Predicción de series temporales utilizando inteligencia artificial: Desde modelos clásicos hasta redes neuronales recurrentes

Abstract

Este trabajo analiza la aplicación de técnicas de inteligencia artificial a la predicción de series temporales bursátiles, comparando modelos estadísticos clásicos con enfoques modernos de aprendizaje automático y aprendizaje profundo. El objetivo principal es evaluar si estos modelos pueden aportar una ventaja real en la predicción de movimientos de precios y en la toma de decisiones de inversión. El estudio comienza revisando los fundamentos de las series temporales, describiendo conceptos clave como estacionariedad, estacionalidad, autocorrelación, ruido blanco y caminata aleatoria, así como los principales problemas que aparecen al trabajar con datos financieros reales. A partir de esta base, se analizan distintos modelos predictivos, desde métodos tradicionales como ARIMA, ARIMAX y SARIMAX, hasta algoritmos de aprendizaje automático como Random Forest, XGBoost y LightGBM, y finalmente modelos de redes neuronales recurrentes, en particular LSTM y GRU. Todo el desarrollo se implementa en Python, utilizando datos bursátiles reales obtenidos a través de la API de Interactive Brokers. Los datos se preparan mediante procesos de limpieza, construcción de indicadores técnicos y normalización para garantizar un entrenamiento estable de los modelos. La evaluación se apoya en un enfoque práctico basado en backtesting, simulando estrategias de inversión bajo distintos rangos porcentuales de movimiento.