{"id":8039,"date":"2025-04-15T09:00:00","date_gmt":"2025-04-15T07:00:00","guid":{"rendered":"https:\/\/blog.structuralia.com\/proyecto-tfm-prediccion-series-temporales-modelos-ia"},"modified":"2026-03-27T13:46:00","modified_gmt":"2026-03-27T12:46:00","slug":"proyecto-tfm-prediccion-series-temporales-modelos-ia","status":"publish","type":"post","link":"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/","title":{"rendered":"Proyecto TFM: Predicci\u00f3n de series temporales con modelos de IA"},"content":{"rendered":"<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_84 counter-hierarchy ez-toc-counter ez-toc-white ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\">\n<p class=\"ez-toc-title\" style=\"cursor:inherit\"><\/p>\n<span class=\"ez-toc-title-toggle\"><a href=\"#\" class=\"ez-toc-pull-right ez-toc-btn ez-toc-btn-xs ez-toc-btn-default ez-toc-toggle\" aria-label=\"Toggle Table of Contents\"><span class=\"ez-toc-js-icon-con\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Toggle<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n<nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#Proyecto_TFM_Prediccion_de_series_temporales_con_modelos_de_IA\" >Proyecto TFM: Predicci\u00f3n de series temporales con modelos de IA<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#Objetivos_del_TFM\" >Objetivos del TFM<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#Datos_del_Proyecto\" >Datos del Proyecto<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#Seleccion_del_universo_de_activos_a_estudiar\" >Selecci\u00f3n del universo de activos a estudiar<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#Metricas_de_valoracion_de_estrategias\" >M\u00e9tricas de valoraci\u00f3n de estrategias<\/a><ul class='ez-toc-list-level-3' ><li class='ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#1_Rentabilidad\" >1. Rentabilidad<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#2_Ratio_de_Sharpe\" >2. Ratio de Sharpe<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#3_Ratio_de_Sortino\" >3. Ratio de Sortino<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#4_Maxima_perdida\" >4.&nbsp;M\u00e1xima p\u00e9rdida<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#5_Porcentaje_de_operaciones_ganadoras\" >5. Porcentaje de operaciones ganadoras<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-11\" href=\"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#6_Ratio_de_beneficio_entre_riesgo\" >6. Ratio de beneficio entre riesgo<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-12\" href=\"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#7_Esperanza_matematica\" >7. Esperanza matem\u00e1tica<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-13\" href=\"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#8_Tamano_de_Kelly\" >8. Tama\u00f1o de Kelly<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-14\" href=\"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#9_Porcentaje_de_tiempo_en_el_mercado\" >9. Porcentaje de tiempo en el mercado<\/a><\/li><\/ul><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-15\" href=\"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#Primer_caso_de_estudio\" >Primer caso de estudio<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-16\" href=\"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#Segundo_caso_de_estudio\" >Segundo caso de estudio<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-17\" href=\"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#Conclusiones\" >Conclusions<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-18\" href=\"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#Resena_del_autor\" >Rese\u00f1a del autor<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-19\" href=\"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#Testimonio_del_autor\" >Testimonio del autor<\/a><\/li><\/ul><\/nav><\/div>\n\n<figure class=\"wp-block-image aligncenter\"><img fetchpriority=\"high\" decoding=\"async\" width=\"300\" height=\"292\" src=\"https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/wr_diff_opt-300x292.png\" alt=\"Predicci\u00f3n de series temporales con distintos modelos de IA 3\" class=\"wp-image-8459\" srcset=\"https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/wr_diff_opt-300x292.png 300w, https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/wr_diff_opt.png 677w\" sizes=\"(max-width: 300px) 100vw, 300px\" \/><\/figure>\n\n\n\n<figure class=\"wp-block-image aligncenter\"><img decoding=\"async\" width=\"300\" height=\"272\" src=\"https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/exp_diff_opt-300x272.png\" alt=\"Predicci\u00f3n de series temporales con distintos modelos de IA 2\" class=\"wp-image-8458\" srcset=\"https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/exp_diff_opt-300x272.png 300w, https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/exp_diff_opt.png 730w\" sizes=\"(max-width: 300px) 100vw, 300px\" \/><\/figure>\n\n\n\n<figure class=\"wp-block-image aligncenter\"><img decoding=\"async\" width=\"300\" height=\"258\" src=\"https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/expectancy_opt-300x258.png\" alt=\"Predicci\u00f3n de series temporales con distintos modelos de IA 4\" class=\"wp-image-8460\" srcset=\"https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/expectancy_opt-300x258.png 300w, https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/expectancy_opt.png 724w\" sizes=\"(max-width: 300px) 100vw, 300px\" \/><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Este proyecto TFM optimiza la predicci\u00f3n de series temporales con modelos de IA. Descubre enfoques avanzados para an\u00e1lisis de datos y toma de decisiones.