Inteligencia artificial y autoaprendizaje para la mejora de modelos predictivos : caso de estudio con el índice S&P500

Abstract

La realización de pronósticos precisos es crucial en la sociedad y en la ciencia, debido a que permiten anticipar tendencias y comprender el impacto de las variables consideradas en el comportamiento futuro de un fenómeno de interés. Este trabajo aborda el desafío de mejorar el desempeño de los modelos predictivos. Para ello, se llevó a cabo una investigación cuantitativa con el objetivo de evaluar la predicción del precio de cierre del índice bursátil S&P500 mediante la aplicación de un modelo Transformer, integrando técnicas de autoaprendizaje. Acorde con lo anterior, se realizó la implementación y optimización del modelo, logrando un error porcentual promedio del 1,52% y un máximo del 4,04% en la predicción de los próximos 60 valores del S&P500. Para mejorar el desempeño se incorporó autoaprendizaje basado en la distancia de Mahalanobis. Así se mejoró el rendimiento al reducir el error a 1,22%, que corresponde a una disminución de 19,67% con respecto al valor antes de incorporar el método mencionado. Comparado con métodos tradicionales, el Transformer demostró una precisión superior, capturando patrones complejos y fue posible ajustar sus resultados automáticamente a través de la distancia de Mahalanobis. Los hallazgos resaltan la importancia de la investigación continua en la predicción de series de tiempo utilizando inteligencia artificial en combinación con técnicas que permitan ajustar los modelos de acuerdo con información histórica y los registros de desempeño. (Tomado de la fuente)

The realization of accurate forecasts is crucial in society and science, as they allow to anticipate trends and understand the impact of variables considered on the future behavior of an interest phenomenon. This work takes the challenge of improving the performance of predictive models. To achieve this, a quantitative research was developed with the objective of evaluating the prediction of the closing price of the S&P500 stock index using a Transformer model, integrating self-learning techniques. In accordance with the above, the implementation and optimization of the model were carried out, achieving an average percentage error of 1.52% and a maximum of 4.04% in the prediction of the next 60 values of the S&P500. To improve performance, self-learning based on Mahalanobis distance was incorporated. Thus, performance was improved by reducing the error to 1.22%, which corresponds to a 19.67% decrease compared to the value before incorporating the mentioned method. Compared to traditional methods, Transformer demonstrated superior accuracy, capturing complex patterns, and it was possible to automatically adjust its results through the Mahalanobis distance. The findings highlight the importance of continuous research in time series prediction using artificial intelligence in combination with techniques that allow models to be adjusted according to historical information and performance records.