Crea un modelo de previsión financiera
Sigue los pasos desde la recopilación de datos hasta las pruebas del modelo, su puesta en marcha y el seguimiento de su rendimiento.
Empieza por los datos
Un proceso que puedas repetir permite comprobar una previsión de mercado y aprender de sus errores.
Recopila los datos
Recopila precios históricos y volúmenes de negociación, junto con indicadores económicos y datos alternativos. Fuentes como Bloomberg, Refinitiv y St. Louis Fed (FRED) proporcionan API para obtener datos.
Prepara los datos
Trata los valores ausentes e investiga los valores atípicos antes de modificarlos. Corrige los errores sin eliminar automáticamente los sucesos extremos reales. Ajusta el escalado y cualquier otro preprocesamiento que aprenda de los datos solo con el conjunto de entrenamiento.
Elige variables útiles
Busca variables que ayuden a predecir tu objetivo, como el RSI, el MACD o indicadores económicos retardados. Utiliza únicamente información disponible en la fecha de la previsión, teniendo en cuenta las fechas de publicación originales y las revisiones de los datos económicos.
Paso 4: Elige y entrena un modelo
Consulta el resumen de técnicas para elegir un modelo adecuado a tus datos. Los modelos de regresión lineal pueden describir relaciones lineales. Para comportamientos más complejos y no lineales, considera los bosques aleatorios o las redes neuronales LSTM (memoria a largo y corto plazo).
Empieza con un modelo de referencia sencillo. Añade complejidad solo cuando mejore de forma apreciable el rendimiento con datos que el modelo no haya visto durante el entrenamiento.
Paso 5: Haz backtesting y valida el modelo
Prueba el modelo con datos posteriores que no haya visto durante el entrenamiento. El backtesting simula previsiones con la información histórica disponible en cada momento. Evita usar observaciones futuras al seleccionar variables o preprocesar los datos.
Para evaluar la previsión en sí, compara sus errores con los de un modelo de referencia sencillo mediante medidas como el error absoluto medio (MAE) o la raíz del error cuadrático medio (RMSE). Los resultados de las operaciones también dependen de los costes y de la ejecución.
- La validación walk-forward entrena el modelo con una ventana de datos y lo prueba en el periodo siguiente; después desplaza la ventana hacia delante.
- El análisis de la ratio de Sharpe mide la rentabilidad ajustada al riesgo para evaluar los resultados de las operaciones basadas en una previsión.
- El drawdown mide la caída desde un máximo anterior. Los drawdowns históricos describen pérdidas pasadas, no la mayor pérdida que podría producirse en el futuro.
Herramientas para elaborar previsiones
| Categoría | Ejemplos | Para qué sirven |
|---|---|---|
| Programación | Python, R, Julia | Ciencia de datos y modelización estadística. |
| Bibliotecas | pandas, scikit-learn, TensorFlow | Preparar datos y crear modelos de aprendizaje automático. |
| Visualización de datos | Tableau, Power BI, Plotly | Explicar los resultados de las previsiones a quienes las utilizan. |
| Nube | AWS, Azure, Google Cloud | Ejecutar grandes simulaciones y procesar datos en tiempo real. |
Sigue comprobando el rendimiento
Compara tus previsiones financieras con los resultados reales de forma continua. A medida que cambian los mercados, la deriva del modelo puede reducir su precisión.
Si los errores siguen aumentando, revisa las variables o vuelve a entrenar el modelo. Sigue comprobando la calidad de los datos, además de la propia previsión.
Consulta los indicadores económicos y otros datos que se utilizan en una previsión en nuestra página de mercados.
Elige el siguiente paso
Repasa los conceptos básicos en nuestra página de inicio, o compara los métodos de previsión antes de elegir uno para tu modelo.