<\/p>\n\n\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Proyecto_TFM_Prediccion_de_series_temporales_con_modelos_de_IA\"><\/span><strong>Proyecto TFM: Predicci\u00f3n de series temporales con modelos de IA<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Este art\u00edculo se centra en el Trabajo de Fin de <a href=\"https:\/\/academy.structuralia.com\/masters\/master-en-big-data-y-business-analytics\" target=\"_blank\" rel=\"noreferrer noopener\">M\u00e1ster en Big Data y Business Analytics<\/a> de nuestro ex alumno del <a href=\"https:\/\/www.linkedin.com\/in\/daniel-cano-alvira\/\" target=\"_blank\" rel=\"noreferrer noopener\">Daniel Cano Alvira<\/a>, que busca explorar el potencial de la inteligencia artificial para <strong>predecir movimientos en los \u00edndices burs\u00e1tiles <\/strong>con el objetivo de lograr un rendimiento positivo en los mercados financieros. El proyecto representa posibles aplicaciones de t\u00e9cnicas de inteligencia artificial en el campo de las inversiones, ofreciendo y desarrollando dos posibles perspectivas para afrontar el reto.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Objetivos_del_TFM\"><\/span><strong>Objetivos del TFM<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">El objetivo del trabajo es la creaci\u00f3n de un modelo de predicci\u00f3n de precios para aplicar a los mercados financieros. Para ello se usar\u00e1 <a href=\"https:\/\/www.python.org\/\" target=\"_blank\" rel=\"noreferrer noopener\">Python<\/a> con el fin de descargar los precios de diversos activos financieros conect\u00e1ndose a <a href=\"https:\/\/es.finance.yahoo.com\/?guccounter=1\" target=\"_blank\" rel=\"noreferrer noopener\">Yahoo Finance<\/a>. No se incluir\u00e1 el c\u00f3digo desarrollado en este post para que no se prolongue demasiado.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Datos_del_Proyecto\"><\/span><strong>Datos del Proyecto<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Yahoo Finance es un servicio en l\u00ednea proporcionado por <a href=\"https:\/\/es.search.yahoo.com\/?fr2=p:fprd,mkt:es\" target=\"_blank\" rel=\"noreferrer noopener\">Yahoo<\/a> que ofrece una variedad de informaci\u00f3n financiera de forma gratuita, incluyendo datos sobre acciones, noticias financieras, herramientas de an\u00e1lisis y recursos para el seguimiento de mercados e inversiones.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Si bien no goza de una API oficial, gracias a la gran cantidad de repositorios disponibles en <a href=\"https:\/\/github.com\/\">GitHub<\/a> se podr\u00e1n obtener los datos de cotizaciones de forma sencilla. El repositorio que se va a emplear se llama <a href=\"https:\/\/pypi.org\/project\/yfinance\/\">yfinance<\/a>, desarrollado por <a href=\"https:\/\/aroussi.com\/\">Ran Aroussi<\/a>, es la mejor alternativa para Yahoo Finance, si bien cada vez consta de m\u00e1s m\u00e9todos obsoletos debido a la mejora de la seguridad de la p\u00e1gina web contra el webscraping. Para el alcance de este proyecto solo se usar\u00e1 el m\u00e9todo \u201cTicker\u201d y se descargar\u00e1n los datos de cotizaci\u00f3n de algunos \u00edndices burs\u00e1tiles de la p\u00e1gina de \u00edndices mundiales de Yahoo Finance mediante un webscraping muy sencillo. Un \u00edndice burs\u00e1til es un dato calculado mediante una ecuaci\u00f3n sobre unos activos concretos con el objetivo de reflejar las variaciones de valor o rentabilidades de los activos que lo componen. Los datos se devolver\u00e1n como velas japonesas, este tipo de dato consta de 4 componentes principales para describir el movimiento del precio del activo subyacente. Dichos componentes se explican a continuaci\u00f3n junto con el resto de datos disponibles en la tabla obtenida.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Date: <\/strong>Fecha y hora de inicio de la vela japonesa. Al descargar velas de intervalo diario existir\u00e1 una por d\u00eda y por lo tanto la fecha ser\u00e1 diaria.\u00a0<\/li>\n\n\n\n<li><strong>Open (Apertura): <\/strong>Precio del activo al inicio del intervalo temporal de la vela.<\/li>\n\n\n\n<li><strong>High (M\u00e1ximo):<\/strong> Precio m\u00e1ximo de cotizaci\u00f3n durante el intervalo temporal de la vela.\u00a0<\/li>\n\n\n\n<li><strong>Low (M\u00ednimo)<\/strong>: Precio m\u00ednimo de cotizaci\u00f3n durante el intervalo temporal de la vela.\u00a0<\/li>\n\n\n\n<li><strong>Close (Cierre): <\/strong>Precio del activo al final del intervalo temporal de la vela.\u00a0<\/li>\n\n\n\n<li><strong>Volume (Volumen): <\/strong>Cantidad de contratos que se han transferido en el total de transacciones llevadas a cabo en el intervalo temporal de la vela.\u00a0<\/li>\n\n\n\n<li><strong>Dividends (Dividendos): <\/strong>Cantidad monetaria retribuida por acci\u00f3n a los due\u00f1os de acciones de una empresa. Esto solo aplica cuando se trata de acciones o ETFs.\u00a0<\/li>\n\n\n\n<li><strong>Stock Splits (Divisi\u00f3n de acciones):<\/strong> Relaci\u00f3n se multiplica el n\u00famero de acciones para tener m\u00e1s disponibles en el mercado o menos. Si es menor a uno se considera una divisi\u00f3n inversa, en la que se reduce el n\u00famero de acciones, normalmente con el objetivo de subir el precio. Si es mayor que uno la cantidad de acciones aumenta, bajando el precio y haci\u00e9ndolas m\u00e1s accesibles. Esto solo aplica cuando se trata de acciones o ETFs.\u00a0<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Para nuestro caso adem\u00e1s se calcular\u00e1n nuevos datos a partir de los ya mencionados con el objetivo de obtener mayor capacidad de predicci\u00f3n. A continuaci\u00f3n, se explican los principales.&nbsp;<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Range:<\/strong> Rango de precios de cotizaci\u00f3n de esa vela, se obtiene restando el m\u00e1ximo menos el m\u00ednimo.