Aplicación de modelos estadísticos y de aprendizaje automático en la predicción de series de tiempo financieras

Abstract

La predicción de series de tiempo financieras es una tarea compleja debido a que estos datos combinan componentes lineales y no lineales de forma simultánea, presentan alta volatilidad, no estacionariedad y son sensibles a factores económicos, políticos y psicológicos. Esta monografía analiza la eficacia predictiva de los modelos híbridos en comparación con los enfoques estadísticos y de aprendizaje automático utilizados de forma individual, mediante una revisión bibliográfica de la literatura científica reciente. El desarrollo teórico aborda tres paradigmas: los modelos estadísticos clásicos como ARIMA y la familia GARCH, útiles para capturar estructuras lineales y volatilidad pero limitados por sus supuestos rígidos; los modelos de Machine Learning y Deep Learning como LSTM, DBN y SNN, superiores en la captura de estructuras no lineales pero propensos al sobreajuste, costosos computacionalmente y difíciles de interpretar; y los modelos híbridos, que integran ambos enfoques de forma secuencial o mediante descomposición de señales para aprovechar las fortalezas de cada uno. Los estudios analizados muestran que arquitecturas como ARIMA-LSTM, ARIMA-LSSVM y ensambles con Filtro de Kalman superan de forma consistente a los modelos individuales en métricas de error como RMSE y MAE. Sin embargo, uno de los hallazgos más relevantes es que una menor tasa de error estadístico no garantiza una mayor rentabilidad económica, ya que predecir la dirección del movimiento del precio suele ser más valioso que predecir su valor exacto. Se concluye que el paradigma híbrido es el enfoque más completo para este tipo de datos, siempre que se evalúe bajo criterios que incluyan precisión direccional, interpretabilidad y solidez metodológica, y no únicamente métricas de error estándar.