Predicción de mercados financieros: TFG
Mis primeros resultados predecían la bolsa. Demasiado bien.

El problema de tener tantísimas ideas por segundo es que, cuando te piden que elijas una sobre la que investigar, te quedas en blanco.
Estuve meses agobiado pensando de qué hacer el TFG. Solo contemplaba crear algo nuevo, que es a lo que estaba acostumbrado, y en ningún momento me planteé investigar, algo que siempre me había llamado la atención y en lo que nunca me había metido. Tampoco tenía claro si quería ciberseguridad o IA, que me fascina y era la oportunidad perfecta para meterme más de lleno.
Hasta que, hablando con mi tutor, de repente mencionó la bolsa.
Invierto desde los dieciocho años y nunca se me había ocurrido que el TFG pudiera ir de eso. Se me encendió la bombilla. ¿Por qué no investigar esos algoritmos que dicen predecir la bolsa? Cómo funcionan, cómo de buenos son, y si se les puede añadir algo nuevo para comprobar si de verdad mejoran.
Como inversor sé muy bien que lo que mueve una acción no son los patrones que puedas identificar en una subida o en una bajada. Lo que la mueve es el sentimiento de la gente. Cuando las grandes ballenas, las que mueven el gran capital, están asustadas o saben algo que los demás no, venden. La bolsa baja primero por esa venta y después por miedo. Miedo a seguir perdiendo. Y cuando sube ocurre lo mismo, al revés.
Así que me pregunté: si los algoritmos de hoy analizan patrones para adivinar lo siguiente que va a pasar, ¿por qué no darles también el sentimiento agregado, lo que la gente y los analistas están diciendo?
Sabía que era complicado. La información que se publica ya está al alcance de todo el mundo, y las grandes compras y ventas se hacen antes de que salga. Además hay cosas imposibles de predecir: si mañana muere el CEO de una empresa sus acciones caerán, por muy optimistas que fueran ayer las noticias sobre resultados, ventas o productos nuevos. Aun así quería saber si añadir esa información suponía algo. Y si suponía lo mismo para cualquier modelo o dependía del algoritmo y de la red neuronal.
Porque al final lo que interesa no es saber a qué precio va a cerrar la bolsa, sino si va a terminar por encima o por debajo de donde empezó. Eso es lo que te hace ganar o perder dinero.
Me puse manos a la obra. Comparé modelos estadísticos, de aprendizaje automático y de aprendizaje profundo sobre Bitcoin, Tesla y Nvidia, en varios horizontes temporales, con y sin el sentimiento de las noticias. Y sobre todo hice muchas pruebas estadísticas, que son lo más importante y lo más sólido del estudio: son las que permiten demostrar que lo que digo es así.
Los primeros resultados fueron buenísimos. Los modelos acertaban muy por encima del 50 %, y eso solo podía significar una cosa: que pronto alguien querría acabar conmigo, porque había descubierto la llave del mundo, la clave para hacer dinero.
Evidentemente, eso era imposible. Repetí las pruebas hasta que me di cuenta de que había una fuga de información: estaba mezclando el entrenamiento de los modelos con datos del futuro. Ahí descubrí la validación walk-forward, que consiste en entrenar solo con lo que se sabía hasta cada momento y predecir lo que viene después, sin aprender nunca de datos que todavía no existían.
Con eso corregido llegué a la conclusión de verdad. No, no somos mejores que el lobo de Wall Street. Ni tampoco que los miles de analistas profesionales que llevan años buscando la clave.
Fue un estudio interesantísimo y me motivó muchísimo, porque me ayudó a entender qué ocurre con mi dinero cuando invierto. Y a entender de verdad la teoría del mercado eficiente, que viene a decir que el precio ya incluye la información que tú acabas de leer. Si crees que una empresa va a presentar buenos resultados porque lo has visto en las noticias, el mercado ya está valorando esa probabilidad. No eres un privilegiado por saberlo.
Me pusieron un 10 por lo robusto del estudio. Aunque noté la desilusión del tribunal al ver que no se iban a hacer ricos conmigo.
Ficha técnica
Mi Trabajo de Fin de Grado en Ingeniería Informática, calificado con un 10/10. Comparé modelos estadísticos, de machine learning y de deep learning para predecir la dirección del precio de Bitcoin, Tesla y Nvidia. También comprobé si el sentimiento de las noticias de GDELT mejoraba las predicciones.