\u00a0<\/li>\n\n\n\n<li><strong>Range per unit: <\/strong>Rango en por unidad, se calcula dividiendo el rango (Range) entre el precio de apertura (Open).\u00a0<\/li>\n\n\n\n<li><strong>Open to Close:<\/strong> Rango entre apertura y cierre, se obtiene restando el precio de cierre (Close) menos el precio de apertura (Open). Cabe destacar que al contrario que el Rango este dato ser\u00e1 negativo cuando la cotizaci\u00f3n descienda.\u00a0<\/li>\n\n\n\n<li><strong>Open to Close per unit: <\/strong>Rango entre apertura y cierre dividido entre el precio de apertura (Open).\u00a0<\/li>\n\n\n\n<li><strong>Gap:<\/strong> Diferencia entre el precio de apertura actual y el precio de cierre de la vela anterior.\u00a0<\/li>\n\n\n\n<li><strong>Gap per unit:<\/strong> Diferencia entre el precio de apertura actual y el precio de cierre de la vela anterior dividida entre el cierre anterior.\u00a0<\/li>\n\n\n\n<li><strong>Moving Average difference per unit: <\/strong>Diferencia entre el precio de apertura actual y las medias m\u00f3viles de 10, 20, 50, 100 y 200 periodos entre la media.\u00a0<\/li>\n\n\n\n<li><strong>Week Day:<\/strong> N\u00famero del d\u00eda de la semana, entre el 0 y el 4 al que pertenece la vela.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Seleccion_del_universo_de_activos_a_estudiar\"><\/span><strong>Selecci\u00f3n del universo de activos a estudiar<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Una vez realizado el webscraping de los \u00edndices burs\u00e1tiles se decidi\u00f3 filtrarlos debido a la cantidad inicial. Mediante el an\u00e1lisis de las series temporales de los distintos \u00edndices se concluy\u00f3 que los m\u00e1s operados son los del mercado americano y que hay \u00edndices que tienen un rango diario considerablemente inferior a los dem\u00e1s, como son: N225, IXIC, GSPC o AORD. Cabe destacar que el SPY consta de un volumen decente, suficiente volatilidad y un precio correcto para permitir eficiencia en la gesti\u00f3n de riesgo con la operativa real. A continuaci\u00f3n, veremos la correlaci\u00f3n entre los activos seleccionados.<\/p>\n\n\n\n<figure class=\"wp-block-image\"><img decoding=\"async\" src=\"https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/2AzzBmEcKmgDhRJcJmSGz6r0n8ooT43WLd_oizNyRSUjQfB4czuf3IRmCfsHz4hhOJvm6Hw6vd6F_oFyiUTVdCkdlVGie81zN4r_mJ0fn0nBciJ-W118-Jhb4EzkeW3lXsjpBzKkX8K7rk9nOHDT6Q.png\" alt=\" Predicci\u00f3n de series temporales con modelos de IA\"\/><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">A partir de la figura se puede observar la alta correlaci\u00f3n entre los mismos, no siendo negativa en ning\u00fan caso e inferior a 0.5 solo en 3 casos. Dado que los \u00edndices proporcionan una visi\u00f3n general de la direcci\u00f3n y la salud de un segmento particular del mercado financiero, cuando dicho \u00edndice representa las mejores empresas de un pa\u00eds se suele considerar que su rendimiento ser\u00e1 parecido a la salud econ\u00f3mica del pa\u00eds. Si se une esto a la alta correlaci\u00f3n entre los \u00edndices de distintos pa\u00edses se podr\u00eda considerar que los ciclos econ\u00f3micos se encuentran relativamente sincronizados, probablemente debido a la gran globalizaci\u00f3n y dependencia internacional. Podemos deducir de todo ello que probablemente los propios \u00edndices tengan cierto valor predictivo entre ellos, esta ser\u00e1 la hip\u00f3tesis del segundo caso de estudio que se realizar\u00e1.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Metricas_de_valoracion_de_estrategias\"><\/span><strong>M\u00e9tricas de valoraci\u00f3n de estrategias<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Para validar los sistemas de predicci\u00f3n se calcular\u00e1n las m\u00e9tricas est\u00e1ndar del sector y algunas que personalmente creo pueden ser interesantes y ayudan a la compresi\u00f3n del comportamiento del sistema. Todas estas m\u00e9tricas est\u00e1n basadas en las operaciones pasadas y por lo tanto son puramente orientativas y cambiantes con el tiempo.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"1_Rentabilidad\"><\/span><strong>1. Rentabilidad<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Mide el rendimiento en t\u00e9rminos de ganancia neta en relaci\u00f3n con el capital invertido. Una rentabilidad positiva indica que el sistema est\u00e1 generando beneficios.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Rentabilidad=Ganancia NetaCapital Invertido\u00d7100<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"2_Ratio_de_Sharpe\"><\/span><strong>2. Ratio de Sharpe<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Eval\u00faa la relaci\u00f3n entre el rendimiento adicional obtenido por asumir riesgos y la volatilidad del sistema. Un ratio de Sharpe alto indica un mejor rendimiento ajustado al riesgo. En la pr\u00e1ctica, el rendimiento de los bonos del gobierno a corto plazo, como los bonos del Tesoro de Estados Unidos con vencimientos de tres o seis meses, es com\u00fanmente utilizado como una aproximaci\u00f3n de la tasa libre de riesgo. Esta elecci\u00f3n se basa en la suposici\u00f3n de que estos bonos son relativamente seguros y l\u00edquidos. Ya que esto queda fuera del \u00e1mbito de estudio de este trabajo se va a usar una tasa libre de riesgo igual a 0 que ser\u00eda el equivalente a tener el dinero en la cuenta del banco.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ratio Sharpe=Rendimiento Esperado &#8211; Tasa Libre de RiesgoVolatilidad\u00d7100<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"3_Ratio_de_Sortino\"><\/span><strong>3. Ratio de Sortino<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Se trata de una m\u00e9trica muy similar al ratio de Sharpe pero en la cual en vez de emplear la volatilidad total del sistema solo se tendr\u00e1 en cuenta la de las posiciones negativas.