Proyecto Final: Predicción Binaria de Movimiento de Acciones

Resumen Ejecutivo

Este proyecto implementa un sistema de clasificación binaria para predecir si el precio de cierre de una acción será mayor mañana comparado con hoy. Utilizando técnicas de machine learning vistas en clase, el sistema analiza indicadores técnicos y patrones históricos para generar predicciones del tipo "¿mañana sube?" (1=sí, 0=no).

Definición del Problema

Problemática Identificada

La predicción de movimientos bursátiles es uno de los desafíos más complejos en finanzas cuantitativas. Decidimos abordar este problema por las siguientes razones:

1. Relevancia Práctica: Las decisiones de inversión requieren predicciones sobre direcciones de precios
2. Complejidad Apropiada: Permite aplicar múltiples algoritmos de clasificación vistos en clase
3. Datos Abundantes: Los mercados financieros generan datos continuos ideales para ML
4. Evaluación Clara: Métricas binarias fáciles de interpretar y evaluar

Alcance del Proyecto

• Horizonte de Predicción: 1 día (t+1)
• Tipo de Predicción: Binaria (sube/no sube)
• Activos: Acciones individuales (AAPL, MSFT, NVDA)
• Enfoque: Completamente offline sin dependencias externas

Decisiones de Diseño y Metodología

1. Generación de Datos Sintéticos

Decisión: Crear datos OHLCV sintéticos en lugar de usar APIs financieras reales.

Justificación:

• ✅ Reproducibilidad: Resultados consistentes en cualquier ejecución
• ✅ Independencia: No requiere conexión a internet o claves API
• ✅ Control: Podemos ajustar complejidad y patrones específicos
• ✅ Realismo: Implementamos random walks con drift y momentum como mercados reales

Implementación:

# Random walk con características realistas
def generate_ohlcv(ticker: str, n_days: int, seed: int = RANDOM_STATE):
    # Drift específico por ticker
    mu = DRIFT.get(ticker, 0.0)  # Tendencia de largo plazo
    # Volatilidad específica
    s = SIGMA.get(ticker, 0.012)  # Volatilidad diaria
    # Momentum para simular autocorrelación
    mom = 0.15 * rets[t-1]  # Persistencia de tendencias

2. Ingeniería de Características

Decisión: Usar indicadores técnicos clásicos en lugar de features complejas.

Justificación:

• Interpretabilidad: Los traders entienden RSI, MACD, medias móviles
• Robustez: Indicadores probados durante décadas en mercados reales
• Diversidad: Combinamos momentum, tendencia, volatilidad y volumen
• No-overfitting: Features conocidas reducen riesgo de sobreajuste

Features Implementadas:

Categoría	Indicadores	Justificación
Momentum	ret_1, ret_5, ret_10	Capturan tendencias recientes
Tendencia	sma_5, sma_10, sma_20	Identifican dirección del mercado
Volatilidad	std_5, std_10, std_20	Miden incertidumbre/riesgo
Técnicos	RSI, MACD, signal, histogram	Señales de sobrecompra/sobreventa
Volumen	vol_chg, vol_znorm_20	Confirman movimientos de precio
Temporal	dow (día de semana)	Efectos estacionales conocidos

3. Selección de Algoritmos

Decisión: Comparar Regresión Logística, KNN y Gaussian Naive Bayes.

Justificación por Algoritmo:

Regresión Logística

• ✅ Interpretable: Coeficientes muestran importancia de features
• ✅ Rápida: Entrenamiento y predicción eficientes
• ✅ Probabilidades: Proporciona confianza en predicciones
• ✅ Baseline: Estándar de la industria para clasificación binaria

K-Nearest Neighbors (KNN)

• ✅ No-paramétrico: No asume distribuciones específicas
• ✅ Adaptativo: Captura patrones locales complejos
• ✅ Robusto: Funciona bien con datos no lineales
• ⚠️ Limitación: Sensible a dimensionalidad y ruido

Gaussian Naive Bayes

• ✅ Simplicidad: Asume independencia entre features
• ✅ Eficiencia: Muy rápido con datos pequeños
• ✅ Probabilístico: Maneja incertidumbre naturalmente
• ⚠️ Limitación: Asunción fuerte de independencia

4. Validación Temporal

Decisión: Usar TimeSeriesSplit en lugar de validación cruzada aleatoria.

Justificación Crítica:

# ❌ INCORRECTO para series temporales
from sklearn.model_selection import KFold
cv = KFold(n_splits=5, shuffle=True)  # Mezcla datos temporales!

# ✅ CORRECTO para series temporales
from sklearn.model_selection import TimeSeriesSplit
cv = TimeSeriesSplit(n_splits=3)  # Respeta orden temporal

Por qué es Crucial:

• Previene Data Leakage: No usar información futura para predecir el pasado
• Realismo: Simula condiciones reales de trading
• Validez: Las métricas reflejan performance real esperada

5. Arquitectura del Pipeline

Decisión: Usar scikit-learn Pipelines con ColumnTransformer.

