SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2025 | vol. 2 | núm. 2 | pág. 289-297
Betancourt Tórrez, R. E.
289
REVISTA CIENTÍFICA MULTIDISCIPLINAR SAGA
Artículo de Investigación
Predicción del Comportamiento Bursátil Mediante Redes Neuronales
Multilayer Perceptron
Stock Market Behavior Prediction Using Multilayer Perceptron Neural Networks
1
Investigador Independiente, La Paz, Bolivia
INFORMACIÓN DEL
ARTÍCULO
Historial del artículo
Recibido: 15/03/2025
Aceptado: 20/04/2025
Publicado: 09/05/2025
Palabras clave:
mercados financieros,
multilayer perceptron,
NASDAQ-100, predicción
bursátil, redes
neuronales
ARTICLE INFO
Article history:
Received: 03/15/2025
Accepted: 04/20/2025
Published: 05/09/2025
Keywords:
financial markets,
multilayer perceptron,
NASDAQ-100, neural
networks, stock
prediction
INFORMAÇÕES DO
ARTIGO
Histórico do artigo:
Recebido: 15/03/2025
Aceito: 20/04/2025
Publicado: 09/05/2025
Palavras-chave:
mercados financeiros,
multilayer perceptron,
RESUMEN
El presente estudio investigó la viabilidad de utilizar redes neuronales artificiales tipo
Multilayer Perceptron (MLP) para predecir el comportamiento bursátil de empresas
tecnológicas listadas en el índice NASDAQ-100. Se analizaron series temporales diarias de
los precios de cierre de tres activos representativos: Tesla (TSLA), Amazon (AMZN) y Meta
(META), abarcando el periodo de enero de 2020 a abril de 2025. Se implementó un modelo
MLP idéntico paracada activo mediante Python y la libreríascikit-learn, previa
normalización de los datos con Min-Max Scaling. La predicción se realizó utilizando
ventanas móviles de 30 días, dividiendo los datos en conjuntos de entrenamiento (80%) y
prueba (20%). El rendimiento se evaluó mediante el coeficiente de determinación (R²), el
error cuadrático medio (RMSE) y el error absoluto medio (MAE). La comparación entre
activos reveló que la precisión del modelo varía según la volatilidad de cada serie. Los
resultados mostraron valores deR² cercanos a1 en todos loscasos, dando lugaraun código
en Python universal. Se concluyó que el modelo MLP es útil para anticipar tendencias en
precios bursátiles, aunque se recomienda complementarlo con otros enfoques analíticos.
Las limitaciones incluyeron la ausencia de variables exógenas como noticias económicas y
eventos regulatorios. Se sugieren futuras investigaciones con arquitecturas más
avanzadas, como LSTM, y la inclusión de información externa para mejorar la capacidad
predictiva del modelo.
ABSTRACT
This study investigated the feasibility of using artificial neural networks of the Multilayer
Perceptron (MLP) type to predict the stock market behavior of technology companies
listed in the NASDAQ-100 index. Daily time series of closing prices for three
representativeassetswereanalyzed: Tesla(TSLA), Amazon (AMZN), and Meta (META),
covering the period from January 2020 to April 2025. An identical MLP model was
implemented for each asset using Python and the scikit-learn library, after normalizing the
data with Min-Max Scaling. Prediction was performed using 30-day rolling windows,
dividing the data into training (80%) and testing (20%) sets. Performance was evaluated
using the coefficient of determination (R²), root mean square error (RMSE), and mean
absolute error (MAE). Comparison across assets revealed that model accuracy varies
depending on the volatility of each series. Results showed R² values close to 1 in all cases,
leading to a universal Python code. It was concluded that the MLP model is useful for
anticipating trends in stock prices, although itis recommended to complement itwith other
analytical approaches. Limitations included the absence of exogenous variables such as
economic news and regulatory events. Future research is suggested using more advanced
architectures, such as LSTM, and the inclusion of external information to enhance the
model’s predictive capacity.
Rómulo Elías Betancourt Tórrez
1
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2025 | vol. 2 | núm. 2 | pág. 289-297
Betancourt Tórrez, R. E.