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ratio de Sortino=Rendimiento Esperado &#8211; Tasa Libre de RiesgoDesviaci\u00f3n Est\u00e1ndar Negativa\u00d7100<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"4_Maxima_perdida\"><\/span>4.&nbsp;<strong>M\u00e1xima p\u00e9rdida<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Mide la mayor disminuci\u00f3n del balance de la cartera desde el m\u00e1ximo. Cuanto menor sea mayor ser\u00e1 la estabilidad del sistema.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">M\u00e1xima P\u00e9rdida=1-Balance ActualBalance M\u00e1ximo\u00d7100<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"5_Porcentaje_de_operaciones_ganadoras\"><\/span><strong>5. Porcentaje de operaciones ganadoras<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Probabilidad de que una operaci\u00f3n cualquiera sea ganadora.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Probabilidad de Ganar=N\u00famero de Operaciones ExitosasN\u00famero Total de Operaciones\u00d7100<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"6_Ratio_de_beneficio_entre_riesgo\"><\/span><strong>6. Ratio de beneficio entre riesgo<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Eval\u00faa la relaci\u00f3n entre las ganancias y las p\u00e9rdidas, ayudando a determinar si el sistema est\u00e1 generando recompensas proporcionalmente mayores a los riesgos asumidos.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ratio Beneficio-Riesgo=Beneficio Promedio por Operaci\u00f3nP\u00e9rdida Promedio por Operaci\u00f3n<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"7_Esperanza_matematica\"><\/span><strong>7. Esperanza matem\u00e1tica<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Representa el promedio ponderado de todos los posibles resultados de una variable aleatoria, tomando en cuenta la probabilidad de que cada resultado ocurra. En el contexto financiero, la esperanza matem\u00e1tica puede utilizarse para calcular el rendimiento esperado de una inversi\u00f3n, ayudando a los inversores a tomar decisiones informadas sobre d\u00f3nde asignar sus recursos.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Esperanza=(Probabilidad de Ganar * Beneficio Promedio por Operaci\u00f3n &#8211;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Probabilidad de Perder * P\u00e9rdida Promedio por Operaci\u00f3n)\u00d7100<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Siendo: Probabilidad de Perder = 1-Probabilidad de Ganar<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">De la ecuaci\u00f3n previa se puede entender la relaci\u00f3n entre la probabilidad de ganar y el ratio de riesgo. Habr\u00e1 un punto l\u00edmite tras el cual la esperanza sea negativa para cada valor de probabilidad de ganancia puesto que cuanto menor sea mayor tendr\u00e1 que ser el retorno de la inversi\u00f3n en relaci\u00f3n a la p\u00e9rdida (ratio de riesgo) para seguir siendo rentable.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"8_Tamano_de_Kelly\"><\/span><strong>8. Tama\u00f1o de Kelly<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">F\u00f3rmula utilizada en la teor\u00eda de la gesti\u00f3n de capital y en la teor\u00eda de la informaci\u00f3n para determinar el tama\u00f1o \u00f3ptimo de una serie de apuestas. Es aplicable en situaciones donde se realizan apuestas o inversiones sucesivas, busca maximizar el crecimiento del capital a largo plazo. Es importante destacar que el Criterio de Kelly es una estrategia agresiva y, si bien puede maximizar el crecimiento a largo plazo, tambi\u00e9n puede llevar a la p\u00e9rdida de una gran parte del capital en el corto plazo si las estimaciones de las probabilidades son inexactas.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Kelly=Probabilidad de Ganar -Probabilidad de PerderRatio Beneficio-Riesgo\u00d7100<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"9_Porcentaje_de_tiempo_en_el_mercado\"><\/span><strong>9. Porcentaje de tiempo en el mercado<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Relaci\u00f3n entre la cantidad de d\u00edas que se tienen operaciones en mercado y la cantidad de d\u00edas que se ha aplicado el sistema. Se suele considerar mejor cuando el porcentaje es menor ya que se est\u00e1 expuesto a menos riesgos y menos comisiones, en caso de que haya comisiones de mantenimiento.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Tasa de Exposici\u00f3n=Tiempo con Posiciones AbiertasTiempo de Ejecuci\u00f3n del Sistema\u00d7100<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Primer_caso_de_estudio\"><\/span><strong>Primer caso de estudio<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">El primer intento de predicci\u00f3n consistir\u00e1 en la aplicaci\u00f3n de un modelo en inteligencia artificial basado \u00fanicamente en las caracter\u00edsticas derivadas del precio del propio activo. Se har\u00e1 una comparativa sobre la aplicaci\u00f3n de los modelos:&nbsp;<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Regresi\u00f3n Lineal<\/li>\n\n\n\n<li>Regresi\u00f3n Log\u00edstica<\/li>\n\n\n\n<li>K Vecinos Cercanos (K Nearest Neighbours or KNN)<\/li>\n\n\n\n<li>Ingenuo Bayes (Naive Bayes)<\/li>\n\n\n\n<li>Red Neuronal (Neural Network)<\/li>\n\n\n\n<li>Bosque Aleatorio (Random Forest)<\/li>\n\n\n\n<li>M\u00e1quina de Vector de Soporte (Support Vector Machine o SVM)<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Si bien se ha desarrollado el c\u00f3digo de dichos modelos en vez de usar las librer\u00edas m\u00e1s comunes no se publicar\u00e1 para no extender el post demasiado. Si se quiere acceso consultar al autor.