bolsa de

Valores de Lima y la teoría de Support Vector Regression.

14
 La teoría de inversión en la Bolsa de Valores de Lima donde podamos entender el

proceso que se realiza al hacer la compra de una acción y los estudios de cada empresa y

desempeño durante los últimos años para observar los cambios y con ello la mejor toma de

decisiones.

HIPOTESIS Y VARIABLES

En esta parte del informe final de investigación, se presentan las hipótesis que se han

utilizado en el proyecto a manera de afirmaciones que han guiado

metodológicamente el desarrollo de la investigación, además se presentan también las

variables utilizadas y sus respectivas operacionalizaciones.

Hipótesis

En este apartado se presentan las hipótesis de trabajo que se formularon para guiar el

desarrollo del proyecto de investigación.

Hipótesis general

Es posible predecir el precio de las acciones de la Bolsa de Valores de Lima en un

corto plazo, transando con acciones volátiles de manera diaria y con un modelo de

predicción basado en Support Vector Regression. Este supuesto se basa en la idea de que el

modelo de redes es capaz de captar patrones conductuales que presenta las acciones de la

Bolsa de Valores de Lima mediante el ingreso del estudio realizado por los últimos 5 años.

15
 MATERIAL Y MÉTODOS

Tipo y diseño de la investigación.

Aquí se establece que tipo de investigación corresponde al proyecto desarrollado

y también se establece de manera detallada el diseño de la metodología de investigación.

Tipo de investigación

Según el objetivo la investigación es de tipo aplicada. Porque, se trata en encontrar

mecanismos o estrategias que permitan lograr un objetivo concreto, el ámbito al que se

aplica es muy específico y bien delimitado.

Según el nivel de profundización en el objeto de estudio, la investigación es de tipo

explicativa. Se trata de crear modelos explicativos en el que puedan observarse secuencias

de causa-efecto.

Según el tipo de datos empleados la investigación es de tipo cuantitativa. Porque se

basa en el estudio y análisis de la realidad a través de diferentes procedimientos basados en

la medición y obtener explicaciones contrastadas a partir de hipótesis. Los resultados se

basan en la estadística y son generalizables.

Según el grado de manipulación de las variables, la investigación es de experimental,

debido a que se pueden manipular y controlar las variables de estudio.

Según el tipo de inferencia, la investigación es de tipo hipotético-deductivo, porque se

basa en la generación de hipótesis a partir de hechos observados mediante la inducción.

16
 Según el periodo temporal en que se realiza, la investigación es de tipo transversal

porque la comparación de determinadas características o situaciones en diferentes sujetos se

hacen en un momento concreto.

Diseño de la investigación

Para llevar a cabo la investigación se ha considerado obtener un producto concreto que

apoye o resuelva la problemática establecida y además se debe comprobar que este

producto cumple con verificar o contrastar las hipótesis planteadas. Por consiguiente, el

diseño de la metodología de la investigación implica considerar de manera explícita dos

metodologías complementarias, una para el desarrollo del producto y otra para probar las

bondades del producto obtenido.

Metodología para el desarrollo del producto de la investigación.

Paso 1. Recolección de los datos de los clientes para el modelo predictivo.

Recopilar los datos de la volatilidad de las acciones de la Bolsa de Valores de Lima de

los últimos 5 años, mediante encuestas empleando la herramienta del formulario de Google.

El conjunto de datos a trabajar registra a 30 accionistas. La obtención de la data nos

brindara información sobre la actividad de cada acción,

Paso 2. Preparación de la base de datos

Seleccionar y definir las variables predictivas que se utilizaran para el desarrollo del

modelo, estas variables son la codificación concreta de las características que describen la

variable Bolsa de Valores de Lima. Crear la base de datos elaborada en SQL server con los

datos de los accionistas.

Paso 3 Análisis del comportamiento transaccional

17
 Mediante la carga de la data requerida para el análisis del comportamiento

transaccional se debe lograr:

 Desarrollar la confiabilidad de las encuestas realizadas no menor a 0.8 mediante

IBM SPSS Statistics Visor.

Paso 4 Carga y procesamiento de la base de datos al software RapidMiner

Transformar la Base de datos del SQL server a formato .csv para adaptarlo al

software de RapidMiner. Importar y procesar la base de datos con sus variables predictivas

ya definidas del SQL server al software RapidMiner.

