El documento presenta un resumen sobre el uso del machine learning para predecir acciones en el mercado de valores. Explica que se necesitan tendencias y periodicidad para hacer predicciones a futuro, y que tradicionalmente los análisis de acciones se han hecho de forma manual usando varios indicadores. Luego, describe cómo se puede aproximar este problema usando time series y agregando variables externas como indicadores económicos y de sentimiento a los modelos, transformando así los análisis de series temporales en problemas de regresión clásica.

1. Jugando a ser rico: Machine Learning para predicción
de stocks
Pau Sempere Sanchez – Mentor – R&D Lead
#SQSummit2018
psempere@solidq.com

2. Agenda
 El fantasma de las predicciones futuras
 El caso del mercado de stocks
 ¿Cómo lo hemos aproximado?

3. Agenda
 El fantasma de las predicciones futuras
 El caso del mercado de stocks
 ¿Cómo lo hemos aproximado?

4. El fantasma de las predicciones futuras

5. El fantasma de las predicciones futuras
Para predecir a futuro necesitamos
 Tendencia
 Periodicidad

6. El fantasma de las predicciones futuras

7. Demo
Time series

8. El fantasma de las predicciones futuras

9. Demo
Prediciendo stocks con time series

10. Agenda
 El fantasma de las predicciones futuras
 El caso del mercado de stocks
 ¿Cómo lo hemos aproximado?

11. Mercado de valores
Análisis “manual”
Gran variedad de indicadores
 Origen gráfico
 Origen “indefinido”
 Desconfianzas

12. Mercado de valores

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. 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. Modelando el mercado de valores
 Noticias
 Análisis de sentimiento
Análisis técnico:
 Medias móviles
 Resistencias y soportes
 Tendencias

16. Agenda
 El fantasma de las predicciones futuras
 El caso del mercado de stocks
 ¿Cómo lo hemos aproximado?

17. Arquitectura

18. Aproximando con regresores
Un time series es un regresor lineal 

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. 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. Demo
Predicción de stocks con elementos de negocio

22. Consideraciones
La predicción ha de ser realista y útil para negocio
Si no tenemos dato, nos lo inventamos lo inferimos

23. Siguientes pasos
 Añadir indicadores técnicos
 Tunear algoritmos actuales
 Usar Deep Learning

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

26. Preguntas

27. ¡Gracias!