Predicción del Comportamiento Bursátil Mediante Redes Neuronales 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 para cada activo mediante Python y la librería scikit-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 de R² cercanos a 1 en todos los casos, dando lugar a un 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.