Un híbrido de arquitectura GAS-ATT-LSTM para predecir series temporales financieras no estacionarias
Autores: Astudillo, Kevin; Flores, Miguel; Soliz, Mateo; Ferreira, Guillermo; Varela-Aldás, José
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Un híbrido de arquitectura GAS-ATT-LSTM para predecir series temporales financieras no estacionarias
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Propone un enfoque híbrido para series temporales financieras con el modelo GAS
mecanismo de atención y red neuronal LSTM.
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
Este estudio propone un enfoque híbrido para analizar y pronosticar series temporales financieras no estacionarias combinando modelos estadísticos con redes neuronales profundas. Se introduce un modelo que integra tres componentes clave: el modelo Generalizado de Puntuación Autorregresiva (GAS), que captura la dinámica de la volatilidad; un mecanismo de atención (ATT), que identifica las características más relevantes dentro de la secuencia; y una red neuronal de Memoria a Corto y Largo Plazo (LSTM), que recibe las salidas de los módulos anteriores para generar pronósticos de precios. Esta arquitectura se denomina GAS-ATT-LSTM. Se evaluaron variantes unidireccionales y bidireccionales utilizando datos financieros reales del Índice Compuesto Nasdaq, Invesco QQQ Trust, ProShares UltraPro QQQ, Bitcoin, y futuros de oro y plata. El rendimiento del modelo propuesto se comparó con cinco arquitecturas de referencia: LSTM Bidireccional, GARCH-LSTM Bidireccional, ATT-LSTM, GAS-LSTM, y GAS-LSTM Bidireccional, bajo ventanas deslizantes de 3, 5 y 7 días. Los resultados muestran que GAS-ATT-LSTM, especialmente en su forma bidireccional, supera consistentemente a los modelos de referencia en la mayoría de los activos y horizontes de pronóstico. Destaca por su adaptabilidad a diferentes niveles de volatilidad y estructuras temporales, logrando mejoras significativas tanto en precisión como en estabilidad. Estos hallazgos confirman la efectividad del modelo híbrido propuesto como una herramienta robusta para pronosticar series temporales financieras complejas.
Descripción
Este estudio propone un enfoque híbrido para analizar y pronosticar series temporales financieras no estacionarias combinando modelos estadísticos con redes neuronales profundas. Se introduce un modelo que integra tres componentes clave: el modelo Generalizado de Puntuación Autorregresiva (GAS), que captura la dinámica de la volatilidad; un mecanismo de atención (ATT), que identifica las características más relevantes dentro de la secuencia; y una red neuronal de Memoria a Corto y Largo Plazo (LSTM), que recibe las salidas de los módulos anteriores para generar pronósticos de precios. Esta arquitectura se denomina GAS-ATT-LSTM. Se evaluaron variantes unidireccionales y bidireccionales utilizando datos financieros reales del Índice Compuesto Nasdaq, Invesco QQQ Trust, ProShares UltraPro QQQ, Bitcoin, y futuros de oro y plata. El rendimiento del modelo propuesto se comparó con cinco arquitecturas de referencia: LSTM Bidireccional, GARCH-LSTM Bidireccional, ATT-LSTM, GAS-LSTM, y GAS-LSTM Bidireccional, bajo ventanas deslizantes de 3, 5 y 7 días. Los resultados muestran que GAS-ATT-LSTM, especialmente en su forma bidireccional, supera consistentemente a los modelos de referencia en la mayoría de los activos y horizontes de pronóstico. Destaca por su adaptabilidad a diferentes niveles de volatilidad y estructuras temporales, logrando mejoras significativas tanto en precisión como en estabilidad. Estos hallazgos confirman la efectividad del modelo híbrido propuesto como una herramienta robusta para pronosticar series temporales financieras complejas.