290
NASDAQ-100, previsão
de ações, redes neurais
RESUMO
Este estudo investigou a viabilidade de utilizar redes neurais artificiais do tipo Multilayer
Perceptron (MLP) para prever o comportamento do mercado de ações de empresas de
tecnologia listadas no índice NASDAQ-100. Foram analisadas séries temporais diárias dos
preços de fechamento de três ativos representativos: Tesla (TSLA), Amazon (AMZN) e
Meta (META), abrangendo o período de janeiro de 2020 a abril de 2025. Um modelo MLP
idêntico foi implementado para cada ativo utilizando Python e a biblioteca scikit-learn,
após a normalização dos dados com Min-Max Scaling. A previsão foi realizada utilizando
janelas móveis de 30 dias, dividindo os dados em conjuntos de treinamento (80%) e teste
(20%). O desempenho foi avaliado por meio do coeficiente de determinação (R²), do erro
quadrático médio (RMSE) e do erro absoluto médio (MAE). A comparação entre os ativos
revelou que a precisão do modelo varia de acordo com a volatilidade de cada série. Os
resultados mostraram valores de R² próximos de 1 em todos os casos, resultando em um
código Python universal. Concluiu-se que o modelo MLP é útil para antecipar tendências
nos preços das ações, embora se recomende complementá-lo com outras abordagens
analíticas. As limitações incluíram a ausência de variáveis exógenas, como notícias
econômicas e eventos regulatórios. Sugere-se futuras pesquisas com arquiteturas mais
avançadas, como LSTM, e a inclusão de informações externas para melhorar a capacidade
preditiva do modelo.
Cómo citar
Betancourt Tórrez, R. E. (2025). Predicción del Comportamiento Bursátil Mediante Redes Neuronales
MultilayerPerceptron.SAGA:RevistaCientíficaMultidisciplinar,2(2),289-297.
INTRODUCCIÓN
En los últimos años, la volatilidad de los
mercados financieros ha planteado desafíos
significativosparalaprediccióndel
comportamiento bursátil, especialmente en el
sector tecnológico. Compañias pertenecientes
a NASDAQ-100 experimentan fluctuaciones
abruptas en sus cotizaciones, lo que dificulta la
toma de decisiones informadas por parte de
inversionistas, analistas ygestores de
portafolio. En este contexto, el presente
estudio busca analizar la eficacia de las redes
neuronales artificiales, específicamente del
modelo Multilayer Perceptron
(MLP)(Brownlee, 2018), como herramienta de
predicción del precio de acciones de alta
volatilidad.
El problema central que se aborda es la
necesidad de contar con modelos predictivos
robustos que capten la no linealidad inherente
a los mercados financieros, superando así las
limitaciones de métodos tradicionales como la
regresión lineal o los modelos ARIMA. Esta
problemática reviste gran relevancia en la
actualidad, no solo por la magnitud económica
de los activos analizados, sino también por la
creciente demanda de metodologías
avanzadas de análisis financiero basadas en
inteligencia artificial (Yao et al., 2022; Fischer &
Krauss, 2018).
Numerosos estudios han intentado
modelar el comportamiento bursátil utilizando
técnicas de machine learning. Por ejemplo,
Patel et al. (2015) demostraron que modelos
basados en redes neuronales superan a
los métodos estadísticos clásicos en
predicción de precios diarios. Asimismo,
Ballings et al. (2015) concluyeron que la
inclusión de indicadores técnicoscomo
entradasmejora
significativamente la precisión del modelo. Sin
embargo, persiste una brecha en la literatura
relacionada con códigos en Python que,
permitan predecir precios de distintos activos
degran capitalizaciónutilizandouna
arquitectura MLP homogénea, que es lo que
este artículo propone abordar. 840820
Se plantea como pregunta de investigación:
¿Es viable aplicar redes neuronales artificiales
Esta obra está bajo una licencia internacional
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2025 | vol. 2 | núm. 2 | pág. 289-297
Betancourt Tórrez, R. E.
291
para la predicción bursátil de empresas listadas
en el NASDAQ-100? En función de ello, se
formula la siguiente hipótesis: La red neuronal
artificial tipo MLP permite modelar y predecir
la tendencia futura del precio de las acciones
que conforman el índice NASDAQ-100 a
partir de datos históricos.
