Successfully reported this slideshow.
Your SlideShare is downloading. ×

Jugando a ser rico: Machine Learning para predicción de stocks

Ad
Ad
Ad
Ad
Ad
Ad
Ad
Ad
Ad
Ad
Ad

Check these out next

1 of 27 Ad

Jugando a ser rico: Machine Learning para predicción de stocks

Download to read offline

¿Alguna vez has intentado invertir? ¿Te fiaste de un amigo? ¿De un soplo del mercado? En esta sesión veremos cómo aproximamos la predicción del mercado de valores y las diferentes opciones que nos planteamos en proyectos similares (predicción de ventas, stocks, compras...).

¿Alguna vez has intentado invertir? ¿Te fiaste de un amigo? ¿De un soplo del mercado? En esta sesión veremos cómo aproximamos la predicción del mercado de valores y las diferentes opciones que nos planteamos en proyectos similares (predicción de ventas, stocks, compras...).

Advertisement
Advertisement

More Related Content

More from SolidQ (20)

Recently uploaded (20)

Advertisement

Jugando a ser rico: Machine Learning para predicción de stocks

  1. 1. Jugando a ser rico: Machine Learning para predicción de stocks Pau Sempere Sanchez – Mentor – R&D Lead #SQSummit2018 psempere@solidq.com
  2. 2. Agenda  El fantasma de las predicciones futuras  El caso del mercado de stocks  ¿Cómo lo hemos aproximado?
  3. 3. Agenda  El fantasma de las predicciones futuras  El caso del mercado de stocks  ¿Cómo lo hemos aproximado?
  4. 4. El fantasma de las predicciones futuras
  5. 5. El fantasma de las predicciones futuras Para predecir a futuro necesitamos  Tendencia  Periodicidad
  6. 6. El fantasma de las predicciones futuras
  7. 7. Demo Time series
  8. 8. El fantasma de las predicciones futuras
  9. 9. Demo Prediciendo stocks con time series
  10. 10. Agenda  El fantasma de las predicciones futuras  El caso del mercado de stocks  ¿Cómo lo hemos aproximado?
  11. 11. Mercado de valores Análisis “manual” Gran variedad de indicadores  Origen gráfico  Origen “indefinido”  Desconfianzas
  12. 12. Mercado de valores
  13. 13. Cuestión de confianza https://www.theguardian.com/business/2013/apr/23/ ap-tweet-hack-wall-street-freefall Nasdaq perdió 150 puntos en 2013 por una noticia falsa en Twitter ¡Obama! ¡Bomba! ¡Herido! ¡Casa Blanca!
  14. 14. Modelando el mercado de valores  Comportamiento histórico de la acción:  Precios de cierre  Máximos y mínimos  Volúmenes de negocio  Indicadores económicos:  LIBOR, PIB, cambios de divisas…
  15. 15. Modelando el mercado de valores  Noticias  Análisis de sentimiento Análisis técnico:  Medias móviles  Resistencias y soportes  Tendencias
  16. 16. Agenda  El fantasma de las predicciones futuras  El caso del mercado de stocks  ¿Cómo lo hemos aproximado?
  17. 17. Arquitectura
  18. 18. Aproximando con regresores Un time series es un regresor lineal 
  19. 19. Aproximando con regresores Time Series aceptan regresores externos Se convierten en variables extra en la ecuación 𝑦𝑦𝑡𝑡 = 𝑎𝑎1 𝑦𝑦𝑡𝑡−1 + 𝑎𝑎2 𝑦𝑦𝑡𝑡−2 + 𝑎𝑎3 𝑦𝑦𝑡𝑡−3 + 𝑑𝑑1 𝑟𝑟𝑡𝑡−1
  20. 20. Aproximando con regresores Cualquier time series se puede convertir en una predicción de regresión clásica Cada elemento que define el negocio puede añadirse como features de un regresor Cada elemento de las ecuaciones de ARIMA pueden transformarse en features de un regresor
  21. 21. Demo Predicción de stocks con elementos de negocio
  22. 22. Consideraciones La predicción ha de ser realista y útil para negocio Si no tenemos dato, nos lo inventamos lo inferimos
  23. 23. Siguientes pasos  Añadir indicadores técnicos  Tunear algoritmos actuales  Usar Deep Learning
  24. 24. Conclusiones Modelar el negocio es más importante que el algoritmo que se usa El algoritmo tampoco es irrelevante  La manera de hacer el test y la simulación es FUNDAMENTAL
  25. 25. Preguntas
  26. 26. ¡Gracias!

×