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Para no extender la duraci\u00f3n del proyecto se realiz\u00f3 una peque\u00f1a optimizaci\u00f3n antes de comparar los modelos, a continuaci\u00f3n se mostrar\u00e1n 3 gr\u00e1ficas distintas que se usar\u00e1n para comparar los resultados con datos de entrenamiento y los de prueba con el objetivo final de identificar posibles sobreoptimizaciones.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La primera gr\u00e1fica muestra la variaci\u00f3n de la probabilidad de ganar entre el resultado de la predicci\u00f3n con datos de prueba y los datos de entrenamiento. Se puede deducir que cuanto m\u00e1s cercano a 0 sea el valor menor ser\u00e1 el sobre ajuste. En las l\u00edneas de nivel proyectadas en el plano inferior se puede apreciar que el modelo KNN es el m\u00e1s sobre ajustado de todos mientras que los modelos de Regresi\u00f3n Lineal y Red Neuronal son los menos sobre ajustados, llegando a desenvolverse mejor con los datos de prueba que con los de entrenamiento en algunos activos.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">En la siguiente figura se puede observar la diferencia en la esperanza matem\u00e1tica obtenida con los datos de entrenamiento y los datos de prueba. Dado que la probabilidad de ganar afecta a esperanza matem\u00e1tica se puede apreciar que los modelos en los que menos var\u00eda dicha m\u00e9trica entre el entrenamiento y los datos de prueba son los mismos que en la gr\u00e1fica previa. Si bien el modelo de Regresi\u00f3n Lineal es el que menos var\u00eda, al tener en cuenta todos los activos el modelo KNN vuelve a ser el m\u00e1s sobre ajustado, reafirmando as\u00ed lo deducido previamente.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Los modelos Naive Bayes y KNN son los que menor esperanza matem\u00e1tica media obtienen, como se puede ver en la siguiente gr\u00e1fica. Cabe resaltar que los modelos de Regresi\u00f3n Lineal, Redes Neuronales y SVM son los que tienen menos activos con esperanza matem\u00e1tica negativa, haciendo que sean los m\u00e1s polivalentes. No se han a\u00f1adido los resultados aplicando el modelo PCA sobre las caracter\u00edsticas usadas puesto que los resultados han sido peores de los obtenidos sin su aplicaci\u00f3n.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Por \u00faltimo se calcular\u00e1 la evoluci\u00f3n del balance de cada modelo para cada activo estudiado.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Se considerar\u00e1 un capital inicial de 100.000,0$ y una asignaci\u00f3n del 100 % a cada uno de los modelos. Dado que la gesti\u00f3n del riesgo queda fuera del alcance de este trabajo se operar\u00e1 con el capital total cada vez que se realice una operaci\u00f3n. Adem\u00e1s, se considerar\u00e1n solo las operaciones en largo y unas comisiones nulas. En la figura se puede observar un gr\u00e1fico para cada activo con la correspondiente curva de balance para cada modelo entrenado. Se puede apreciar que de forma general ning\u00fan modelo destaca, pero que hay modelos que operan relativamente bien los \u00edndices americanos y podr\u00eda merecer la pena profundizar en ellas e introducir estrategias de gesti\u00f3n de riesgo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Cabe destacar que solo se han usado dos a\u00f1os de datos para el estudio, que dichos a\u00f1os coinciden con un a\u00f1o de recesi\u00f3n y otro de inicio de expansi\u00f3n debido a las pol\u00edticas llevadas a cabo por los bancos centrales. Ser\u00eda conveniente llevar a cabo un estudio sobre mayor cantidad de datos e incluir un test de walk forward.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Segundo_caso_de_estudio\"><\/span><strong>Segundo caso de estudio<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">El segundo ejercicio consistir\u00e1 en la predicci\u00f3n de los precios del SPY, un ETF que replica el comportamiento del SP500. La idea detr\u00e1s de este ejercicio se basa en la diferencia horaria entre los diferentes mercados alrededor del mundo. Dado que el mercado asi\u00e1tico ha cerrado cuando el mercado americano abre ser\u00eda coherente pensar que la sesi\u00f3n de ese d\u00eda podr\u00eda verse afectada por el comportamiento de los mercados que operan en husos horarios anteriores. Se dividir\u00e1n los datos en partes iguales, siendo la primera mitad los datos de entrenamiento y la segunda mitad los datos a predecir. Adem\u00e1s, se mantendr\u00e1 la misma gesti\u00f3n operativa que en el ejercicio anterior.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">En este caso los modelos estudiados ser\u00e1n los siguientes:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La a continuaci\u00f3n presenta un an\u00e1lisis comparativo de los modelos en t\u00e9rminos de las m\u00e9tricas previamente definidas. Se puede observar que diferentes modelos destacan en diferentes m\u00e9tricas, resaltando la importancia de considerar m\u00faltiples criterios al evaluar estrategias financieras.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Se ha decidido tomar como referencia la estrategia de mantener el capital total invertido en el activo, com\u00fanmente llamado \u201cBuy &amp; Hold\u201d. Para esta estrategia se obtiene un beneficio de 104,035.87$ con una rentabilidad del 104.03 %. El Sharpe es 0.84, y el Sortino es 0.062. Adem\u00e1s la m\u00e1xima p\u00e9rdida (Max. DrawDown) durante el periodo de prueba ser\u00eda del 22.94 % y la probabilidad de ganar del 56.17 %. De forma general la aplicaci\u00f3n del PCA no parece aportar valor, siendo la \u00fanica excepci\u00f3n el modelo Random Forest. Aunque los beneficios pueden ser m\u00e1s bajos con el uso del PCA, la reducci\u00f3n en la dimensionalidad puede ser \u00fatil en t\u00e9rminos de simplicidad y eficiencia computacional. El modelo de Regresi\u00f3n Log\u00edstica es el que menor rentabilidad obtiene, esto se debe a la poca frecuencia operativa, siendo el tiempo de mercado cercano al 3 %. Esto y la alta fiabilidad lo convierten en el modelo con menor p\u00e9rdida m\u00e1xima y mayor ratio de Sharpe.