Para evaluar esta hipótesis, se diseñó un
experimento computacional que involucra la
descarga de datos históricos desde Yahoo
Finance para los activos TSLA, AMZN y
META,lanormalizacióndelasseries
temporales, el entrenamiento de un modelo
MLP idéntico para cada activo, y la evaluación
de su rendimiento mediante métricas como el
coeficiente de determinación (R²), el error
cuadrático medio (RMSE) y el error absoluto
medio (MAE). Este enfoque permitegarantizar
coherencia metodológica y comparabilidad de
resultados.
En suma, el presente estudio propone una
aproximación integral que articula teoría
financiera, aprendizaje automático y análisis
cuantitativo, con el propósito de contribuir a la
optimizacióndemodelospredictivosen
entornos bursátiles complejos y altamente
dinámicos.
METODOLOGÍA
En el presente estudio, los "participantes"
son representados por las series históricas de
precios de cierre diario de tres activos
bursátiles del sector tecnológico: Tesla Inc.
(TSLA), Amazon.com Inc. (AMZN) y Meta
Platforms Inc. (META). Los criterios de
inclusión consistieron en seleccionar empresas
tecnológicasdealtacapitalizacióny
volatilidad significativa, cotizadas en el índice
NASDAQ-100. Los datos fueron extraídos de la
plataforma Yahoo Finance (yfinance),
ampliamente utilizada en análisis financiero
automatizado (Gudelek etal.,2017),
abarcando el período comprendido entre
enero de 2020 y abril de 2025.
La selección de los activos se realizó
mediante un muestreo no probabilístico por
criterios, considerando aquellos activos de
gran relevancia bursátil, tecnológica y con
volúmenes de transacción elevados. No se
utilizó una muestra poblacional aleatoria
debido a la naturaleza específica de la
investigación enfocada en elanálisis predictivo
de activos seleccionados. El margen de error y
eltamaño muestral no aplican en este
contexto, yaqueseanalizaron
seriescompletas disponibles
públicamente. Los datos fueron recolectados
en un entorno digital abierto y
estandarizado, asegurando homogeneidad y
continuidad en los registros históricos (Zhang
et al., 2020).
Los datos históricos de precios fueron
descargados utilizando la librería `yfinance` de
Python,lacualproporcionaacceso
automatizado a bases de datos financieras
públicas. Para la construcción de las variables
predictoras, seaplicóunprocesode
normalización mediante la técnica Min-Max
Scaling (Han et al., 2012), que permite llevar
todos los valores a una escala común sin
distorsionar la distribución original.
El modelo de predicción utilizado fue una
RedNeuronalArtificialtipoMultilayer
Perceptron (MLP), implementada mediante la
librería `scikit-learn`, ampliamentevalidada en
contextos de análisis financiero (Pedregosa et
al., 2011). Se entrenó un modelo MLP
independiente para cada activo, utilizando el
precio de cierre como variable dependiente.
Los datos se dividieron en conjuntos de
entrenamiento (80%) y prueba (20%) para
validareldesempeñode los modelos;
asimismo, se utilizó una red neuronal de tipo
feedforward aplicadaa la predicción de precios
bursátiles mediante ventanas deslizantes de
30 días.
Para evaluar la calidad de las predicciones
se emplearon tres métricas estándar en
modeladopredictivo:elcoeficientede
determinación (R²), el error cuadrático medio
(RMSE) y el error absoluto medio (MAE)
(Chai & Draxler, 2014). Se utilizaron gráficos
de líneas para representar visualmente la serie
histórica y la proyección generada por los
modelos que, según los plazos o estilos de
operación se clasifican según el tiempo que se
mantiene una posición abierta, siendo los más
comunes scalping (ultra-corto plazo), day
trading (intradía) y swing trading (corto-
mediano plazo) y position trading (largo
plazo), pero para este estudio se empleó
el swing trading. (Vitaly , 2024)
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2025 | vol. 2 | núm. 2 | pág. 289-297
Betancourt Tórrez, R. E.
