tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
| Títol variant: |
Prototipo de una aplicación para predecir la tendencia de los precios de las acciones utilizando inteligencia artificial |
| Títol variant: |
Prototype of an application to predict stock price trends using artificial intelligence |
| Data: |
2025 |
| Resum: |
Aquest treball desenvolupa un prototip d'aplicació capaç de predir la tendència a curt termini (10 dies laborables) dels preus d'accions mitjançant models d'intel·ligència artificial. S'han implementat i comparat sis algoritmes (Ridge, Random Forest, SVR, LSTM, GRU i un híbrid LSTM+XGBoost) sobre vuit sèries històriques financeres (Amazon, Google, Euro Stoxx 50, Hang Seng, IBEX 35, Indra, P&G i S&P 500) amb dades des del 1r de gener de 2020 fins el 31 de gener de 2025. Cada model s'ha avaluat amb RMSE, MAE i R² i s'ha generat un forecast autoregressiu per calcular el preu dels primers deu dies laborables de febrer de 2025. Els resultats mostren que el model SVR lidera en actius com Amazon i S&P 500, mentre que el model híbrid LSTM+XGBoost obté millor rendiment en Google, Euro Stoxx 50, Indra i IBEX 35. Finalment, s'ha implementat una interfície web amb Streamlit que permet seleccionar l'actiu i el model per visualitzar les prediccions i gràfics interactius de manera senzilla i eficient. Aquest prototip demostra la utilitat de combinar algoritmes seqüencials i de conjunt per a la presa de decisions financeres a curt termini. |
| Resum: |
Este trabajo desarrolla un prototipo de aplicación capaz de predecir la tendencia a corto plazo (10 días) de los precios de las acciones mediante modelos de inteligencia artificial. Se han implementado y comparado seis algoritmos (Ridge, Random Forest, SVR, LSTM, GRU y un híbrido LSTM+XGBoost) sobre ocho series históricas financieras (Amazon, Google, Euro Stoxx 50, Hang Seng, IBEX 35, Indra, P&G y S&P 500) con datos desde el 1 de enero de 2020 hasta el 31 de enero de 2025. Cada modelo se ha evaluado mediante RMSE, MAE y R², y se ha generado un pronóstico autorregresivo para calcular el precio de los primeros diez días laborables de febrero de 2025. Los resultados muestran que el modelo SVR lidera en activos como Amazon y S&P 500, mientras que el modelo híbrido LSTM+XGBoost obtiene mejor rendimiento en Google, Euro Stoxx 50, Indra e IBEX 35. Finalmente, se ha implementado una interfaz web con Streamlit que permite seleccionar el activo y el modelo para visualizar las predicciones y gráficos interactivos de manera sencilla y eficiente. Este prototipo demuestra la utilidad de combinar algoritmos secuenciales y de ensamblaje para la toma de decisiones financieras a corto plazo. |
| Resum: |
This project develops a prototype application capable of predicting the short-term (10 working days) trend of stock prices using artificial intelligence models. Six algorithms (Ridge, Random Forest, SVR, LSTM, GRU, and a hybrid LSTM+XGBoost) were implemented and compared across eight historical financial time series (Amazon, Google, Euro Stoxx 50, Hang Seng, IBEX 35, Indra, P&G, and S&P 500), with data spanning from January 1, 2020 to January 31, 2025. Each model was evaluated using RMSE, MAE, and R² metrics, and an autoregressive forecast was generated to calculate prices for the first ten business days of February 2025. Results show that SVR performs best on assets like Amazon and S&P 500, while the hybrid LSTM+XGBoost model achieves superior performance on Google, Euro Stoxx 50, Indra, and IBEX 35. Finally, a web interface was developed using Streamlit, allowing users to select assets and models to view predictions and interactive plots in a simple and efficient way. This prototype demonstrates the usefulness of combining sequential and ensemble algorithms for short-term financial decision-making. |
| Drets: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.  |
| Llengua: |
Català |
| Titulació: |
Grau en Enginyeria de Dades [2503758] |
| Pla d'estudis: |
Enginyeria de Dades [1394] |
| Document: |
Treball final de grau ; Text |
| Matèria: |
Intel·ligència artificial ;
Praedicció de preus d'accions ;
Aprenentatge automàtic ;
Aprenentatge profund ;
Prototip d'aplicació ;
Model híbrid ;
Indicadors tècnics ;
Mètriques d'error ;
Sèries temporals ;
Decisions financeres a curt termini ;
Inteligencia artificial ;
Predicción de precios de acciones ;
Aprendizaje automático ;
Aprendizaje profundo ;
Prototipo de aplicación ;
Modelo híbrido ;
Indicadores técnicos ;
Métricas de error ;
Series temporales ;
Decisiones financieras a corto plazo. P ;
Artificial intelligence ;
Stock price prediction ;
Machine learning ;
Deep learning ;
Application prototype ;
Hybrid model ;
Technical indicators ;
Error metrics ;
Time series ;
Short-term financial decisions |
visitant ::
identificació
