Devis Rodriguez, Fernando2024-10-252024-10-252024-09Devis Rodriguez, Fernando (2024) Análisis Predictivo del Precio del Oro: Correlaciones con Indicadores Técnicos y Fundamentales en el Contexto de Mercados Financieros. Trabajo Fin de Máster. Universidad de Educación a Distancia (UNED)https://hdl.handle.net/20.500.14468/24122Este trabajo de fin de máster titulado "Análisis Predictivo del Precio del Oro: Correlaciones con Indicadores Técnicos y Fundamentales en el Contexto de Mercados Financieros" abarca un estudio detallado del precio del oro utilizando el conocimiento adquirido de todo el máster. El proyecto se estructura en varios capítulos, comenzando con un análisis histórico del valor del oro y su relevancia en el contexto económico actual. En la fase de recopilación de datos, se examinan diversos indicadores fundamentales como la oferta y demanda, políticas monetarias y factores geopolíticos, así como indicadores técnicos como la media móvil, el RSI, y el MACD. Estos datos se descargan y organizan para su análisis posterior, mediante procesos ETL. También se tiene en cuenta el estado del arte actual, que se divide en dos vertientes, por un lado, la explicación de cómo se utilizan algoritmos de aprendizaje automático en los indicadores más adecuados, y por otro, las soluciones completas de software que existen al respecto, tanto dirigidas al público final, como a grandes inversores e instituciones El siguiente paso es la construcción de un modelo sencillo de regresión lineal utilizando datos históricos del oro obtenidos del Nasdaq. Se evalúan las variables explicativas y se prueba la eficacia del modelo para predecir el precio del oro del día siguiente. A pesar de sus limitaciones, este modelo proporciona una base para comparaciones posteriores. Posteriormente, se implementa un modelo avanzado utilizando Redes Neuronales LSTM, que permite capturar patrones más complejos en los datos. El proceso ETL (Extract, Transform, Load) se describe en detalle, y se realiza una fusión de varios conjuntos de datos para construir un dataset completo. Los resultados de este modelo se comparan con los obtenidos mediante regresión lineal, destacando las mejoras y la precisión alcanzada. Finalmente, se presentan las conclusiones del estudio, resaltando las limitaciones encontradas y las posibles mejoras futuras.esinfo:eu-repo/semantics/openAccess12 Matemáticas::1203 Ciencia de los ordenadores ::1203.17 Informáticatesis de maestríaanálisis predictivomodelado de series temporalesLSTMredes neuronales recurrentesregresión linealminería de datosindicadores financierosmedia móvil simpleíndice de fuerza relativaconvergencia/divergencia de medias móvilesbandas de Bollingeroscilador estocásticoretrocesos de Fibonacciíndice de movimiento direccionalvolumen de tradingindicador de acumulación/distribucióníndice de flujo de dineropolítica monetariafactores geopolíticosoferta y demandacoyuntura económicavalor del dólarexpectativas del mercadosentimiento inversorprocesos ETLextracción de datostransformación de datoscarga de datosdataset de Yahoo!Financeevaluación de modelosprecisión predictivaanálisis de datos financierospredictive analysistime series modelingLSTMrecurrent neural networkslinear regressiondata miningfinancial indicatorssimple moving averagerelative strength indexmoving average convergence/divergenceBollinger bandsstochastic oscillatorFibonacci retracementsdirectional movement indextrading volumeaccumulation/distribution indicatormoney flow indexmonetary policygeopolitical factorssupply and demandeconomic conditionsdollar valuemarket expectationsinvestor sentimentETL processesdata extractiondata transformationdata loadingYahoo Finance datasetmodel evaluationpredictive accuracyfinancial data analysis