<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter\"><img loading=\"lazy\" decoding=\"async\" width=\"300\" height=\"65\" src=\"https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/table-300x65.jpg\" alt=\"Predicci\u00f3n de series temporales con distintos modelos de IA 6\" class=\"wp-image-8462\" srcset=\"https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/table-300x65.jpg 300w, https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/table-1024x221.jpg 1024w, https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/table-768x166.jpg 768w, https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/table.jpg 1461w\" sizes=\"(max-width: 300px) 100vw, 300px\" \/><\/figure>\n\n\n\n<figure class=\"wp-block-image aligncenter\"><img loading=\"lazy\" decoding=\"async\" width=\"300\" height=\"148\" src=\"https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/comparison-300x148.png\" alt=\"Predicci\u00f3n de series temporales con distintos modelos de IA 6\" class=\"wp-image-8463\" srcset=\"https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/comparison-300x148.png 300w, https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/comparison-768x379.png 768w, https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/comparison.png 911w\" sizes=\"(max-width: 300px) 100vw, 300px\" \/><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Por el otro lado el modelo de K Vecinos m\u00e1s Cercanos (KNN) es el que logra mayor rentabilidad, si bien esto se debe al sobre ajuste. Esto se da cuando el modelo se ajusta demasiado a los datos de entrenamiento, generando patrones poco generalizados. Se puede observar en la figura superior. Durante la primera mitad (entrenamiento) el capital aumenta de forma constante sin casi oscilaci\u00f3n mientras que en los datos de prueba el capital oscila entre un m\u00e1ximo y un m\u00ednimo de forma constante.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La mejor estrategia de cara a su operaci\u00f3n real ser\u00eda la del modelo de Regresi\u00f3n Lineal, a la cual se le podr\u00edan incluir las se\u00f1ales producidas por el modelo de Regresi\u00f3n Log\u00edstica con el objetivo de lograr as\u00ed mayores beneficios. En este caso concreto las se\u00f1ales del modelo de Regresi\u00f3n Log\u00edstico se dan tambi\u00e9n por el modelo de Regresi\u00f3n Lineal por lo que no aportar\u00eda nada a menos que se tuviese en cuenta en la estrategia de gesti\u00f3n de riesgo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">En la figura anterior se puede comparar el retorno y la p\u00e9rdida acumulada en cada instante de la estrategia final y la estrategia con \u201cBuy &amp; Hold\u201d. Como se puede apreciar la m\u00e1xima p\u00e9rdida es casi un tercio de la de \u201cBuy &amp; Hold\u201d mientras que la rentabilidad final de la estrategia es 1.4 veces la de \u201cBuy &amp; Hold\u201d. Todo ello permiti\u00e9ndonos entrar a mercado solo la mitad de las veces.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Conclusiones\"><\/span><strong>Conclusions<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">El objetivo del presente proyecto era estudiar la viabilidad de modelos de inteligencia artificial en la predicci\u00f3n de precios de activos operados en los mercado financieros. Se trata de un proyecto que se ha centrado m\u00e1s en los modelos y su comparaci\u00f3n que en la gesti\u00f3n del capital y el porfolio. Si bien se ha demostrado que por muy de moda que est\u00e9 la inteligencia artificial no es el santo grial, se ha conseguido obtener estrategias que pueden merecer la pena. En el primer ejercicio se ha visto que los modelos a menudo fracasar\u00e1n en su tarea si se les alimenta solo con datos derivados de lo que se quiere predecir. Solo en los mercados m\u00e1s l\u00edquidos lograban una cierta precisi\u00f3n. El \u00faltimo ejercicio ha demostrado la necesidad de evitar sobre ajustar los modelos ya que pueden provocar un desastre cuando se apliquen a una operativa real. Adem\u00e1s, se ha dejado en evidencia la importancia de la ingenier\u00eda de factores para obtener variables con mayor capacidad predictiva. La inteligencia artificial convive con nosotros en el d\u00eda a d\u00eda y lleva d\u00e9cadas siendo aplicada en los mercados financieros. Har\u00e1 falta mucho estudio y recursos para poder obtener un sistema que pueda hacer frente a los retornos de los referentes del sector como <a href=\"https:\/\/www.rentec.com\/Home.action?index=true\">Medallion Fund.<\/a><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">En el futuro ser\u00eda conveniente incluir gesti\u00f3n operativa y de capital puesto que hay muchas variables que dependen de ello y se han supuesto en este trabajo. Algunas ideas por las que empezar podr\u00edan ser: a\u00f1adir l\u00edmite de p\u00e9rdidas y de ganancias a las posiciones en vez de mantenerlas abiertas durante todo el d\u00eda y definir un algoritmo para asignar el porcentaje de la cuenta a arriesgar en cada momento. Por otro lado, ser\u00eda conveniente definir el tiempo a esperar para volver a entrenar al modelo, dado que para mantener al modelo actualizado es conveniente entrenarlo con datos nuevos. Habr\u00eda que definir cada cu\u00e1nto se debe entrenar y la cantidad de datos a utilizar, puesto que puede que patrones pasados contradigan a patrones actuales y deterioren la capacidad predictiva del modelo.