Modelos Predictivos para el Mercado Forex

Universidad de Murcia Facultad de Matemáticas

TRABAJO FIN DE MÁSTER

Modelos predictivos para el mercado FOREX

Realizado por:

Alejandro Huertas López

Septiembre 2015

Modelos predictivos para el mercado FOREX

Alejandro Huertas L´opez dirigido por

Francisco Esquembre Mart´ınez, Javier G. Mar´ın-Bl´azquez y Sergio Navarro S´anchez

En memoria de Juan Huertas Ruiz

Los modelos predictivos permiten al usuario estar preparado frente a posibles eventos futuros, aport´andole estimaciones de lo que suceder´a. De esta forma, cuando hablamos de modelos predictivos para el mercado FOREX nos referimos a herramientas que pronosti- quen (con mayor o menor precisi´on) el movimiento futuro de los elementos del mercado.

El mercado FOREX o mercado de divisas es considerado el mercado financiero m´as importante del mundo. Mueve diariamente sumas de m´as de mil millones de d´olares. El objetivo de este trabajo es elaborar una serie de herramientas y modelos que pronostiquen, a pequen˜a escala, el movimiento de los elementos de este mercado. Con pequen˜a escala nos referimos a pron´osticos hora a hora, minuto a minuto, de forma que las estimaciones que lleg´asemos a dar no se viesen muy afectadas por decisiones econ´omicas externas al mercado.

Se hablar´a principalmente de dos tipos de modelos predictivos: los modelos de series temporales y los modelos basados en t´ecnicas de aprendizaje autom´atico.

Los modelos de series temporales se basan en la teor´ıa de procesos estoc´asticos. Suponen que toda serie temporal es una realizaci´on de un proceso estoc´astico, y en consecuencia, elaboran modelos que expliquen el proceso estoc´astico generador de la serie. Este trabajo se centrar´a en la familia de modelos ARIMA, fundamental en el estudio de series tempo- rales y pilar b´asico para la mayor´ıa del resto de modelos. A su vez, y por la naturaleza del problema, se indagar´a en las t´ecnicas de automatizaci´on de estos modelos, elaborando un algoritmo propio que realice todo el estudio serie temporal.

Las t´ecnicas basadas en el aprendizaje autom´atico tratan de crear programas y rutinas capaces de generalizar comportamientos a partir de una informaci´on suministrada en forma de ejemplos experiencia pasada. Se crea as´ı un programa que parte de una serie de modelos de aprendizaje autom´atico (cada uno definido por sus respectivos par´ametros) y mediante el aprendizaje computacional se optimiza cada modelo y se elige aquel que menor error genere en sus predicciones para unos determinados datos. El algoritmo creado permite que para cada elemento del mercado y cada momento se encuentre el modelo adecuado para realizar predicciones.

En conclusi´on, con este trabajo se obtienen diferentes modelos predictivos que pre- sum´ıblemente detectar´an el movimiento futuro del mercado: dos herramientas u´tiles para todo analista experto de mercados financieros.

i

Predictive models help users to get ready against possible future events, providing forecasts about what may happen. In this sense, when we speak of predictive models for FOREX market, we refer to tools that try to forecast (with more or less precision) future moves of the elements of the market.

The FOREX market, or foreign exchange market, is considered as the most important financial market in the world. It manages millions of dollars every day. The main objective of this document is to create tools and models that forecast moves of the elements of the market. These predictions will be at a small scale, i.e. our interest is to predict moves in a short time period, therefore allowing that our predictions are not very affected by external economic decisions.

We will work with two types of predictive models: time series models and machine learning techniques based models.

Time series models are based on stochastic process theory. They assume that each time series is a sample of a stochastic process and, therefore, they create models for the underlying stochastic process that generates the time series. In this work we will focus on ARIMA models, one of the main time series models and the basis for the development of the rest of time series models. Due to the type of problem we work with, we will look for techniques that automatize these models too. Thus, we will create our own algorithm that will perform the whole study.

Machine learning techniques explore the construction and study of algorithms that can learn from data and make predictions on new cases. Such algorithms operate by building a model from example inputs in order to make data-driven predictions or decisions. On this way, we will create a program that, using computational learning, starts with a set of potential models (defined by some parameters) and selects the best model with the the most suitable parameters for the particular data. This complete and automatic algorithm allows making predictions for each element of the market, and for each moment also.

In conclusion, this work shows different predictive models that will detect (hopefully) future moves of the market, providing two useful tools for expert analyst for the financial markets

ii

Resumen

Abstract

1. Introducci´on

I

...