La predicción del mercado de valores es el acto de intentar determinar el valor futuro de las acciones de una empresa u otro instrumento financiero que se negocia en una bolsa . La predicción acertada del precio futuro de una acción podría generar beneficios significativos. La hipótesis del mercado eficiente sugiere que los precios de las acciones reflejan toda la información disponible actualmente y que cualquier cambio de precios que no se base en información recién revelada es, por tanto, inherentemente impredecible. Otros no están de acuerdo y quienes comparten este punto de vista poseen una gran cantidad de métodos y tecnologías que supuestamente les permiten obtener información sobre los precios futuros.
La hipótesis del mercado eficiente postula que los precios de las acciones son una función de la información y de las expectativas racionales, y que la información recién revelada sobre las perspectivas de una empresa se refleja casi inmediatamente en el precio actual de las acciones. Esto implicaría que toda la información conocida públicamente sobre una empresa, que obviamente incluye su historial de precios, ya se reflejaría en el precio actual de las acciones. En consecuencia, los cambios en el precio de las acciones reflejan la publicación de nueva información, cambios en el mercado en general o movimientos aleatorios en torno al valor que refleja el conjunto de información existente.
Burton Malkiel , en su influyente obra de 1973 A Random Walk Down Wall Street , afirmó que, por tanto, los precios de las acciones no se podían predecir con precisión observando el historial de precios. Como resultado, argumentó Malkiel, los precios de las acciones se describen mejor mediante un proceso estadístico llamado "paseo aleatorio", lo que significa que las desviaciones de cada día con respecto al valor central son aleatorias e impredecibles. Esto llevó a Malkiel a concluir que pagar a personas de servicios financieros para que predigan el mercado en realidad perjudicaba, en lugar de ayudar, al rendimiento neto de la cartera. Una serie de pruebas empíricas respaldan la idea de que la teoría se aplica de forma general, ya que la mayoría de las carteras gestionadas por predictores de acciones profesionales no superan el rendimiento promedio del mercado después de tener en cuenta los honorarios de los gestores. [1]
El valor intrínseco (valor real) es el valor percibido o calculado de una empresa, incluidos los factores tangibles e intangibles, mediante el análisis fundamental. También se le suele llamar valor fundamental. Se utiliza para comparar con el valor de mercado de la empresa y averiguar si la empresa está infravalorada en el mercado de valores o no. Al calcularlo, el inversor analiza tanto los aspectos cualitativos como cuantitativos de la empresa. Normalmente se calcula sumando los ingresos futuros descontados generados por el activo para obtener el valor actual.
Las metodologías de predicción se dividen en tres grandes categorías que pueden superponerse (y a menudo lo hacen): análisis fundamental , análisis técnico (gráficos) y aprendizaje automático .
Los analistas fundamentales se ocupan de la empresa que sustenta la acción en sí. Evalúan el desempeño pasado de una empresa, así como la credibilidad de sus cuentas . Se crean muchos índices de desempeño que ayudan al analista fundamental a evaluar la validez de una acción, como el índice P/E . Warren Buffett es quizás el más famoso de todos los analistas fundamentales. Utiliza el índice de capitalización de mercado global / PIB para indicar el valor relativo del mercado de valores en general, por lo que este índice se conoce como el " indicador Buffett ". [2] [3] [4]
Lo que el análisis fundamental en el mercado de valores intenta lograr es averiguar el valor real de una acción, que luego se puede comparar con el valor al que se negocia en los mercados de valores y, por lo tanto, averiguar si la acción en el mercado está infravalorada o no. Averiguar el valor real se puede hacer mediante varios métodos que básicamente siguen el mismo principio. El principio es que una empresa vale todos sus beneficios futuros sumados. Estos beneficios futuros también deben descontarse a su valor actual. Este principio coincide bien con la teoría de que una empresa se trata solo de beneficios y nada más.
A diferencia del análisis técnico, el análisis fundamental se considera más como una estrategia a largo plazo.
El análisis fundamental se basa en la creencia de que la sociedad humana necesita capital para progresar y que, si una empresa funciona bien, debería recibir una recompensa de capital adicional y, como resultado, un aumento en el precio de las acciones. Los gestores de fondos utilizan ampliamente el análisis fundamental, ya que es el más razonable, objetivo y se realiza a partir de información disponible públicamente, como el análisis de estados financieros.
