Comparación entre Codificación Predictiva Lineal (LPC) y Red Neuronal Artificial Long Short-Term Memory (LSTM) para la predicción financiera del Índice de Precios y Cotizaciones (S&P/BMV IPC)

Abstract

En esta investigación se evalúa la efectividad de los métodos de predicción, Codificación Predictiva Lineal (LPC) y la Red Neuronal Artificial Long Short-Term Memory (LSTM), con miras a optimizar la gestión financiera y la toma de decisiones en el ámbito financiero, aplicadas a la predicción del comportamiento de una serie de tiempo caótica utilizando datos históricos del Índice de Precios y Cotizaciones (S&P/BMV IPC), indicador clave en México que refleja el rendimiento del mercado bursátil en nuestro país. Los resultados obtenidos revelan las redes LSTM presentan un error por debajo del 4% aunque un mayor tiempo para la obtención de resultados, caso contrario obtenido con la técnica LPC, lo que sugiere que pueden resultar útiles en diferentes contextos y para diversos objetivos financieros tras la comparación entre estos métodos que incluyen la exactitud de las predicciones, el margen de error asociado y la capacidad de adaptación a las fluctuaciones del mercado. Este trabajo aporta una comparativa entre estos dos métodos para la predicción al campo financiero a los tomadores de decisiones, inversionistas y al mismo gobierno. Además, los hallazgos pueden contribuir a una gestión económica eficaz y sostenible en un mundo que se encuentra en constante transformación digital y enfocado en la optimización de recursos.