<\/p>\n\n\n\n<figure class=\"wp-block-image alignright\"><img loading=\"lazy\" decoding=\"async\" width=\"300\" height=\"300\" src=\"https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/Fotos-Contenidos-1-300x300.jpg\" alt=\"Proyecto TFM Daniel Cano\" class=\"wp-image-8464\" srcset=\"https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/Fotos-Contenidos-1-300x300.jpg 300w, https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/Fotos-Contenidos-1-1024x1024.jpg 1024w, https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/Fotos-Contenidos-1-150x150.jpg 150w, https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/Fotos-Contenidos-1-768x768.jpg 768w, https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/Fotos-Contenidos-1.jpg 1080w\" sizes=\"(max-width: 300px) 100vw, 300px\" \/><\/figure>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Resena_del_autor\"><\/span><strong>Rese\u00f1a del autor<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\"><a href=\"https:\/\/www.linkedin.com\/in\/daniel-cano-alvira\/\" target=\"_blank\" rel=\"noreferrer noopener\">Daniel Cano<\/a>, es Graduado en Ingenier\u00eda de la Energ\u00eda por la Universidad Polit\u00e9cnica de Madrid y recientemente a cursado el <a href=\"https:\/\/academy.structuralia.com\/masters\/master-en-big-data-y-business-analytics\" target=\"_blank\" rel=\"noreferrer noopener\">M\u00e1ster en Big Data y Business Analytics<\/a>. Actualmente desarrolla sus labores profesionales en T\u00e9cnicas Reunidas S.A., concretamente en el departamento de Transformaci\u00f3n Digital. Daniel tiene tu propia p\u00e1gina personal de proyectos, \u00ab<a href=\"https:\/\/onemade.es\/\" target=\"_blank\" rel=\"noreferrer noopener\">One Made<\/a>\u00ab.&nbsp;<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Testimonio_del_autor\"><\/span><strong>Testimonio del autor<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>1. \u00bfPor qu\u00e9 elegiste Structuralia?<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><em>\u00abMi empresa me dio la opci\u00f3n de poder formarme y especializarme con un m\u00e1ster, al tener que elegir entre varias opciones el M\u00e1ster de Structuralia fue el que m\u00e1s me atrajo de todos.\u00bb<\/em><\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>2. \u00bfQu\u00e9 es lo que m\u00e1s destacar\u00edas del m\u00e1ster?<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><em>\u00abLo que m\u00e1s destacar\u00eda es que entrega muy buena documentaci\u00f3n y material en el M\u00e1ster en Big Data y Business Analytics.\u00bb<\/em><\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>3. \u00bfEn qu\u00e9 te ha ayudado o crees que te podr\u00eda ayudar en tu actual o futuro desarrollo profesional?<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><em>\u00ab<\/em><em>La realizaci\u00f3n del este M\u00e1ster me ha ayudado a entender mejor y reforzar conceptos que ya sab\u00eda. Tambi\u00e9n he podido aprender sobre nuevas herramientas de Big Data.<\/em><em>\u00ab<\/em><\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n\n\n<p class=\"wp-block-paragraph\">&nbsp;<\/p>","protected":false},"excerpt":{"rendered":"<p>Este proyecto TFM optimiza la predicci\u00f3n de series temporales con modelos de IA. Descubre enfoques avanzados para an\u00e1lisis de datos y toma de decisiones.<\/p>","protected":false},"author":9,"featured_media":8467,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_ayudawp_aiss_exclude":false,"_ayudawp_aiss_summary":"","_ayudawp_aiss_summary_provider":"","_ayudawp_aiss_summary_hash":"","footnotes":""},"categories":[266],"tags":[],"class_list":["post-8039","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-transformacion-digital"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v27.8 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Proyecto TFM: Predicci\u00f3n de series temporales con modelos de IA - Blog de Structuralia<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/blog.structuralia.com\/en\/wp-json\/wp\/v2\/posts\/8039\" \/>\n<meta property=\"og:locale\" content=\"en_US\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Proyecto TFM: Predicci\u00f3n de series temporales con modelos de IA - Blog de Structuralia\" \/>\n<meta property=\"og:description\" content=\"Este proyecto TFM optimiza la predicci\u00f3n de series temporales con modelos de IA. Descubre enfoques avanzados para an\u00e1lisis de datos y toma de decisiones.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/\" \/>\n<meta property=\"og:site_name\" content=\"Blog de Structuralia\" \/>\n<meta property=\"article:published_time\" content=\"2025-04-15T07:00:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-03-27T12:46:00+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/Daniel-Cano.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1050\" \/>\n\t<meta property=\"og:image:height\" content=\"550\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Equipo de redactores\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"Equipo de redactores\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"18 minutes\" \/>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Proyecto TFM: Predicci\u00f3n de series temporales con modelos de IA - Blog de Structuralia","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/blog.structuralia.com\/en\/wp-json\/wp\/v2\/posts\/8039","og_locale":"en_US","og_type":"article","og_title":"Proyecto TFM: Predicci\u00f3n de series temporales con modelos de IA - Blog de Structuralia","og_description":"Este proyecto TFM optimiza la predicci\u00f3n de series temporales con modelos de IA. Descubre enfoques avanzados para an\u00e1lisis de datos y toma de