Otro significado del análisis fundamental va más allá del análisis de abajo hacia arriba de la empresa, se refiere al análisis de arriba hacia abajo desde el análisis primero de la economía global, seguido por el análisis del país y luego el análisis del sector, y finalmente el análisis a nivel de empresa.
El análisis técnico es una metodología de análisis para analizar y pronosticar la dirección de los precios mediante el estudio de datos históricos del mercado, principalmente precios y volúmenes. La eficacia del análisis técnico es cuestionada por la hipótesis del mercado eficiente , que afirma que los precios del mercado de valores son esencialmente impredecibles, [5] y la investigación sobre si el análisis técnico ofrece algún beneficio ha producido resultados mixtos. [6] [7] [8]
Los analistas técnicos o chartistas suelen preocuparse menos por los fundamentos de una empresa. Buscan determinar las posibilidades de movimiento futuro del precio de las acciones basándose principalmente en las tendencias del precio pasado (una forma de análisis de series temporales ). Se emplean numerosos patrones, como el de cabeza y hombros o el de taza y platillo. Junto con los patrones, se utilizan técnicas como la media móvil exponencial (EMA), osciladores, niveles de soporte y resistencia o indicadores de impulso y volumen. Los patrones de velas, que se cree que fueron desarrollados por primera vez por comerciantes de arroz japoneses, son ampliamente utilizados hoy en día por los analistas técnicos. El análisis técnico se utiliza más para estrategias a corto plazo que para las de largo plazo. Y, por lo tanto, es mucho más frecuente en los mercados de materias primas y divisas, donde los operadores se centran en los movimientos de precios a corto plazo. Hay algunas suposiciones básicas que se utilizan en este análisis, la primera es que todo lo significativo de una empresa ya está incluido en el precio de la acción, otra es que el precio se mueve en tendencias y, por último, que la historia (de los precios) tiende a repetirse, lo que se debe principalmente a la psicología del mercado.
Con la llegada de la computadora digital , la predicción del mercado de valores ha pasado al ámbito tecnológico. Se han publicado varios artículos de investigación con implementaciones de técnicas de aprendizaje automático para predecir los mercados de valores, incluidas, entre otras, las redes neuronales artificiales [9] (ANN), los bosques aleatorios [10] y la clasificación estadística supervisada [11] .
Una forma común de ANN que se utiliza para la predicción del mercado de valores es la red de propagación hacia adelante que utiliza el algoritmo de propagación hacia atrás de errores para actualizar los pesos de la red. Estas redes se conocen comúnmente como redes de retropropagación . Otra forma de ANN que es más apropiada para la predicción de acciones es la red neuronal recurrente en el tiempo (RNN) o la red neuronal con retardo en el tiempo (TDNN). Ejemplos de RNN y TDNN son las redes Elman, Jordan y Elman-Jordan .
Para la predicción de stock con ANN, normalmente se adoptan dos enfoques para pronosticar diferentes horizontes temporales: independiente y conjunto. El enfoque independiente emplea una única ANN para cada horizonte temporal, por ejemplo, 1 día, 2 días o 5 días. La ventaja de este enfoque es que el error de pronóstico de la red para un horizonte no afectará el error para otro horizonte, ya que cada horizonte temporal suele ser un problema único. El enfoque conjunto, sin embargo, incorpora varios horizontes temporales juntos para que se determinen simultáneamente. En este enfoque, el error de pronóstico para un horizonte temporal puede compartir su error con el de otro horizonte, lo que puede reducir el rendimiento. También se requieren más parámetros para un modelo conjunto, lo que aumenta el riesgo de sobreajuste.
Últimamente, la mayoría de los grupos de investigación académica que estudian las ANN para la previsión de acciones parecen estar utilizando un conjunto de métodos de ANN independientes con mayor frecuencia y con mayor éxito. Un conjunto de ANN utilizaría precios bajos y desfases temporales para predecir futuros mínimos, mientras que otra red utilizaría máximos desfasados para predecir futuros máximos. Las predicciones de mínimos y máximos previstas se utilizan luego para formar precios de parada para comprar o vender. Los resultados de las redes individuales de "mínimos" y "máximos" también se pueden introducir en una red final que también incorporaría volumen, datos intermercado o resúmenes estadísticos de precios, lo que daría lugar a un resultado final del conjunto que desencadenaría la compra, la venta o el cambio de dirección del mercado.
