Reproducció i avaluació del mètode "Trading via Image Classification" per a la predicció de patrons en sèries temporals financeres.
Lozano Amores, Aaron
Romero Sanchez, Albert tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Título variante:	Reproduction and evaluation of the “Trading via Image Classification” method for the prediction of patterns in financial time series.
Título variante:	Reproducción y evaluación del método “Trading via Image Classification” para la predicción de patrones en series temporales financieras.
Fecha:	2026
Resumen:	Aquest treball estudia la classificació supervisada de senyals tècnics de compra en actius de l’S&P 500 a partir de dades financeres històriques. Les sèries de preus OHLC es transformen en finestres temporals i posteriorment en imatges de veles japoneses de 30 × 30 píxels. Cada imatge s’etiqueta mitjançant regles basades en tres indicadors tècnics: RSI, MACD i Bandes de Bollinger. L’objectiu no és predir directament el comportament futur del mercat, sinó analitzar si els models poden reconèixer visualment patrons associats a aquests senyals. Per fer-ho, es comparen models clàssics d’aprenentatge automàtic, una xarxa neuronal convolucional i un sistema de votació per majoria. Els resultats mostren que el rendiment depèn de l’indicador utilitzat, que el MACD és el cas més difícil i que la CNN obté els millors resultats globals en termes d’F1-score. A més, s’analitzen els falsos positius i s’incorpora una avaluació borsària simplificada dels senyals generats.
Resumen:	This work studies the supervised classification of technical buy signals in S&P 500 assets using historical financial data. OHLC price series are transformed into temporal windows and then converted into 30 × 30 pixel candlestick chart images. Each image is labelled using rules based on three technical indicators: RSI, MACD and Bollinger Bands. The aim is not to directly predict future market behaviour, but to analyse whether models can visually recognise patterns associated with these signals. To do so, several classical machine learning models, a convolutional neural network and a majority voting system are compared. The results show that performance depends on the technical indicator used, that MACD is the most difficult case, and that the CNN obtains the best overall results in terms of F1-score. In addition, false positives are analysed and a simplified financial evaluation of the generated signals is included.
Resumen:	Este trabajo estudia la clasificación supervisada de señales técnicas de compra en activos del S&P 500 a partir de datos financieros históricos. Las series de precios OHLC se transforman en ventanas temporales y posteriormente en imágenes de velas japonesas de 30 × 30 píxeles. Cada imagen se etiqueta mediante reglas basadas en tres indicadores técnicos: RSI, MACD y Bandas de Bollinger. El objetivo no es predecir directamente el comportamiento futuro del mercado, sino analizar si los modelos pueden reconocer visualmente patrones asociados a estas señales. Para ello, se comparan modelos clásicos de aprendizaje automático, una red neuronal convolucional y un sistema de votación por mayoría. Los resultados muestran que el rendimiento depende del indicador utilizado, que el MACD es el caso más difícil y que la CNN obtiene los mejores resultados globales en términos de F1-score. Además, se analizan los falsos positivos y se incorpora una evaluación bursátil simplificada de las señales generadas.
Derechos:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, sempre i quan aquestes es distribueixin sota la mateixa llicència que regula l'obra original i es reconegui l'autoria.
Lengua:	Català
Titulación:	Enginyeria Informàtica [2502441]
Plan de estudios:	Enginyeria Informàtica [958]
Documento:	Treball final de grau
Área temática:	Menció Computació
Materia:	Classificació supervisada ; Aprenentatge automàtic ; S&P 500 ; Veles japoneses ; Indicadors tècnics ; Xarxes neuronals convolucionals ; Supervised classification ; Machine learning ; Candlestick charts ; Technical indicators ; Convolutional neural networks ; Clasificación supervisada ; Aprendizaje automático ; Velas japonesas ; Indicadores técnicos ; Redes neuronales convolucionales

11 p, 290.5 KB

El registro aparece en las colecciones:
Documentos de investigación > Trabajos de Fin de Grado > Escuela de Ingeniería. TFG