Aprendizaje estadístico en la optimización de estrategias de inversión: un análisis de Random Forest y Extreme Gradient Boosting en la predicción de la dirección de la Bolsa de Valores de Nueva York

Abstract

Este estudio investiga el uso de los modelos de Aprendizaje Automático (Machine Learning, ML) Random Forest y Extreme Gradient Boosting en la predicción y análisis de nueve acciones y un índice de la bolsa de valores de Nueva York durante el 2022 y se realiza una comparación con el modelo Auto Regresivo de Medias Móviles (ARIMA). A pesar de la capacidad de los modelos de ML para manejar grandes conjuntos de datos, los modelos ML presentan limitaciones en la interpretabilidad y en la comprensión de la estructura de los datos debido a su complejidad. Para la comparación, se utilizó una ventana de entrenamiento basada en los últimos 70 precios de cierre diarios. Los resultados muestran un rendimiento mejorado de los modelos de ML en comparación con el modelo ARIMA, especialmente cuando el rendimiento es evaluado a través del Retorno de la Inversión (ROI) de las estrategias de inversión. A pesar de los desafíos interpretativos, los modelos de ML, con su capacidad para adaptarse a los cambios en el entorno económico, pueden ser herramientas útiles para el análisis de series de tiempo financieras.