Impacto del sentimiento financiero en la predicción de volatilidad: una aplicación con ML y LSTM

Abstract

Este Trabajo Final de Máster analiza la capacidad predictiva del sentimiento financiero sobre la volatilidad del S&P 500, entendida como el cuadrado de los retornos diarios. Se utilizan modelos GARCH, Random Forest, XGBoost y redes LSTM, integrando variables de sentimiento extraídas con FinBERT. Se realiza un riguroso proceso de selección de variables, validación temporal y optimización de hiper parámetros. Además, se evalúan divergencias entre distribuciones (KL, JSD), riesgo epistémico (MC Dropout, bootstrapping) y causalidad (Granger, DoubleML). Los resultados muestran que el uso de series de sentimiento puede mejorar la predicción de la volatilidad.