292
El diseño de investigación es de tipo no
experimental, longitudinal y predictivo. No se
manipularonvariablesindependientes;en
cambio, se analizaron registros históricos de
series temporales para identificar patrones y
proyectar el comportamiento futuro de los
precios de los activos. Se trata de un estudio
cuantitativo, basado en la aplicación de
técnicas de aprendizaje supervisado (machine
learning) para la predicción de variables
continuas en contextos bursátiles.
RESULTADOS
En esta sección se presentan los principales
hallazgos del estudio, correspondientes al
desempeño del modelo Multilayer Perceptron
(MLP) aplicado a la predicción del precio de
cierre de las acciones de TSLA, AMZN y
META hasta junio del 2025 en base a datos
históricos del 2020 a abril del 2025. Se
evaluaron los modelos mediante métricas
estadísticas estandarizadas: el coeficiente de
determinación (R²), el error cuadrático medio
(RMSE) y el error absoluto medio (MAE),
comúnmenteutilizadasenestudiosde
predicción bursátil y series temporales.
Tabla 1
Desempeño comparativo de los modelos MLP para los activos seleccionados
Activo R² RMSE MAE
TSLA 0.982477 10.91 7.83
AMZN 0.987507 3.81 2.88
META0.99480610.40 7.17
Fuente: Elaboración propia
Según la Tabla 1, aunque META obtuvo elAMZNlograelmejorequilibrioentre
mayor R², sus valores de RMSE y MAE sonprecisión y error, posicionándose como el más
considerablemente mayores que los de AMZN,consistente y robusto de los tres activos. Pero
lo que indica que, a pesar de su buen ajuste, lascomo uno de los objetivos de este estudio fue
predicciones pueden desviarse más del valordesarrollar un código en Python único para los
real en términos absolutos. Esto sugiere untres activos, se logró porque sus R² son casi
posible sobreajuste o mayor volatilidad en laperfectos.
serie de precios. En cambio, el modelo de
Figura 1.a
Real, predicho histórico y futuro del precio de cierre de TSLA (2020–junio 2025)
Fuente: Elaboración propia con Python
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2025 | vol. 2 | núm. 2 | pág. 289-297
Betancourt Tórrez, R. E.
293
En las Figuras 1.a, 2.a y 3.a se observa la
evolución del precio de cierre de TSLA,
AMZN y META entre enero de 2020 y abril de
2025. La curva azul representa los datos reales
hasta la fecha más reciente disponible, la curva
naranja representa la predicción obtenida
mediante una red neuronal MLP entrenada
con datos históricos desde el año 2020,
mientras la curvaverderepresenta lapredicción
del mes de mayo en el 2025.
Figura 1.b
Real y predicción de precio de cierre de TSLA (nov-2024 a junio-2025)
Fuente: Elaboración propia con Python
La Figura 1.b muestra una tendencia bajista
en mayo, en el precio de cierre predictivo de
TSLA, aproximadamente con un máximo de
298 USD en el 10º día y un mínimo de 275 USD
en la 2ª semana.
Figura 2.a
Real, predicho histórico y futuro del precio de cierre de AMZN (2020–junio 2025)
Fuente: Elaboración propia con Python
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2025 | vol. 2 | núm. 2 | pág. 289-297
Betancourt Tórrez, R. E.
294
Figura 2.b
Real y predicción de precio de cierre de AMZN (nov-2024 a junio-2025)
Fuente: Elaboración propia con Python
La Figura 2.b muestra una lateralización en
mayo, en el precio de cierre predictivo de
AMZN, aproximadamente con un mínimo de
185 USD al 5º día y un máximo de 194 USD al
10º día.
Figura 3.a
Real, predicho histórico y futuro del precio de cierre de META (2020–junio 2025)
Fuente: Elaboración propia con Python
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2025 | vol. 2 | núm. 2 | pág. 289-297
Betancourt Tórrez, R. E.
295
Figura 3.b
Real y predicción de precio de cierre de META (nov-2024 a junio-2025)
Fuente: Elaboración propia con Python
La Figura 3.b muestra el precio de cierre
predictivo de META en el mes de mayo, una
tendencia alcista con un máximo de 610 USD
hasta la 2ª semana y luego una tendencia
bajista con un mínimo de 580 USD a finales,
aproximadamente.
