Licenciatura en Matemática
URI permanente para esta colecciónhttps://repositorio.21.edu.ar/handle/ues21/30875
Formate para analizar problemas complejos, modelar información y aplicar herramientas matemáticas en distintos ámbitos profesionales
Examinar
Últimos documentos
Item type: Ítem , Clasificación con Machine Learning para la predicción de la tendencia alcista de acciones en BYMA(Universidad Siglo 21, 2026-03-27) Cáceres Bignotti, Germán; Palazzesi, Victor OmarLa predicción de la tendencia alcista de los precios de las acciones en mercados volátiles y complejos, como el mercado de capitales argentino, es un desafío significativo para los inversores. Este contexto expone las limitaciones de los métodos econométricos tradicionales para capturar las no linealidades inherentes a los datos financieros. Ante esto, el Aprendizaje Automático emerge como un paradigma más robusto. El objetivo de esta investigación fue evaluar y comparar la efectividad y el rendimiento de tres algoritmos de clasificación -Regresión Logística, Árbol de Decisión y Bosque Aleatorio-, en la predicción de la tendencia alcista a 80 días bursátiles para los precios de las acciones de servicios financieros argentinos cotizantes en Bolsas y Mercados Argentinos S.A.. La investigación fue cuantitativa, no experimental, de alcance descriptivo-correlacional y longitudinal. Se emplearon datos históricos de siete empresas, procesados para generar 19 indicadores técnicos. Los modelos fueron entrenados, ajustados y validados mediante un análisis walk-forward y métricas de matriz de confusión. Los resultados revelaron un intercambio crucial entre confiabilidad y costo computacional. El algoritmo de Bosque Aleatorio demostró la máxima confiabilidad si bien a expensas de un mayor costo computacional. En contraste, el algoritmo de Regresión Logística ofreció una Precisión máxima con un costo computacional mínimo. Estos hallazgos aportan un nuevo conocimiento académico sobre la predictibilidad de la tendencia alcista del sector financiero de Bolsas y Mercados Argentinos S.A. y establecen una base para el desarrollo de herramientas de significativa capacidad predictiva en el mercado de capitales argentino. Predicting upward trends in stock prices in volatile and complex markets, such as the Argentine capital market, is a significant challenge for investors. This context highlights the limitations of traditional econometric methods in capturing the non-linearities inherent in financial data. In response, Machine Learning emerges as a more robust paradigm. The objective of this research was to evaluate and compare the effectiveness and performance of three classification algorithms -Logistic Regression, Decision Tree, and Random Forest- in predicting the upward trend over 80 trading days for the prices of Argentine financial service stocks listed on Bolsas y Mercados Argentinos S.A.. The research was quantitative, non-experimental, descriptive-correlational, and longitudinal. Historical data from seven companies were processed to generate 19 technical indicators. The models were trained, fitted, and validated using walk-forward analysis and confusion matrix metrics. The results revealed a crucial trade-off between reliability and computational cost. The Random Forest algorithm demonstrated the highest reliability, albeit at the expense of higher computational cost. In contrast, the Logistic Regression algorithm offered maximum Precision with minimal computational cost. These findings contribute new academic knowledge on the predictability of the upward trend in the financial sector of Bolsas y Mercados Argentinos S.A. and establish a basis for the development of tools with significant predictive capacity in the Argentine capital market.