decisiones.","og_url":"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/","og_site_name":"Blog de Structuralia","article_published_time":"2025-04-15T07:00:00+00:00","article_modified_time":"2026-03-27T12:46:00+00:00","og_image":[{"width":1050,"height":550,"url":"https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/Daniel-Cano.jpg","type":"image\/jpeg"}],"author":"Equipo de redactores","twitter_card":"summary_large_image","twitter_misc":{"Written by":"Equipo de redactores","Est. reading time":"18 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#article","isPartOf":{"@id":"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/"},"author":{"name":"Equipo de redactores","@id":"https:\/\/blog.structuralia.com\/#\/schema\/person\/87ddd066f2b0e01e832284f797138b7b"},"headline":"Proyecto TFM: Predicci\u00f3n de series temporales con modelos de IA","datePublished":"2025-04-15T07:00:00+00:00","dateModified":"2026-03-27T12:46:00+00:00","mainEntityOfPage":{"@id":"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/"},"wordCount":3696,"commentCount":0,"publisher":{"@id":"https:\/\/blog.structuralia.com\/#organization"},"image":{"@id":"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#primaryimage"},"thumbnailUrl":"https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/Daniel-Cano.jpg","articleSection":["Transformaci\u00f3n digital"],"inLanguage":"en-US","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/","url":"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/","name":"Proyecto TFM: Predicci\u00f3n de series temporales con modelos de IA - Blog de Structuralia","isPartOf":{"@id":"https:\/\/blog.structuralia.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#primaryimage"},"image":{"@id":"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#primaryimage"},"thumbnailUrl":"https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/Daniel-Cano.jpg","datePublished":"2025-04-15T07:00:00+00:00","dateModified":"2026-03-27T12:46:00+00:00","breadcrumb":{"@id":"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#breadcrumb"},"inLanguage":"en-US","potentialAction":[{"@type":"ReadAction","target":["https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/"]}]},{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#primaryimage","url":"https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/Daniel-Cano.jpg","contentUrl":"https:\/\/blog.structuralia.com\/wp-content\/uploads\/2024\/12\/Daniel-Cano.jpg","width":1050,"height":550,"caption":"Proyecto TFM Daniel Cano"},{"@type":"BreadcrumbList","@id":"https:\/\/blog.structuralia.com\/en\/proyecto-tfm-prediccion-series-temporales-modelos-ia\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Inicio","item":"https:\/\/blog.structuralia.com"},{"@type":"ListItem","position":2,"name":"Transformaci\u00f3n digital","item":"https:\/\/blog.structuralia.com\/en\/transformacion-digital"},{"@type":"ListItem","position":3,"name":"Proyecto TFM: Predicci\u00f3n de series temporales con modelos de IA"}]},{"@type":"WebSite","@id":"https:\/\/blog.structuralia.com\/#website","url":"https:\/\/blog.structuralia.com\/","name":"Structuralia's Official Blog","description":"On our blog, we create specialized content to keep you up to date on all the latest news, trends, and tips related to engineering.","publisher":{"@id":"https:\/\/blog.structuralia.com\/#organization"},"alternateName":"STRUCTURALIA","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/blog.structuralia.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"en-US"},{"@type":"Organization","@id":"https:\/\/blog.structuralia.com\/#organization","name":"Structuralia Blog","url":"https:\/\/blog.structuralia.com\/","logo":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/blog.structuralia.com\/#\/schema\/logo\/image\/","url":"https:\/\/blog.structuralia.com\/wp-content\/uploads\/2026\/01\/logo.svg","contentUrl":"https:\/\/blog.structuralia.com\/wp-content\/uploads\/2026\/01\/logo.svg","width":36,"height":38,"caption":"Blog de Structuralia"},"image":{"@id":"https:\/\/blog.structuralia.com\/#\/schema\/logo\/image\/"}},{"@type":"Person","@id":"https:\/\/blog.structuralia.com\/#\/schema\/person\/87ddd066f2b0e01e832284f797138b7b","name":"Editorial Team","image":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/secure.gravatar.com\/avatar\/6047234e84771ae0815c2fc62265d85296754868378b6dd88865366408801df4?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/6047234e84771ae0815c2fc62265d85296754868378b6dd88865366408801df4?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/6047234e84771ae0815c2fc62265d85296754868378b6dd88865366408801df4?s=96&d=mm&r=g","caption":"Equipo de redactores"},"url":"https:\/\/blog.structuralia.com\/en\/autor\/equipo-de-redactores\/"}]}},"views":224,"_links":{"self":[{"href":"https:\/\/blog.structuralia.com\/en\/wp-json\/wp\/v2\/posts\/8039","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.structuralia.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.structuralia.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.structuralia.com\/en\/wp-json\/wp\/v2\/users\/9"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.structuralia.com\/en\/wp-json\/wp\/v2\/comments?post=8039"}],"version-history":[{"count":0,"href":"https:\/\/blog.structuralia.com\/en\/wp-json\/wp\/v2\/posts\/8039\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blog.structuralia.com\/en\/wp-json\/wp\/v2\/media\/8467"}],"wp:attachment":[{"href":"https:\/\/blog.structuralia.com\/en\/wp-json\/wp\/v2\/media?parent=8039"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.structuralia.com\/en\/wp-json\/wp\/v2\/categories?post=8039"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.structuralia.com\/en\/wp-json\/wp\/v2\/tags?post=8039"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}