| Tesis Doctorales de la Universidad de Alcalá |
| Aplicaciones Avanzadas de Aprendizaje Profundo y Refuerzo en Predicción Financiera: Un Enfoque Híbrido para Inflación, Volatilidad y Trading Algorítmico | | Autor/a | Martínez Casares, Antonio José | | Departamento | Economía y Dirección de Empresas | | Director/a | Gonzalo Angulo, José A. | | Codirector/a | Crespo Espert, José Luis | | Fecha de depósito | 29-09-2026 | | Periodo de exposición pública | 30 de septiembre a 15 de octubre de 2026 | | Fecha de defensa | Sin especificar | | Modalidad | Presencial | | Programa | Economía y Gestión Empresarial (RD 99/2011) | | Mención internacional | No | | Resumen | Esta tesis doctoral presenta un enfoque integral y novedoso para la aplicación
de técnicas avanzadas de aprendizaje profundo y aprendizaje por refuerzo en la
predicción y análisis de variables financieras críticas. La investigación se estructu
ra en tres componentes fundamentales que abordan diferentes aspectos del análisis
financiero mediante inteligencia artificial: predicción de inflación, pronóstico de
volatilidad del mercado, y trading algorítmico optimizado.
Los tres componentes de esta investigación están unidos por una hipótesis
central: en series temporales financieras con bajo ratio señal-ruido, la calidad del
preprocesamiento de señales constituye el factor determinante del rendimiento
predictivo, por encima de la complejidad arquitectónica del modelo. Esta hipóte
sis se valida progresivamente a través de los tres estudios, que comparten además
un enfoque metodológico común basado en la combinación de técnicas de filtrado
y descomposición de señales (filtros econométricos, transformadas wavelet) con
arquitecturas de aprendizaje profundo y por refuerzo. La secuencia de los com
ponentes refleja una progresión natural: desde la predicción macroeconómica de
largo plazo (inflación), pasando por la estimación de riesgo de mercado a medio
plazo (volatilidad), hasta la toma de decisiones operativas de corto plazo (trading
algorítmico).
En el primer componente, se investiga la mejora en la precisión de predicción
de la inflación mediante la incorporación de métodos sofisticados de filtrado de
series temporales (Hodrick-Prescott, Baxter-King y Kalman) combinados con di
versos marcos de aprendizaje automático y profundo (ANN, RNN, LSTM, GRU,
CNN, Random Forest y XGBoost). Utilizando datos económicos mensuales de la
Reserva Federal de EE.UU. desde 1959 hasta 2024, los resultados demuestran que
el filtrado Hodrick-Prescott elimina eficientemente el ruido y enfatiza las dinámi
cas cíclicas de la inflación, permitiendo que los enfoques de ensamble alcancen un
MSE <0.001 y R² >0.99.
El segundo componente introduce un marco híbrido basado en Proximal
Policy Optimization (PPO) para la predicción de ventanas de alta volatilidad en
el índice VIX. El modelo combina técnicas avanzadas de extracción de carac
terísticas incluyendo métodos basados en wavelets, análisis fractal mediante el
exponente de Hurst, reducción de dimensionalidad con autoencoders, y arquitec
turas inspiradas en ResNet. La evaluación sistemática de todas las combinaciones
no vacías de indicadores clave del mercado (PRICE, DIX, GEX, SKEW y PUT
CALLRATIO) demuestra una mejora del 78% en MSE comparado con modelos
LSTM tradicionales.
El tercer componente examina el aprendizaje por refuerzo profundo mejorado
con wavelets para el trading algorítmico de futuros del S&P 500. Se evalúan
cuatro familias de wavelets (Daubechies, Symlets, Coiflets y Biorthogonal) en
conjunto con tres algoritmos DRL (PPO, A2C y DQN). La combinación coif4
DQN produce los resultados más robustos con un ratio de Sharpe de 0.96 y un
retorno total del 112.5%, superando a métodos tradicionales como XGBoost y
Random Forest en un 35-70% en términos del ratio de Sharpe.
Los hallazgos de esta investigación tienen implicaciones significativas para el
desarrollo de políticas monetarias, la gestión de riesgos financieros y la imple
mentación de estrategias de trading institucional. La integración exitosa de estas
técnicas avanzadas proporciona un marco robusto y escalable para abordar los
desafíos complejos de los mercados financieros modernos.
Palabras clave: Aprendizaje Profundo, Aprendizaje por Refuerzo, Predic
ción de Inflación, Volatilidad del Mercado, Trading Algorítmico, Transformada
Wavelet, Filtros de Series Temporales, VIX, S&P 500 |
|