# Pipeline completo
pipe = Pipeline([
    ("preprocessor", ColumnTransformer([
        ("num", StandardScaler(), numerical_features),
        ("cat", OneHotEncoder(), categorical_features)
    ])),
    ("classifier", LogisticRegression())
])

Ventajas:

• ✅ Reproducibilidad: Toda la transformación encapsulada
• ✅ Prevención de Leakage: Scaler se ajusta solo en train
• ✅ Deployment: Pipeline completo guardado en .joblib
• ✅ Mantenibilidad: Código limpio y modular

Resultados y Evaluación

Métricas de Performance

Curvas ROC - Análisis Visual

Figura 1: Curva ROC - Regresión Logística (AUC=0.63)

Figura 2: Curva ROC - K-Nearest Neighbors (AUC=0.57)

Figura 3: Curva ROC - Gaussian Naive Bayes (AUC=0.60)

Resultados Principales

Modelo	Accuracy	Precision	Recall	F1	ROC-AUC
Regresión Logística	0.6250	0.6154	0.7273	0.6667	0.6307
KNN	0.5625	0.5714	0.7273	0.6400	0.5739
Gaussian NB	0.5938	0.5926	0.7273	0.6531	0.6023

Análisis de Resultados

Regresión Logística emerge como el mejor modelo con:

• ROC-AUC: 0.6307 (mejor capacidad discriminativa)
• Recall: 0.7273 (detecta 72.7% de movimientos alcistas)
• Balance: Mejor compromiso precision-recall

Interpretación Financiera:

• Performance moderada refleja la naturaleza ruidosa de predicciones diarias
• ROC-AUC > 0.6 indica capacidad predictiva superior al azar
• Recall alto es valioso para no perder oportunidades de ganancia

Implementación Técnica

Estructura del Proyecto

ProyectoFinal/
├── proyecto_final_bolsa.py    # Script principal
├── dataset_train.csv          # Datos de entrenamiento
├── dataset_test.csv           # Datos de prueba
├── pipeline_*.joblib          # Modelos entrenados
├── files/
│   ├── roc_*.png              # Curvas ROC
│   ├── pipeline_*.joblib      # Modelos entrenados
│   └── dataset_*.csv          # Datos procesados
├── metrics.csv                # Métricas comparativas
├── reporte_resumen.md         # Reporte automático
└── README.md                  # Este documento

Uso del Sistema

# Ejecución básica (3 tickers, 70 días c/u)
python proyecto_final_bolsa.py

# Configuración personalizada
python proyecto_final_bolsa.py --tickers AAPL,MSFT,GOOGL --days 100

# Predicción específica
python proyecto_final_bolsa.py --predict AAPL

Salidas Generadas

1. Datasets: dataset_train.csv, dataset_test.csv
2. Modelos: pipeline_LogisticRegression.joblib, etc.
3. Visualizaciones: Curvas ROC disponibles en files/roc_*.png
4. Métricas: metrics.csv
5. Reporte: reporte_resumen.md

Limitaciones y Consideraciones

Limitaciones Reconocidas

1. Horizonte Corto: Predicciones de 1 día son inherentemente ruidosas
2. Datos Sintéticos: No capturan todos los factores de mercados reales
3. Features Limitadas: No incluye noticias, sentiment, macro-económicos
4. Tamaño de Muestra: ~150 observaciones es pequeño para ML

Consideraciones Éticas y Prácticas

⚠️ ADVERTENCIA: Este proyecto es únicamente educativo. No constituye consejo financiero.

• Riesgo: Los mercados reales tienen factores no modelados
• Regulación: Trading algorítmico requiere cumplimiento normativo
• Costos: Spreads, comisiones y slippage afectan rentabilidad real
• Liquidez: Modelos pueden fallar en condiciones de mercado extremas

Conclusiones y Trabajo Futuro

Conclusiones Principales

1. Viabilidad: Es posible crear sistemas de predicción con herramientas básicas
2. Performance: Resultados moderados pero superiores al azar
3. Metodología: Validación temporal es crucial para datos financieros
4. Interpretabilidad: Regresión Logística ofrece el mejor balance

Extensiones Propuestas

1. Datos Reales: Integrar APIs como Alpha Vantage o Yahoo Finance
2. Features Avanzadas: Sentiment analysis, indicadores macro
3. Modelos Complejos: Random Forest, XGBoost (si se ven en clase)
4. Ensemble: Combinar predicciones de múltiples modelos
5. Backtesting: Simular trading real con costos de transacción

Aprendizajes del Equipo

• Importancia de Validación Temporal: Cambió nuestra comprensión de ML en finanzas
• Balance Complejidad-Interpretabilidad: Modelos simples pueden ser efectivos
• Ingeniería de Features: Domain knowledge es crucial para features relevantes
• Evaluación Realista: Métricas deben reflejar objetivos de negocio

Referencias

1. Scikit-learn Documentation: https://scikit-learn.org/
2. "Advances in Financial Machine Learning" - Marcos López de Prado
3. Technical Analysis Literature (RSI, MACD, Moving Averages)
4. Time Series Cross-Validation Best Practices

---

Equipo de Desarrollo: [Nombres del equipo] Curso: TC3006C - Inteligencia Artificial Avanzada para la Ciencia de Datos I Fecha: Septiembre 2024

Nota: Este proyecto demuestra la aplicación práctica de algoritmos de machine learning en un dominio complejo, respetando las mejores prácticas de validación temporal y evaluación robusta.