Paso 5 Selección y análisis de los algoritmos

Seleccionar los algoritmos de árbol de clasificación y regresión logística que se

utilizará para este modelo de predicción que vienen incluido en el software de RapidMiner.

Generar un análisis de sensibilidad basado en Gini y sistema de validación por muestra

de contraste.

Paso 6 Entrenamiento, ejecución y comparación de los modelos.

En el entrenamiento del modelo se ejecutará el flujo completo la mayor cantidad de

veces con el 80% de la base de datos para mejorar la exactitud de predicción con la ayuda

de los algoritmos utilizando las funciones de índice gini y ganancia de información.

Comparar las predicciones de cada modelo mediante 5 interacciones, elaborando las

tablas de clasificación que muestra la distribución de valores observados y estimados; e

identificar el modelo más eficaz para predecir los precios de la Bolsa de Valores de Lima.

18
 Entregable: Documento del análisis comparativo de las tablas de clasificación de los

algoritmos entrenados.

Paso 7. Evaluación de Resultados

Ejecutar el modelo elegido con mayor eficacia donde se emplearán el 20% de la base

de datos desarrollada.

 Establecer casos de prueba para verificar el funcionamiento ideal del modelo e

interpretar los resultados finales teniendo en cuenta que cumple con el 70 % de eficacia

mínima.

19
 RESULTADOS

Se presenta a continuación los resultados de la confiabilidad de cada variable por

medio de IBM SPSS Statistics Visor

Confiabilidad de la Variable Dependiente

20
Confiabilidad de la Variable Independiente

21
 DISCUSIÓN

Las mejores medidas lo tienen los modelos de análisis técnico y análisis fundamental

cuando se encuentran separados uno del otro, teniendo una performance disminuida cuando

los indicadores son combinados, sea en el modelo que incluye todos los indicadores o el

subgrupo de indicadores.

Algunos motivos de obtener estos resultados pueden ser la redundancia de indicadores

entre ambos tipos de análisis financiero, es decir que los precios parte del análisis técnico

ya incluyen indirectamente la información financiera que contienen los indicadores del

análisis fundamental.

Otro motivo puede ser la correlación que existe entre los indicadores de ambas ramas

de análisis, si el precio sube y tiene buenos indicadores de tendencias de parte del análisis

técnico, puede que ser refleje también en los estados financieros de la empresa, origen del

análisis fundamental.

Sin embargo, si bien los dos primeros modelos de ramas de análisis independientes se

presentan como mejores alternativas, los cuatro modelos muestran resultados aceptables no

muy distintos entre ellos. Por lo que otro análisis de resultados desde un nuevo punto de

vista puede que establezca mejores diferencias entre los modelos. Por tanto, se analizarán

los resultados de los modelos desde el punto de vista: el rendimiento de acciones.

En esta investigación se ha realizado un experimento de predicción de precios

mediante modelos basados en Support Vector Machine y Support Vector Regression. Se

han implementado varios modelos utilizado indicadores del análisis técnico y análisis

fundamental, ambas metodologías utilizadas para el análisis financiero de acciones

comunes en la bolsa de valores.

Los resultados de los modelos de Support Vector Regression son evaluados mediante

indicadores estadísticos como DA, MAE, MAPE y MSE. Los cuatro modelos elegidos, uno

de análisis técnico, otro de análisis fundamental, uno combinado de las dos metodologías y

finalmente un subgrupo de indicadores de último grupo, tienen resultados similares entre sí.

Tienen como resultados promedio una dirección correcta de 60%, un error promedio de 5

dólares, un error porcentual de 10% y un error promedio cuadrado de 120 dólares.

Los resultados de los modelos de Support Vector Machine son evaluados por la

cantidad de veces que se precisó correctamente la dirección del precio futuro con respecto

al inicial. El modelo que mejor performance tuvo fue el del subgrupo de indicadores con

83% de dirección, pero tan solo clasificando 24 acciones de las 320 de forma segura. Los

modelos de análisis fundamental y el modelo de todos los indicadores clasificaron a 133 y

114 acciones con un éxito de alrededor de 66%.

