Work

A comparison between LSTM and Facebook Prophet models: a financial forecasting case study

Year: 2020
Type: dissertation
Abstract: La predicció d'actius financers és una de les principals aplicacions de l'aprenentatge automàtic i les xarxes neuronals. En concret, les xarxes basades en Long Short-Term Memory (LSTM) han demostrat ser especialment útils en aquest camp i en altres problemes de sèries temporals. Per contra, s'ha investigat menys sobre la idoneïtat i el rendiment del model Facebook Prophet, basat en el model additiu i que és capaç d'unir tendències no lineals amb estacionalitats configurables. Aquest projecte buscava construir i comparar dos models: un basat en una xarxa neuronal LSTM i l'altre basat en l'algorisme Prophet, per així analitzar quin dels dos actuava millor com a predictor, en concret sobre el preu de l'índex borsari S&P500. Per tal de comparar aquests models un mòdul de simulació de trading va ser implementat i utilitzat com a plataforma de backtesting, mitjançant el qual, els models poguessin posar en pràctica les seves prediccions i així determinar el seu rendiment econòmic. Després de l'anàlisi dels models, es va concloure que la LSTM aconseguia millors resultats i actuava com un predictor decent en comparació amb altres estratègies de trading senzilles. El model Prophet també tenia retorns d'inversió positius, però era menys robust com a predictor. A banda, el projecte ha demostrat la utilitat de fer ús d'una plataforma de backtesting en qualsevol tasca de predicció financera, ja que ajuda a detectar asimetries entre el rendiment d'un model durant la fase de test de l'algorisme i el posterior rendiment del model en un entorn de trading simulat.
Language: English
Open Access status: green
OpenAlex ID: W3018142017
Cites: 13
Cited by: 10
Related to: 10