Nuevo Método para Predecir Tendencias Financieras

Predecir tendencias financieras es clave para los que están en el mercado, como los policymakers y los inversores. Este artículo comparte un nuevo método que se ha desarrollado para pronosticar datos de series temporales, que son colecciones de puntos de datos registrados en diferentes momentos. Miramos las ventas de tiendas online y la producción de cerveza en Australia como ejemplos. Estos conjuntos de datos muestran patrones que cambian con el tiempo y pueden ser influenciados por varios factores, lo que los hace difíciles de predecir con Precisión.

#Importancia de la Predicción de Series Temporales

Predecir series temporales financieras ayuda a entender cómo funcionan los mercados y encontrar patrones para anticipar cambios futuros. Usando datos pasados, podemos crear modelos que intentan prever lo que podría pasar después. Los datos financieros pueden incluir ruido, o variaciones aleatorias, pero también tienen características únicas, como tendencias caóticas, que complican la predicción. Por eso, encontrar formas efectivas de predecir estas series es crucial para muchos en finanzas.

Con los años, los investigadores han utilizado varios métodos para analizar series temporales financieras, pasando de técnicas estadísticas tradicionales a modelos inteligentes modernos. Métodos estadísticos como ARIMA (Promedio Móvil Integrado Autorregresivo) y Holt-Winters son conocidos por su efectividad en muchas aplicaciones. Estos modelos normalmente requieren datos estables para funcionar bien. Sin embargo, los datos del mundo real a menudo pueden ser inestables, arriesgando la pérdida de información valiosa.

Con el auge de la tecnología, aparecieron modelos inteligentes como las redes neuronales artificiales (ANNs). Estos modelos son excelentes manejando datos desordenados e irregulares, adaptándose bien a relaciones complejas. La introducción de redes de memoria a largo y corto plazo (LSTMs) mejoró el manejo de datos dependientes del tiempo, ya que mantienen un seguimiento de la información a largo plazo.

#Introduciendo la Descomposición de Modo Variacional

Para crear un mejor modelo de pronóstico, proponemos usar un nuevo enfoque llamado Descomposición de Modo Variacional General Secuencial (SGVMD), combinado con ARIMA. Este enfoque comienza descomponiendo la serie temporal en Componentes, como tendencias generales y fluctuaciones. Las ventajas clave de este método son la capacidad de manejar características desconocidas y su enfoque tanto en relaciones lineales como no lineales dentro de los datos.

El enfoque SGVMD es versátil para manejar varios tipos de series temporales, incluso aquellas que no siguen los patrones habituales. El primer paso de SGVMD implica descomponer la serie temporal en sus componentes constitutivos, que luego se pueden analizar individualmente para la predicción.

#Combinando Modelos para Mejorar la Precisión

Dado que cada modelo de pronóstico tiene sus fortalezas y debilidades, combinar diferentes modelos puede aumentar la precisión. En este nuevo método, utilizamos tanto SGVMD como ARIMA. Primero, separamos la serie temporal en diferentes componentes usando SGVMD. Estos componentes incluyen la tendencia, que refleja la dirección principal de los datos, y componentes AM-FM, que capturan variaciones adicionales.

Para el componente de tendencia, aplicamos directamente el método ARIMA. Para los componentes AM-FM, extraemos sus líneas envolventes superior e inferior. Luego, construimos modelos ARIMA para cada envolvente por separado. Esto nos da una comprensión más matizada y permite una predicción más precisa.

#Probando el Método de Predicción

Para probar la efectividad de nuestro método, utilizamos datos históricos de una tienda online y la producción de cerveza en Australia. Comparamos nuestro método combinado SGVMD-ARIMA con métodos tradicionales como ARIMA y LSTMs.

En el primer ejemplo, analizamos los datos de ventas online, dividiéndolos en conjuntos de entrenamiento y prueba. Usando el método SGVMD, pudimos identificar tendencias claras junto con varios componentes AM-FM. Cada uno de estos componentes fue pronosticado, y los resultados mostraron que el método SGVMD-ARIMA proporcionó predicciones más precisas que los modelos simples de ARIMA o LSTM.

En el segundo ejemplo usando datos de producción de cerveza, seguimos un enfoque similar. Nuevamente, el método combinado superó a los métodos tradicionales, confirmando su adaptabilidad y efectividad para diferentes tipos de datos de series temporales.

#Resultados y Evaluación

Los resultados de la predicción mostraron tendencias claras en precisión y fiabilidad. Mientras que los modelos simples tradicionales tenían limitaciones, la combinación SGVMD-ARIMA ofreció un mejor rendimiento. Los resultados indicaron que nuestro método mantuvo una mejor consistencia con las tendencias reales de los datos, proporcionando una herramienta de pronóstico confiable.

Para evaluar la precisión de la predicción, utilizamos varias métricas como el Error Cuadrático Medio Raíz (RMSE) y el Error Porcentual Absoluto Medio (MAPE). Estas métricas ayudaron a cuantificar qué tan cerca estaban las predicciones de los valores reales, validando aún más el éxito de nuestro nuevo método.

#Ventajas del Método SGVMD-ARIMA

El método SGVMD-ARIMA tiene varias ventajas clave:

1. Adaptabilidad: Puede manejar una variedad de series temporales, incluso aquellas que son complejas y no estacionarias.
2. Mejor Precisión: El modelo combinado supera a los modelos tradicionales, proporcionando predicciones más confiables.
3. Flexibilidad: Permite considerar simultáneamente tanto relaciones lineales como no lineales en los datos.

Estas ventajas hacen que los métodos SGVMD-ARIMA y SGVMD-E-ARIMA sean herramientas valiosas para aquellos involucrados en pronósticos financieros.

#Direcciones Futuras

Aunque nuestros métodos muestran gran promesa, todavía hay áreas para mejorar:

1. Optimización de Parámetros: Ajustar los factores de penalización en el algoritmo SGVMD podría mejorar el rendimiento. El trabajo futuro podría explorar métodos para optimizar estos ajustes de manera sistemática.
2. Construcción de Características: Crear mejores características para describir los datos con precisión es crucial para el éxito del modelo. Desarrollar estas características requiere equilibrar necesidades específicas y aplicabilidad general.
3. Problemas de Desfase: Abordar el problema de desfase observado en las predicciones será importante. Técnicas más refinadas para gestionar este aspecto contribuirán a un mejor rendimiento general del modelo.

#Conclusión

Nuestra investigación introduce métodos innovadores para predecir series temporales financieras, enfocándose en la combinación SGVMD-ARIMA y SGVMD-E-ARIMA. La capacidad de descomponer efectivamente los datos de series temporales y pronosticar componentes individuales ha mostrado un gran potencial para mejorar la precisión en las predicciones financieras. A medida que los mercados se vuelven más complejos y ricos en datos, herramientas como estas serán indispensables para tomar decisiones informadas basadas en pronósticos confiables. El futuro de la predicción financiera se ve prometedor, con desarrollos continuos en este área que se espera generen aún mayor precisión y aplicabilidad.