Proyecto Educativo

FinPredict-RNN

Sistema de predicción de series temporales financieras con arquitectura LSTM profunda. Implementación educativa de deep learning aplicado al análisis cuantitativo.

Ver en GitHub Volver al Portfolio

⚠️ Advertencia Importante

Este proyecto es estrictamente educativo y de investigación. Los mercados financieros son sistemas complejos, no lineales e impredecibles. Las predicciones generadas NO constituyen asesoramiento financiero ni recomendaciones de inversión. No debe utilizarse para tomar decisiones de inversión reales. Los resultados pasados no garantizan resultados futuros.

Descripción del Proyecto

FinPredict-RNN implementa una arquitectura de red neuronal recurrente (LSTM) de 2 capas para el análisis predictivo de series temporales financieras. El sistema procesa datos históricos de 5 acciones (AAPL, GOOGL, MSFT, TSLA, AMZN) desde 2020-2025, aplicando técnicas avanzadas de deep learning para identificar patrones temporales.

El proyecto demuestra la aplicación práctica de redes neuronales recurrentes en el ámbito financiero, implementando métricas cuantitativas rigurosas (RMSE, MAE, MAPE) para evaluar la precisión del modelo. Incluye sistema de persistencia de modelos, visualizaciones interactivas y predicción futura de 30 días mediante ventanas deslizantes.

Resultados Técnicos

Mejor MAPE

2.10%

Microsoft (MSFT)

Acciones Analizadas

AAPL, GOOGL, MSFT, TSLA, AMZN

Datos Históricos

~1,500

Días por acción (2020-2025)

Arquitectura

100-50

Unidades LSTM por capa

Ranking de Precisión (MAPE)

Ranking	Ticker	MAPE	RMSE	Interpretación
1	MSFT	2.10%	$11.91	Excepcional
2	GOOGL	2.91%	$7.96	Excepcional
3	AAPL	3.29%	$9.36	Excepcional
4	AMZN	3.61%	$9.35	Excepcional
5	TSLA	7.55%	$33.61	Muy bueno*

* Tesla presenta mayor volatilidad inherente, justificando un MAPE más elevado. Valores MAPE < 5% se consideran excepcionales en predicción financiera.

Visualizaciones y Análisis

Comparación de Modelos

Comparación RMSE y MAPE entre acciones

Predicciones por Acción

AAPL - Predicción vs Real (MAPE: 3.29%)

GOOGL - Predicción vs Real (MAPE: 2.91%)

MSFT - Predicción vs Real (MAPE: 2.10%)

TSLA - Predicción vs Real (MAPE: 7.55%)

AMZN - Predicción vs Real (MAPE: 3.61%)

Predicción Futura (30 días)

AAPL - Proyección 30 días

GOOGL - Proyección 30 días

MSFT - Proyección 30 días

Historial de Entrenamiento

AAPL - Convergencia del modelo

GOOGL - Convergencia del modelo

AMZN - Convergencia del modelo

Arquitectura del Modelo

Red neuronal recurrente de 2 capas LSTM con regularización dropout para prevenir overfitting:

Input (60, 1)                    # 60 días de historia
    ↓
LSTM(100 units, return_sequences=True)
    ↓
Dropout(0.2)                     # Regularización
    ↓
LSTM(50 units)
    ↓
Dropout(0.2)
    ↓
Dense(25)                        # Capa de compresión
    ↓
Dense(1)                         # Predicción del precio

Optimizador: Adam
Función de pérdida: Mean Squared Error
Callbacks: Early Stopping (patience=5), ModelCheckpoint
      

Stack Tecnológico

TensorFlow / Keras NumPy Pandas scikit-learn Matplotlib yfinance Python 3.8+

Características Implementadas

📊

Multi-Ticker

Análisis simultáneo de 5 acciones con comparación automática

💾

Persistencia

Guardado/carga automática de modelos entrenados (.keras)

📈

Métricas Cuantitativas

RMSE, MAE y MAPE para evaluación rigurosa

🔮

Predicción Futura

Proyección de 30 días con ventanas deslizantes

⚡

Early Stopping

Prevención de overfitting con patience=5

⚙️

Config Centralizada

Parámetros ajustables desde config.py

Limitaciones y Consideraciones

Es fundamental comprender las limitaciones inherentes de este tipo de sistemas:

Datos de prueba vs. predicción real: El MAPE refleja rendimiento en datos históricos conocidos, no garantiza resultados en datos futuros desconocidos.
Riesgo de overfitting: Modelos con precisión muy alta pueden memorizar patrones históricos sin capacidad de generalización.
Eventos no modelados: Noticias, crisis económicas, cambios regulatorios, eventos geopolíticos no están capturados en el modelo.
No linealidad de mercados: Los mercados financieros son sistemas complejos con comportamiento caótico y emergente.
Costos de transacción: Comisiones, spreads, slippage y costos de oportunidad no están considerados.

Este proyecto NO debe utilizarse para inversión real.
Consulte a un asesor financiero certificado antes de tomar decisiones de inversión.

Ver Código en GitHub Volver al Portfolio