Este proyecto realiza un análisis de series temporales del índice S&P 500, utilizando modelos ARIMA para predecir su comportamiento a 60 días.
El S&P 500 es uno de los índices más longevos y fuertes, pero actualmente se enfrenta a una situación complicada debido a los tipos de interés en EE. UU., que inicialmente estaban al 5.5% y han disminuido al 5%, lo que representa una mejora. Sin embargo, la previsión indica que el precio buscará el soporte más cercano, que se sitúa en los 5408 $, según el pronóstico del modelo.
A continuación se muestra un gráfico que ilustra la tendencia de los tipos de interés en EE. UU.:
Se han comparado tres modelos ARIMA para el pronóstico:
-
ARIMA(9,1,8): Este modelo surgió como el de mejor desempeño con un AIC de 35756.067, equilibrando la complejidad y el poder predictivo de manera efectiva.
-
ARIMA(10,1,10): Con un AIC de 35770.361, este modelo proporcionó información sólida pero agregó una complejidad innecesaria.
-
ARIMA(8,1,9): Aunque competitivo con un AIC de 35761.947, no superó a la combinación 9-8.
- ARIMA(9,1,8) no solo minimizó el AIC, sino que también demostró solidez a la hora de capturar los patrones subyacentes en los datos 📊.
- Las métricas de rendimiento indican que, si bien la complejidad puede ofrecer un ajuste más preciso, no siempre se traduce en mejores capacidades predictivas.
El modelo ARIMA(9,1,8) se destacó como la mejor opción para pronosticar el comportamiento del S&P 500 en este análisis, especialmente al minimizar el AIC y capturar los patrones subyacentes de los datos. A pesar de la reciente reducción de los tipos de interés en EE. UU. del 5.5% al 5%, el mercado aún podría buscar el soporte en 5408 $, como indica el pronóstico 📉.
No obstante, ARIMA presenta ciertas limitaciones, especialmente en un entorno de mercado tan complejo como el S&P 500. Los cambios rápidos en el mercado financiero, así como la baja autocorrelación en los datos, pueden ser difíciles de capturar únicamente con modelos ARIMA. Por ello, proponemos explorar otras alternativas y combinaciones de enfoques que podrían mejorar las predicciones:
- Redes Neuronales Recurrentes (RNN) y LSTM: Estos modelos son excelentes para trabajar con series temporales y podrían capturar patrones más complejos y no lineales que ARIMA no puede detectar. Las LSTM son particularmente efectivas para manejar secuencias largas y detectar dependencias a largo plazo en los datos 🔄.
- Una combinación de ARIMA con redes neuronales podría ofrecer una solución robusta. El enfoque híbrido (ARIMA + LSTM, por ejemplo) permitiría capturar tanto los componentes lineales como los no lineales de los datos.
- SARIMA o ARIMAX: Estos modelos permiten incorporar variables exógenas (como los tipos de interés o los volúmenes de negociación 📊) que podrían mejorar la precisión del pronóstico, integrando el impacto directo de las políticas económicas en las predicciones.
- Usar tecnologías como Apache Kafka o Amazon Kinesis podría permitir la recolección y análisis de datos en tiempo real, lo que mejoraría la capacidad de respuesta del modelo ante los cambios repentinos en el mercado 🚀.
- Implementar modelos en la nube utilizando API financieras para integrar datos en tiempo real y mejorar la capacidad de predicción mediante actualizaciones continuas 🌐.
En resumen, aunque ARIMA(9,1,8) es una opción sólida para este análisis, existen oportunidades significativas para mejorar el pronóstico al integrar otras tecnologías y enfoques más sofisticados. Estos modelos y tecnologías complementarios permitirían una mayor precisión y flexibilidad, adaptándose mejor a la naturaleza dinámica y no lineal del S&P 500 📈.
pip install -r requirements.txtEste README incluye toda la información clave del proyecto, los modelos utilizados y las conclusiones extraídas, con sugerencias para explorar tecnologías más avanzadas y mejorar las predicciones.