Rodríguez-Reyes, Luis R.Tinoco-Figueroa, Sergio2025-01-312025-01-312024-12Tinoco-Figueroa, S. (2024). Machine learning en mercados financieros: generando predicciones mediante la clasificación lorentziana y vecinos más cercanos aproximados. Trabajo de obtención de grado, Maestría en Ciencia de Datos. Tlaquepaque, Jalisco: ITESO.https://hdl.handle.net/11117/11403Este trabajo aborda el complejo y multivariado problema de predecir la dirección del precio de un activo financiero con el objetivo de generar un indicador tanto de compra como de venta de dicho activo, ofreciendo soluciones específicas para eliminar las suposiciones humanas y reducir las señales falsas al realizar transacciones. El indicador propuesto demuestra su capacidad para categorizar datos históricos en un espacio de características multidimensional, subrayando la utilidad de la Clasificación por Distancia de Lorentz (LDC, por sus siglas en inglés) al predecir la dirección futura de los movimientos de precios mediante la implementación de un algoritmo de Vecinos Más Cercanos Aproximados (ANN, por sus siglas en inglés). Para este estudio, se analizaron datos históricos de precios correspondientes al par dólares por Bitcoin (BCH/USD), abarcando un período de 60 días y una periodicidad de 15 minutos, lo que resultó en la recopilación de más de 5,000 registros de datos. Estos datos permitieron obtener una base sólida para el análisis y entrenamiento del modelo de clasificación. Los resultados obtenidos durante el desarrollo del estudio destacaron la eficacia del LDC, un algoritmo de clasificación de Aprendizaje Automático optimizado a través de un riguroso proceso de pruebas. Tras una ejecución en tiempo real, el modelo logró ejecutar 70 operaciones con una tasa de éxito del 92.86%, alcanzando 65 operaciones ganadoras frente a solo 5 perdedoras. Además, se obtuvo una acumulación total de 3,056.02 PIPs, lo que refleja un rendimiento positivo sostenido en el periodo evaluado. El Ratio de Sharpe fue de 0.13, lo que, aunque indica un riesgo moderado, se compensa por la alta tasa de aciertos y la consistencia de las ganancias. En última instancia, se concluye proponiendo un modelo de aplicación automático basado en sistemas en la nube. Este modelo implementa los algoritmos desarrollados de manera autónoma, generando transacciones de manera eficiente y objetiva. Este enfoque proporciona una herramienta valiosa para mejorar la precisión y la confiabilidad en las decisiones financieras, contribuyendo así al avance y la eficacia de las estrategias de trading en entornos volátiles y complejos como el mercado de criptomonedas.spaMachine LearningAprendizaje AutomáticoClasificaciónMercado FinancieroTrading Algorithminfo:eu-repo/semantics/masterThesis