%0 Thesis
%A Prieto Prieto, Roberto
%8 2025/09
%U https://hdl.handle.net/20.500.12880/13633
%X La alta volatilidad de los mercados financieros dificulta la generación de predicciones bursátiles consistentes. Este proyecto aborda esta problemática mediante una comparativa rigurosa de enfoques estadísticos tradicionales (ARIMA, Prophet y SARIMAX), modelos de aprendizaje automático (Random Forest y XGBoost) y modelos de aprendizaje profundo (LSTM y Transformer), aplicados al caso de NVIDIA, empresa líder en inteligencia artificial y con la mayor capitalización bursátil de la historia.

Para ello, se construyó un data warehouse ligero en MongoDB, integrando datos históricos, indicadores técnicos, cotizaciones de otras Big Tech, índices bursátiles globales, indicadores económicos y análisis de sentimiento basado en noticias y Google Trends.

Los modelos fueron entrenados y evaluados en el periodo 2015–2025 mediante validación estática y backtesting, utilizando como referencia un predictor base (aleatorio y de persistencia). El mejor rendimiento global se obtuvo con un modelo SARIMAX, que superó al predictor base en un 17%. En regresión, el mejor resultado correspondió a XGBoost (+2%), mientras que en clasificación destacó un Transformer (+30%).

El proyecto concluye que, dado que algunos modelos han logrado superar al predictor base, los avances recientes en técnicas de inteligencia artificial permiten identificar patrones explotables que cuestionan parcialmente la hipótesis de mercados eficientes. Asimismo, demuestra la viabilidad técnica, económica y legal de una solución íntegramente desarrollada con software libre.

Como entrega final, se desarrolló una aplicación web en Flask que realiza una simulación de operativa bursátil sobre un período histórico de dos meses, estableciendo así las bases para su futura integración en sistemas de negociación automatizada
%T Análisis de modelos predictivos en bolsa
%K Predicción bursátil
%K NVIDIA
%K Series temporales
%K Aprendizaje automático
%~ END