23
 Al no tener claras diferencias entre los modelos, se opta por realizar un análisis de otro

punto de vista, evaluando el rendimiento de las acciones escogidas por el modelo. El

modelo más destacado para rendimientos positivos es el modelo de subgrupo de

indicadores tanto para los modelos basados en Support Vector Regression y en Support

Vector Machine con rendimientos de hasta 18,652% y de 10,5757% respectivamente, en un

contexto donde el conjunto es de 3,9947%

La diferencia entre los modelos es el contexto del mercado, al ser las acciones un

instrumento financiero de inversión, entonces las expectativas son que las rentabilidades

sean positivas. Por tanto, para obtener rendimientos superiores al mercado, no es suficiente

poder 68 predecir la dirección de las acciones, dado por los modelos de Support Vector

Machine, sino se requiere predecir qué tanto subirán los precios de estas acciones, dado por

los modelos de Support Vector Regression.

Otra diferencia es poder predecir rendimientos negativos de acciones, que en este caso

no es posible por los modelos de Support Vector Machine evaluados, pero si por los

modelos de Support Vector Regression desarrollados. El modelo de análisis fundamental

predice con buenos resultados los rendimientos negativos de las acciones.

Por tanto, y por los resultados expuestos en la investigación, se determina que, para el

contexto del problema, un modelo de Support Vector Regression se adecúa más a un

modelo de Support Vector Machine. Asimismo, los modelos Support Vector Regression

propuestos y discutidos en la investigación permiten identificar acciones que tendrían un

24
rendimiento superior al promedio del mercado, objetivo de los inversionistas de la bolsa de

valores.

AGRADECIMIENTOS

A mis familiares por su apoyo incondicional y a mi asesor el Ing. Inacacri Sancho

Gerber Federico por sus orientaciones para lograr realizar este trabajo.

25
 REFERENCIAS BIBLLIOGRÁFICAS

 T. Mitchell (1997) Machine Learning, McGraw-Hill.

 I.H. Witten, E. Frank (2005) Data Mining: practical machine learning tools and

techniques 2nd. Edition. Morgan Kaufmann

 J. Han, M. Kamber (2001) Data Mining: concepts and techniques, Morgan

Kaufmann.

 E. Alpaydin (2010) Introduction to Machine Learning, MIT Press

 C. Bishop (2006). Pattern Recognition and Machine Learning. Springer.

 P. Flach (2012). Machine Learning: The art and science of algorithms that make

sense of data, Cambridge University Press.

 Adext (2018). INTELIGENCIA ARTIFICIAL. [online] Available at:

https://blog.adext.com/es/machine-learning-guia-completa [Accessed 8 May 2018].

 Faggella, D. (2018). 7 Applications of Machine Learning in Pharma and Medicine.

[online] TechEmergence. Available at:

https://www.techemergence.com/machinelearning-in-pharmamedicine/ [Accessed

16 May 2018]. Lab.elmundo.es. (2018). La Inteligencia artificial no es como en las pelculas.

Qu es? | EL MUNDO. [online] Available at: http://lab.elmundo.es/inteligencia-

artificial/quees.html [Accessed 20 May 2018].

26
 Ramon, R. Machine Learning es un área de la inteligencia artificial que busca desarrollar

técnicas para que las computadoras aprendan. (2014). [online] Available at:

https://www.youtube.com/watch?v=jBsUx-xiK88. Martínez, H. Todos podemos

aprender Machine learning. (2017). [online] Available at:

https://www.youtube.com/watch?v=7ClLKBUvmRk. Moreno, S. (2018). Camino hacia

la sociedad de la inteligencia artificial. [online] La Vanguardia. Available at:

http://www.lavanguardia.com/economia/20170119/413499547095/sociedadinteligenciaa

rtificial-the-valley-digital.html [Accessed 30 May 2018].

 Orbyt, E., Vivienda, S., TV, G., inmobiliarias, I., Búho, E., Sergio, R., Plus, C., Médico,

D., Marca, A., eSports, M., Editorial, E., Editorial, U., Empleo, E. and Editorial, E.

(2018). Elon Musk: "Hay que regular la inteligencia artificial antes de que se convierta

en un peligro". [online] ELMUNDO. Available at:

http://www.elmundo.es/tecnologia/2017/07/18/596dc3acca4741ea3b8b45a0.html

[Accessed 17 May 2018].

 SearchDataCenter en español. (2018). ¿Qué es Inteligencia artificial, o AI? - Definición

en WhatIs.com. [online] Available at:

https://searchdatacenter.techtarget.com/es/definicion/Inteligencia-artificial-o-AI

[Accessed 14 May 2018].

 Synergic Partners (2018). Una Breve Historia del Machine Learning. [online] Available

at: http://www.synergicpartners.com/una-breve-historia-del-machinelearning/ [Accessed

8 May 2018].

27