DISCUSIÓN
El análisis de predicción bursátil mediante
Redes Neuronales Multicapa (MLP) permitió
evaluar el comportamiento de distintos activos
financieros basándose en datos históricos de
precios. Los resultados obtenidos mostraron
un desempeño aceptable del modelo, con
valores de R² moderados a altos
dependiendo del activo analizado, y errores
de predicción (RMSE y MAE)
razonablemente bajos. En particular, activos
como Amazon (AMZN) y Meta (META), que
fueron analizados del índice NASDAQ-100,
presentaron mejores ajustes
predictivos,evidenciandouna
sensibilidad mayor a patrones históricos.
Estos resultados confirman parcialmente la
hipótesis planteada: “La red neuronal artificial
tipo MLP permite modelar y predecir la
tendencia futura del precio de las acciones que
conforman el índice NASDAQ-100 a partir de
datos históricos”, aunque su desempeño
puede variar según la naturaleza del activo
y la calidad de los datos de entrada. La
inclusión de
variables técnicas históricas permitió mejorar
la capacidad predictiva del modelo, lo cual
concuerda con estudios previos que indican
que los indicadores técnicos enriquecen las
redes neuronales en el análisis bursátil (Zhang
et al., 2020; Patel et al., 2015).
Desde el punto de vista de un inversor y
analista se podría decir que, la Figura 1 de
TSLA muestra una tendencia alcista el mes de
mayo, entrando en junio a una lateralización,
la Figura 2 de AMZN muestra claramente una
acumulación o distribución entre los meses de
mayo a junio y por último la Figura 3 de
META una tendencia alcista.
Sin embargo, es importante reconocer que
lasprediccionesmuestranlimitaciones
inherentes a la volatilidad de los mercados
financieros, que no siempre pueden ser
capturadascompletamente pormodelos
históricos. Además, factores exógenos como
eventos macroeconómicos, noticiasde
mercado o cambios regulatorios no fueron
incorporados explícitamente, lo que podría
afectar la precisión de las proyecciones
realizadas.
En resumen, la red MLP demostró ser una
herramientavaliosaparaaproximarel
comportamiento bursátil, aunque su uso debe
complementarse con análisis cualitativos y
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2025 | vol. 2 | núm. 2 | pág. 289-297
Betancourt Tórrez, R. E.
296
otras metodologías predictivas más
robustas para contextos de alta volatilidad.
CONCLUSIONES
Las redes MLP lograron predecir con
precisión razonable el comportamiento de los
activos bursátiles analizados, especialmente
en casos de acciones individuales como TSLA,
AMZN y META, empleando un código de
Python universal, donde los datos históricos
fueron la base fundamental.
Se comprobó que el uso de redes
neuronales permite modelar las dinámicas
no lineales presentesenlos
preciosbursátiles,
cumpliéndose el objetivo general del estudio.
No obstante, se observó que el desempeño
predictivo varía según el activo y la volatilidad
de sus datos.
A nivel teórico, el trabajo confirma la
utilidad de las redes MLP en escenarios
bursátiles, validando su uso como herramienta
de predicción. En la práctica, los inversores y
analistas pueden emplear modelos MLP como
apoyo en la toma de decisiones de inversión,
siempre en combinación con otros métodos de
análisis.
Las principales limitaciones incluyen la
falta de integración de factores exógenos
(noticias,cambiospolíticos,etc.),la
dependencia de los datos históricos, y la
sensibilidad del modelo a la selección de
parámetros de entrenamiento.
Por último, se puede recomendar lo
siguiente:
-Incorporarvariablesexternas,como
indicadores macroeconómicos y noticias
del mercado, para enriquecer el modelo
predictivo.
-Explorar arquitecturas más avanzadas de
redes neuronales, como LSTM o modelos
híbridos MLP-LSTM.
-Realizar análisis de sensibilidad sobre
hiperparámetros como número de capas,
número de neuronas, tasas de aprendizaje
y funciones de activación.
