| Nombre | CU | Correo Electrónico | Usuario Github |
|---|---|---|---|
| Blanca E. García Manjarrez | 118886 | [email protected] | BGARCIAMA |
| Iván García Alba | 214549 | [email protected] | GARCIA889 |
| Valeria Durán Rubio | 124273 | [email protected] | VDR90 |
| Gabriela Venegas Sánchez | 214571 | [email protected] | GabrielaVenegas |
| José Antonio Tapia Godinez | 214553 | [email protected] | AntonioIQ |
| Yuneri Pérez Arellano | 199813 | [email protected] | YunPerez |
En el ámbito cambiante de los mercados financieros, los pronósticos de precios de acciones representa un desafío significativo pero esencial para analistas e inversionistas. Los enfoques convencionales para pronosticar los precios de acciones se han centrado en analizar datos financieros históricos, ignorando cómo el sentimiento público expresado en noticias, redes sociales y otros medios textuales podría impactar estos mercados.
Este proyecto investiga una metodología innovadora para incrementar la precisión en las predicciones de precios de acciones incorporando el análisis de sentimiento a través de modelos de aprendizaje profundo, enfocándose en particular en las redes neuronales de memoria a corto plazo (LSTM).
La esencia de nuestro enfoque es utilizar datos de sentimiento obtenidos de varias fuentes, analizados por un modelo de procesamiento de lenguaje natural (NLP) especializado en finanzas, FinBERT, conocido por su capacidad para interpretar sentimientos en textos financieros. Integrando estas evaluaciones de sentimiento como características nuevas en los modelos LSTM, buscamos reflejar las emociones y opiniones que pueden afectar los precios de las acciones, ofreciendo una perspectiva más completa de la dinámica del mercado.
Nuestro análisis detalla el proceso técnico de este método integrado, desde la preparación y normalización de datos hasta la configuración y entrenamiento de los modelos LSTM, con y sin la integración del análisis de sentimiento del mercado. Evaluamos cuidadosamente el desempeño de estos modelos, comparando su capacidad de predicción usando varias métricas y técnicas de visualización. El propósito es determinar si la inclusión de datos de sentimiento mejora o deteriora la eficacia de los modelos LSTM tradicionales en el pronóstico de los precios de las acciones.
Con este estudio aspiramos a incorporar los indicadores cualitativos del sentimiento del mercado con los indicadores cuantitativos tradicionales de las acciones, proporcionando una herramienta analítica más robusta para la predicción y análisis del mercado.
Desarrollar un modelo que integre el uso de un modelo predictivo en Python para estimar el precio de una acción utilizando información historica y el análisis del sentimiento del mercado utilizando Deep Learning.
- Información del mercado utilizando Alpha Vantage API
- Tweets para el análisis del sentimiento del mercado
PRINCIPAL
- https://medium.com/@redeaddiscolll/integrating-sentiment-analysis-in-stock-price-forecasting-with-deep-learning-techniques-bb5f84fd59f6
- https://www.kaggle.com/datasets/omermetinn/tweets-about-the-top-companies-from-2015-to-2020?select=Tweet.csv
SECUNDARIAS
- https://medium.com/analytics-vidhya/using-sentiment-analysis-to-predict-the-stock-market-77100295d753
- https://medium.com/@chedy.smaoui/how-i-code-a-python-stock-screener-a-i-sentiment-analysis-to-pick-stocks-77059463f77a
- https://medium.com/@redeaddiscolll/advanced-machine-learning-and-deep-learning-techniques-for-stock-market-analysis-06e5b8c6b62c
- https://www.alphavantage.co/documentation/#daily
- https://github.com/RomelTorres/av_example/blob/master/Alpha%20vantage%20examples.ipynb
Notas:
Ocuparemos el modelo pre entrenado de FINBERT https://github.com/ProsusAI/finBERT