Predicción de precios futuros de acciones representativas de la Bolsa Mexicana de Valores (Índice de Precios y Cotizaciones, IPC) mediante técnicas de inteligencia artificial

Abstract

En este trabajo, se presenta una nueva metodología para analizar y predecir el comportamiento de acciones de la Bolsa Mexicana de Valores basada en la concatenación sinérgica de estrategias estadísticas no paramétricas y modelos multiobjetivos de optimización. Esta metodología involucra dos fases, la primera, de filtrado, constituye un proceso automatizado para el análisis, evaluación y selección de la información necesaria y pertinente, para la caracterización del comportamiento de cada acción; posteriormente, la segunda, fase de ajuste del modelo, involucra adaptar y resolver un modelo multiobjetivo para la predicción de precios de las acciones seleccionadas. La base de datos empleada considera el comportamiento de doce acciones representativas en la Bolsa Mexicana de Valores en el periodo 2006 al 2016, el código fuente utilizado se encuentra disponible en “http://bit.ly/396h3J1”; los datos fueron obtenidos de una plataforma especializada sobre mercados financieros en Latinoamérica. Los resultados numéricos obtenidos muestran que la fase de filtrado es capaz de identificar un conjunto compacto de variables relevantes con alta influencia en el precio futuro de cada acción en particular. En la segunda fase, se emplearon los datos del 2016 como valores a predecir sobre el modelo multiobjetivo y, comparado con el modelo de regresión lineal múltiple, se observa una mejora considerable en la calidad de los datos pronosticados, haciendo que el modelo generado a partir de la segunda fase tenga una confiabilidad mayor al 95%.

In this work, a new methodology is presented to analyze and predict the behavior of stocks of the Mexican Stock Market based on the synergistic concatenation of non-parametric statistical strategies and multi-objective optimization models. This methodology involves two phases. The first (filtering) leverages an automated process for the analysis, evaluation, and selection of the necessary and relevant information: for the characterization of the behavior of each action. The second (the model adjustment phase) involves adapting and solving a multi-objective model for the prediction of prices of the selected stocks. The database used in this work includes the behavior of twelve significant stocks in the Mexican stock exchange in the period 2006 to 2016, the source code used is available in “http://bit.ly/396h3J1”; the data was obtained from a specialized financial markets platform for Latin America. The numerical results show that the filtering phase can identify a compact set of relevant variables with a significant influence on the future price of each stock. In the second phase, the data from 2016 is used to predict the multi-objective model, that compared with the multiple linear regression model, provides a considerable improvement in the quality of the predicted observed data. The model generated from the second phase has reliability greater than 95%.