Impacto del horizonte histórico de datos en el desempeño predictivo y financiero de redes neuronales del tipo LSTM

un estudio de caso con activos bancarios brasileños

Resumen

Este trabajo investigó el impacto del horizonte histórico de datos en el desempeño de modelos predictivos basados en redes neuronales Long Short-Term Memory (LSTM) aplicadas al mercado financiero. Se analizaron cinco activos del sector bancario brasileño utilizando datos diarios obtenidos mediante la biblioteca Yahoo Finance. El estudio comparó dos configuraciones experimentales, con cinco y diez años de datos históricos, evaluadas mediante división cronológica entre conjuntos de entrenamiento y prueba. El desempeño predictivo fue analizado mediante métricas de regresión, incluyendo RMSE, MAE, MAPE y R², mientras que el desempeño financiero fue evaluado mediante backtesting con diferentes estrategias de negociación y comparación con la estrategia Buy & Hold. Los resultados indicaron que, para los activos con historial completo, el horizonte de diez años estuvo asociado con mejor desempeño predictivo en la mayoría de las métricas evaluadas. Sin embargo, el impacto financiero varió según el activo y la estrategia adoptada, lo que indica que una mayor adherencia predictiva no garantiza, por sí sola, mayor retorno operacional. Se concluye que la ampliación del horizonte histórico puede favorecer la capacidad de generalización de los modelos LSTM en el escenario analizado, aunque el diseño experimental adoptado no permite aislar si este efecto se debe únicamente al mayor volumen de observaciones o también a la mayor diversidad de regímenes de mercado presente en el período más largo.