Models híbrids CNN-seqüencials per a predicció financera : comparació entre CNN-Transformer i CNN-LSTM amb anàlisi de característiques i interpretabilitat.
Year: 2026
Type: dissertation
Abstract: Aquest article presenta un estudi comparatiu de dues arquitectures d'aprenentatge profund híbrides, CNN-LSTM i CNN-Transformer, aplicades a la predicció financera intradia amb intervals de cinc minuts en el mercat nord-americà. L'ús de capes convolucionals com a extractores de patrons locals, es combinen amb estructures seqüencials i mecanismes d'atenció per capturar dependències temporals complexes. Els hiperparàmetres s'han obtingut amb optimització bayesiana i poda anticipada dels intents amb menys potencial. El rendiment s'ha avaluat amb mètriques estadístiques clàssiques i variants orientades a la seguretat, com l'Accuracy*, calculada sobre el subconjunt de prediccions amb més confiança del model. S'ha analitzat la lògica interna mitjançant Gradients Integrats. Els resultats demostren la superioritat estadística de l'arquitectura CNN-LSTM, així com una preferència de les xarxes per extreure característiques directament del preu brut en comptes d'indicadors tradicionals com l’RSI. Finalment, una simulació de backtesting aplicant les comissions d’un entorn realista valida l’obtenció de beneficis del model millor optimitzat, assolint un rendiment positiu de l'1,3% en condicions de mercat simulades.
Language: Catalan
Field: Decision Sciences
Domain: Social Sciences
Open Access status: green
OpenAlex ID: W7171475697