Inicio / Proyectos / 03

FinPredict
RNN

Red neuronal recurrente LSTM de 2 capas para el análisis predictivo de series temporales financieras. Procesa cinco acciones (AAPL, GOOGL, MSFT, TSLA, AMZN) con datos de 2020–2025 y evalúa la precisión con métricas cuantitativas rigurosas.

Tipo: Deep Learning · Investigación
Stack: TensorFlow · Keras · Python
Mejor resultado: MAPE 2,10 % (MSFT)
Código: GitHub ↗

Proyecto estrictamente educativo

Los mercados financieros son sistemas complejos, no lineales e impredecibles. Las predicciones generadas no constituyen asesoramiento financiero ni deben usarse para decisiones de inversión reales. Los resultados pasados no garantizan resultados futuros.

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)

#	Ticker	MAPE	RMSE	Interpretación
01	MSFT	2,10%	$11,91	Excepcional
02	GOOGL	2,91%	$7,96	Excepcional
03	AAPL	3,29%	$9,36	Excepcional
04	AMZN	3,61%	$9,35	Excepcional
05	TSLA	7,55%	$33,61	Muy bueno*

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

Visualizaciones

Comparación de métricas RMSE y MAPE entre las cinco acciones analizadas — Comparación de RMSE y MAPE entre acciones

Predicción vs realidad

Predicciones de MSFT frente a precios reales — MSFT — MAPE 2,10 %

Predicciones de GOOGL frente a precios reales — GOOGL — MAPE 2,91 %

Predicciones de AAPL frente a precios reales — AAPL — MAPE 3,29 %

Predicciones de AMZN frente a precios reales — AMZN — MAPE 3,61 %

Predicciones de TSLA frente a precios reales — TSLA — MAPE 7,55 %

Proyección a 30 días (ventanas deslizantes)

Predicción futura de AAPL a 30 días — AAPL — proyección 30 días

Predicción futura de GOOGL a 30 días — GOOGL — proyección 30 días

Predicción futura de MSFT a 30 días — MSFT — proyección 30 días

Convergencia del entrenamiento

Curva de pérdida del entrenamiento de AAPL — AAPL — curva de pérdida

Curva de pérdida del entrenamiento de GOOGL — GOOGL — curva de pérdida

Curva de pérdida del entrenamiento de AMZN — AMZN — curva de pérdida

Arquitectura del modelo

Red 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
Pérdida     : Mean Squared Error
Callbacks   : EarlyStopping(patience=5) · ModelCheckpoint

Multi-ticker: análisis simultáneo de 5 acciones con comparación automática
Persistencia: guardado y carga automática de modelos entrenados (.keras)
Métricas: RMSE, MAE y MAPE para evaluación rigurosa
Predicción futura: proyección de 30 días con ventanas deslizantes
Configuración centralizada: todos los parámetros ajustables desde config.py

TensorFlow / KerasNumPyPandasscikit-learnMatplotlibyfinancePython 3.8+

Limitaciones

Parte del rigor del proyecto es documentar lo que este tipo de sistemas no puede hacer:

Datos de prueba ≠ predicción real: el MAPE refleja rendimiento sobre datos históricos conocidos, no garantiza nada sobre datos futuros.
Riesgo de overfitting: una precisión muy alta puede indicar memorización de patrones sin capacidad de generalización.
Eventos no modelados: noticias, crisis económicas, cambios regulatorios o eventos geopolíticos quedan fuera del modelo.
No linealidad: los mercados son sistemas complejos con comportamiento caótico y emergente.
Costes de transacción: comisiones, spreads, slippage y costes de oportunidad no están considerados.

Ver código en GitHub ↗

Siguiente proyecto — 04 BeeGame