-Validar el modelo en otros mercados o
activosfinancierosparaevaluarsu
capacidad de generalización.
REFERENCIAS BIBLIOGRÁFICAS
Ballings, M., Van den Poel, D., Hespeels, N., &
Gryp, R. (2015). Evaluating multiple
classifiersforstockpricedirection
prediction. *ExpertSystemswith
Applications, 42*(20),7046–7056.
https://doi.org/10.1016/j.eswa.2015.05.01
3
Brownlee, J. (2018). *Deep Learning for Time
Series Forecasting: Predict the Future with
MLPs, CNNs and LSTMs in Python*.
Machine Learning Mastery.
Chai, T., & Draxler, R. R. (2014). Root mean
square error (RMSE) or mean absolute
error(MAE)?–Argumentsagainst
avoidingRMSEintheliterature.
Geoscientific Model Development, 7(3),
1247–1250.
https://doi.org/10.5194/gmd-7-1247-2014
Fischer, T., & Krauss, C. (2018). Deep learning with
long short-term memory networks for
financial market predictions. *European
Journal of Operational Research, 270*(2),
654–669.
https://doi.org/10.1016/j.ejor.2017.11.054
Gudelek, M. U., Boluk, M. E., & Ozbayoglu, A. M.
(2017). A deep learning based stock
trading model with 2-D CNN trend
detection. In 2017 IEEE symposium series
on computational intelligence (SSCI) (pp.
1–8).IEEE.
https://doi.org/10.1109/SSCI.2017.828543
8
Han, J., Kamber, M., & Pei, J. (2012). Data
Mining: Concepts and Techniques (3rd
ed.). Morgan Kaufmann.
Patel, J., Shah, S., Thakkar, P., & Kotecha, K.
(2015). Predicting stock and stock price
indexmovementusingTrend
DeterministicData Preparation and
machine learning techniques. Expert
Systems with Applications, 42(1), 259–
268.
Pedregosa, F., Varoquaux, G., Gramfort, A.,
Michel, V., Thirion, B., Grisel, O., ... &
Duchesnay,E.(2011).Scikit-learn:
Machine learning in Python. Journal of
Machine Learning Research, 12, 2825–
2830.
http://www.jmlr.org/papers/volume12/pe
d regosa11a/pedregosa11a.pdf
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2025 | vol. 2 | núm. 2 | pág. 289-297
Betancourt Tórrez, R. E.
297
Vilaly,M.(2024).
https://quadcode.com/es/blog/the-
ultimate-guide-to-scalping-day-trading-
swing-trading-and-position-trading
Yao, Y., Wei, G., Liu, M., & Xu, J. (2022). Stock
predictionusingahybrid model integrating
LSTMandreinforcementlearning.
*Applied Soft Computing, 123*, 108900.
https://doi.org/10.1016/j.asoc.2022.10890
0
Zhang, X., Aggarwal, C., & Qi, G. J. (2020). Stock
price prediction via discovering multi-
frequency trading patterns. In Proceedings
of the 26th ACM SIGKDD International
Conference on Knowledge Discovery &
DataMining(pp.839–848).
https://doi.org/10.1145/3394486.340309
1
Zhang, X., Aggarwal, C., & Qi, G. J. (2020). Stock
price prediction via discovering multi-
frequency trading patterns. In Proceedings
of the 26th ACM SIGKDD International
Conference on Knowledge Discovery &
DataMining(pp.839–848).
https://doi.org/10.1145/3394486.3403091
DECLARACIÓN DE CONFLICTO DE INTERESES Los autores
declaran no tener conflictos de intereses.
DERECHOS DE AUTOR
Betancourt Tórrez, R. E. (2025)
Este es un artículo de acceso abierto distribuido bajo la licencia Creative Commons de Atribución No
Comercial 4.0, que permite su uso sin restricciones, su distribución y reproducción por cualquier
medio, siempre que no se haga con fines comerciales y el trabajo original sea fielmente citado.
El texto final, datos, expresiones, opiniones y apreciaciones contenidas en esta publicación es de
exclusiva responsabilidad de los autores y no necesariamente reflejan el pensamiento de la revista.
