Algoritmo de predicción de los precios del mercado de valores de la bolsa de Nueva York por medio de técnicas de inteligencia artificial implementadas en un sistema embebido

Abstract

RESUMEN: Los mercados financieros se han convertido en una de las mejores oportunidades de inversión, gracias a sus altos niveles de rentabilidad. Para el mercado de valores de la Bolsa de Nueva York, impulsado por la compra y venta de acciones de las empresas que coticen allí, se han dado múltiples desarrollos que proporcionan cierto nivel de ventaja para que un inversionista pueda conocer cómo sería el comportamiento del precio de una acción en un instante futuro. Hoy en día, el 80% de las transacciones que se dan en el mercado son mediante sistemas automáticos, aumentando las ganancias a ritmos acelerados gracias a su aprendizaje constante del comportamiento del precio. Este trabajo se enfocó en la exploración de múltiples modelos de Machine Learning que permitieran pronosticar el precio de una acción, desde modelos regresivos hasta modelos por clasificación, y mediante sus métricas de desempeño se seleccionó el mejor de ellos, tomando como ejemplo la información de Disney durante el año 2020 ya que fue una empresa que se vio afectada por los cierres de sus instalaciones durante la pandemia del COVID-19, por lo tanto, el precio de su acción posee tendencias al alza y a la baja muy pronunciadas que un modelo puede aprovechar para aprender. Una vez seleccionado el modelo, fue necesario seleccionar un sistema embebido óptimo en el que se pudiera ejecutar el modelo en tiempo real, este sistema embebido se seleccionó bajo criterios de consumo energético, consumo de procesamiento y tiempos de procesamiento en diferentes instancias, con el fin de garantizar un funcionamiento óptimo en la placa al momento de conectarse en tiempo real, sin tener problemas de retrasos o bloqueos. Se obtuvo resultados muy positivos sobre un modelo de red neuronal recurrente LSTM implementado en un sistema embebido Raspberry Pi 4, realizando pronósticos al precio de la acción de Disney cada dos minutos en tiempo real y graficando los resultados en un servidor local mediante el navegador web; siendo dos minutos el tiempo mínimo sugerido para utilizar con este tipo de sistemas debido a su bajo procesamiento respecto a un computador de escritorio tradicional, sin embargo, tiempo más que suficiente para que adquiera los datos de la bolsa, pronostique y grafique sus resultados

ABSTRACT: Financial markets have become one of the best investment opportunities thanks to their high levels of profit. For New York’s Stock Exchange, driven by the purchase and sale of shares, there have been multiple developments that provide a certain level of advantage so that an investor can know how the price behavior would be in a future. Today, 80% of transactions that take place in the market are through automatic systems, increasing profits at accelerated rates thanks to their constant learning of price behavior. This work was focused on the exploration of multiple Machine Learning models that would allow forecasting the price of a stock, from regressive models to models by classification, and through their performance metrics the best of them was selected, taking Disney’s stock price as an example during 2020 since it was a company that was affected by the closures of its facilities during the COVID-19 pandemic. Once the model had been selected, it was necessary to select an optimal embedded system in which the model could be run in real time, This embedded system was selected under criteria of energy consumption, processing consumption and processing times in different instances, in order to guarantee optimal operation on the board when connecting in real time, without having problems of delays or blockages. Very positive results were obtained on an LSTM recurrent neural network model implemented in a Raspberry Pi 4 embedded system, making forecasts at the Disney’s stock price every two minutes in real time and graphing the results on a local server using the web browser, being two minutes the minimum time suggested to use with this type of systems due to its low processing compared to a traditional desktop computer, however, more than enough time for you to acquire the data from the stock market, forecast and graph your results.