Este trabajo aborda la predicción de tendencias en series temporales financieras mediante algoritmos de machine learning y técnicas avanzadas de feature engineering. El objetivo principal fue diseñar y validar un sistema automatizado capaz de generar señales de inversión a partir de un amplio conjunto de indicadores técnicos, optimizados mediante un proceso de selección de características, empleando algoritmos de evolutivos y modelos ML.
Se desarrolló un sistema de adquisición de datos integral que abarca desde la descarga y preparación de datos históricos hasta la construcción de un dataset enriquecido con más de 250 indicadores técnicos y sus variantes. Posteriormente, se aplicó un algoritmo genético bajo un enfoque selección utilizando modelo envolvente para identificar subconjuntos de variables con mayor capacidad predictiva, y se incorporó un ajuste sistemático de hiperparámetros que permitió optimizar rendimiento de los modelos ML. El núcleo principal del sistema fue XGBoost Regressor, validado a través de un extenso backtesting.
La simulación de una cartera diversificada de 25 activos entre 2020 y 2024 arrojó un ROI acumulado del 74 % y un CAGR del 11,68 %, con una tasa media de acierto del 61 % y caídas de capital acotadas incluso en entornos adversos como 2022. Además, se observó que la definición de la variable objetivo influye decisivamente en la rentabilidad, alcanzando configuraciones con CAGR próximos al 19 %.
Finalmente, la comparación con modelos alternativos como MLP y ARIMA, entrenados con series temporales de precios y volumen mostró que no existen métodos universalmente superiores: el rendimiento depende de diversos factores como: preprocesamiento y modelado de datos, arquitectura y configuración de modelo, cantidad y variedad de datos, configuración de hirparametros de modelos y mucho más. Esto refuerza la importancia de un enfoque flexible y adaptativo.
Excepto si se señala otra cosa, la licencia del ítem se describe como Attribution-NonCommercial-NoDerivatives 4.0 Internacional