Please use this identifier to cite or link to this item:
http://hdl.handle.net/2445/124249
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | Torra Porras, Salvador | - |
dc.contributor.author | Agustín Granell, Pau | - |
dc.date.accessioned | 2018-09-04T08:45:15Z | - |
dc.date.available | 2018-09-04T08:45:15Z | - |
dc.date.issued | 2018-07 | - |
dc.identifier.uri | http://hdl.handle.net/2445/124249 | - |
dc.description | Treballs Finals de Grau en Estadística UB-UPC, Facultat d'Economia i Empresa (UB) i Facultat de Matemàtiques i Estadística (UPC), Curs: 2017-2018, Tutor: Salvador Torra Porras | ca |
dc.description.abstract | (spa) Las redes neuronales recurrentes (LSTM) son una técnica muy popular para aprendizaje en secuencia. Sus características la convierten en una buena candidata para resolver uno de los problemas más difíciles de resolver en finanzas: La predicción de movimientos en los precios de stocks. Nuestro objetivo es poder predecir movimientos a 15 días de una compañía del índice S&P 500, EBAY, aplicando redes neuronales y LSTM a partir de únicamente los históricos de los precios de cierre de estas 500 compañías. Los movimientos se han clasificado en tres clases siendo 1 comprar, 0 mantenerse y -1 vender. Esta clasificación se ha hecho mediante la metodología de las Bandas de Bollinger, que dibuja unos límites para los cuales el precio se considera que está demasiado alto o bajo. Como features se han usado variables creadas a partir de los precios de cierre ajustados de las compañías del índice basándonos en los componentes de un posible sistema de trading para generar señales de compra y venta. | ca |
dc.description.abstract | (eng) Comparison between neural networks and recurrent neural networks for stock movement prices using Bollinger bands as a classifier. Recurrent neural networks such as LSTM are a very powerful technique for sequence learning. Its characteristics make of it a very good candidate to solve one of the hardest problems in finance: Stock movements prediction. Our goal was to predict out of sample movements, 15 days forward, from a company of the S&P 500 index, EBAY, deploying LSTM and neural networks and feeding it only the information of the 500 historic adjusted closing prices. The movements have been classified as 1 buy, 0 hold and -1 sell following the Bollinger Bands methodology, which draws limits for the price to be considered too low or high. As features some variables have been created from the adjusted closing prices of the companies, those variables are based around possible components of a trading system to generate buy and sell signals. | ca |
dc.format.extent | 74 p. | - |
dc.format.mimetype | application/pdf | - |
dc.language.iso | spa | ca |
dc.rights | cc-by-nc-nd (c) Pau Agustín Granell, 2018 | - |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/es/ | * |
dc.source | Treballs Finals de Grau (TFG) - Estadística UB-UPC | - |
dc.subject.classification | Estadística | cat |
dc.subject.classification | Xarxes neuronals (Informàtica) | cat |
dc.subject.classification | Mercat financer | cat |
dc.subject.classification | Treballs de fi de grau | - |
dc.subject.other | Statistics | eng |
dc.subject.other | Neural networks (Computer science) | eng |
dc.subject.other | Financial market | eng |
dc.subject.other | Bachelor's theses | eng |
dc.title | Redes Neuronales Recurrentes: Una aplicación para los mercados bursátiles | spa |
dc.type | info:eu-repo/semantics/bachelorThesis | ca |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | ca |
Appears in Collections: | Treballs Finals de Grau (TFG) - Estadística UB-UPC |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
tfg_Pau_Agustin_memoria.pdf | 2.34 MB | Adobe PDF | View/Open |
This item is licensed under a
Creative Commons License