Los métodos de aprendizaje profundo se han utilizado en cierta medida. El transformador de tres torres con compuerta (GT3) es un modelo basado en transformadores diseñado para integrar datos numéricos del mercado con información textual de fuentes sociales para mejorar la precisión de las predicciones del mercado de valores. [12]
Dado que las redes neuronales requieren entrenamiento y pueden tener un amplio espacio de parámetros, resulta útil optimizar la red para lograr una capacidad predictiva óptima. Un hallazgo importante con las redes neuronales neuronales y la predicción de acciones es que un enfoque de clasificación (en comparación con la aproximación de funciones) que utiliza resultados en forma de compra (y=+1) y venta (y=-1) genera una mejor confiabilidad predictiva que un resultado cuantitativo, como un precio bajo o alto. [13]
Las implementaciones que utilizan bosques aleatorios y clasificación estadística supervisada siguen el mismo enfoque de predicción del movimiento de las acciones que un problema de clasificación binaria. Según esta formulación, el signo de un rendimiento futuro es la etiqueta de los datos, y los rendimientos previstos se dividen entre negativos y no negativos, y las características observables que se utilizan para alimentar el modelo de clasificación pueden ser los rendimientos rezagados, el signo rezagado de los rendimientos o cualquier otro dato económico explicativo rezagado.
La función de pérdida utilizada para evaluar la calidad del modelo de clasificación puede ser la precisión de la predicción (definida como el número de veces que el clasificador predijo el signo correcto dividido por el número total de predicciones realizadas) [10] o el rendimiento total de una estrategia comercial que compró cuando el clasificador predijo un signo positivo y vendió cuando el clasificador predijo un rendimiento negativo. [11] Como estándar en todos los problemas de clasificación estadística, es importante dividir los datos disponibles en muestras de entrenamiento y prueba y solo evaluar el modelo en función de los resultados de la muestra de prueba, ya que generalmente se considera más confiable que la evidencia basada en el desempeño dentro de la muestra, que puede ser más sensible a los valores atípicos y la minería de datos. [14] Los pronósticos fuera de la muestra también reflejan mejor la información disponible para el pronosticador en "tiempo real".
Tobias Preis et al. introdujeron un método para identificar precursores en línea de movimientos del mercado de valores, utilizando estrategias comerciales basadas en datos de volumen de búsqueda proporcionados por Google Trends . [15] Su análisis del volumen de búsqueda de Google para 98 términos de relevancia financiera variable, publicado en Scientific Reports , [16] sugiere que los aumentos en el volumen de búsqueda de términos de búsqueda financieramente relevantes tienden a preceder a grandes pérdidas en los mercados financieros. [17] [18] [15] [19 ] [20] [21] [ 22] [23] De estos términos, tres fueron significativos al nivel del 5% (| z | > 1,96). El mejor término en la dirección negativa fue "deuda", seguido de "color".
En un estudio publicado en Scientific Reports en 2013, [24] Helen Susannah Moat, Tobias Preis y sus colegas demostraron un vínculo entre los cambios en la cantidad de vistas de artículos de Wikipedia en inglés relacionados con temas financieros y los grandes movimientos posteriores del mercado de valores. [25]
El uso de Minería de Texto junto con algoritmos de Aprendizaje Automático recibió más atención en los últimos años, [26] con el uso de contenido textual de Internet como entrada para predecir cambios de precios en acciones y otros mercados financieros.
El estado de ánimo colectivo de los mensajes de Twitter se ha vinculado con el rendimiento del mercado de valores. [27] Sin embargo, el estudio ha sido criticado por su metodología.
Se ha analizado la actividad de los foros de discusión de acciones para predecir el rendimiento de los activos. [28] Los titulares de Yahoo! Finance y Google Finance se utilizaron como fuente de noticias en un proceso de minería de texto para predecir los movimientos de los precios de las acciones del Dow Jones Industrial Average . [29]
Probablemente sea la mejor medida individual de la situación de las valoraciones en un momento determinado
{{cite journal}}: CS1 maint: varios nombres: lista de autores ( enlace ){{cite journal}}: CS1 maint: varios nombres: lista de autores ( enlace )