Revista Sinapsis. ISSN 1390 – 9770
Periodo. Enero – Junio 2025
Vol. 26, Nro. 1, Publicado 2025-06-30
https://www.itsup.edu.ec/sinapsis
Redes neuronales recurrentes como mecanismo de Gestión de Riesgo en
mercados de valores
Recurrent neural networks as a risk management mechanism in markets values
Carlos Andrés Mendoza Bravo1
Jefferson Agustín Macias Bravo2
Maribel Pérez Pirela. PhD 3
Ambrosio Tineo Moya. PhD 4
1Estudiante Universidad Técnica de Manabí, Facultad de Ciencias Básicas, Portoviejo –
Ecuador, Correo: cmendoza1073@utm.edu.ec, Código Orcid: https://orcid.org/0009-
0002-1345-2308
2Estudiante Universidad Técnica de Manabí, Facultad de Ciencias Básicas, Portoviejo –
Ecuador, Correo: jmacias5287@utm.edu.ec, Código Orcid: https://orcid.org/0009-0003-
5616-408X
3Docente de la Universidad Técnica de Manabí, Facultad de Ciencias Básicas, Portoviejo
– Ecuador, Correo: maribel.perez@utm.edu.ec, Código Orcid: https://orcid.org/0000-
0002-9687-5471
Docente de la Universidad Técnica de Manabí, Facultad de Ciencias Básicas, Portoviejo
– Ecuador, Correo: ambrosio.tineo@utm.edu.ec, Código Orcid: https://orcid.org/0000-
0002-2060-8860
Contacto: jmacias5287@utm.edu.ec
Recibido: 24-01-2025 Aprobado: 19-04-2025
Resumen
En el presente trabajo se propone la aplicación de las redes neuronales recurrentes,
específicamente Long Short-Term Memory (LSTM), para predecir los valores del precio de cierre
de las acciones de NVIDIA, utilizando estas predicciones como un mecanismo de gestión de
riesgo en los mercados de valores. El modelo incluye la recolección, limpieza y preparación de
datos, así como el análisis y la modelización mediante Python. Se analizan los precios de cierre
de la acción en los tres últimos años, comparando los resultados obtenidos con la predicción de
los dos días siguientes tanto gráfica como analíticamente, utilizando métricas como la raíz de
error cuadrático medio (RMSE) y el porcentaje del error absoluto medio (MAPE). Este enfoque
resalta la importancia del análisis predictivo como una herramienta clave para la gestión de riesgo.
Palabras clave: Redes neuronales, Python, Mercados de valores, Gestión de riesgo
Abstract
This paper proposes the application of recurrent neural networks, specifically Long Short-Term
Memory (LSTM), to predict the closing prices of NVIDIA stocks. These predictions are used as
a risk management mechanism in stock markets. The model includes data collection, cleaning,
and preparation, as well as analysis and modeling using Python. Closing prices from the past three
years are analyzed, and the results are compared with predictions for the following two days, both
graphically and analytically, using metrics such as Root Mean Square Error (RMSE) and Mean
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Enero – Junio 2025
Vol. 26, Nro. 1, Publicado 2025-06-30
https://www.itsup.edu.ec/sinapsis
Absolute Percentage Error (MAPE). This approach highlights the importance of predictive
analysis as a tool for risk management.
Keywords: Neural networks, Python, Stock markets, Risk management.
Introducción
Los Mercados Financieros son entes en los cuales se negocian activos financieros, desempeñando
un papel crucial en la economía global al facilitar la transferencia eficiente de fondos (Mishkin &
Eakins, 2015). Estos mercados permiten a empresas y gobiernos obtener capital para financiar
operaciones y proyectos, al tiempo que ofrecen a los inversores oportunidades para diversificar
sus carteras y gestionar riesgos. Dada su alta volatilidad, sus predicciones son inexactas y recurren
a problemas no lineales en los cuales interfieren variables externas, capaces de no ser modeladas
matemáticamente. Según Kotler y Armstrong (2016), los valores de los activos están
determinados por diversos elementos, entre los que destacan los costos asociados a la producción,
la demanda del mercado, la competencia existente y las estrategias de marketing implementadas
por la empresa.
Se han distinguido algunas métricas capaces de analizar el mercado como indicadores técnicos al
momento de realizar operaciones en mercados de valores. Para Murphy (1999), una de las
herramientas fundamentales en el trading son los indicadores técnicos puesto que ofrecen datos
sobre las tendencias de precios y los patrones del comportamiento del mercado, facilitando que
los traders puedan tomar decisiones más estratégicas y fundamentadas. Entre los indicadores se
pueden encontrar indicadores de tendencia, indicadores de momento, indicadores de volatilidad,
indicadores de volumen e indicadores basados en el precio; ellos desempeñan un papel importante
al momento de manejar la gestión de riesgo. Según Smith (2022), los riesgos en el trading abarcan
la inestabilidad del mercado, la falta de liquidez y el uso desproporcionado del apalancamiento,
factores que pueden ocasionar pérdidas cuantiosas. Por ello, es fundamental que los traders
conozcan estos riesgos y empleen estrategias de gestión eficaces para reducir su efecto.
Hull (2012) expone que la gestión del riesgo es un aspecto esencial en el trading que involucra la
identificación, la evaluación y la priorización de riesgos, seguida de la asignación de recursos con
la intención de reducir, monitorear y controlar la probabilidad y/o el impacto de eventos negativos.
Al momento de realizar operaciones en los mercados de valores, usualmente se consideran los
siguientes mecanismos para gestionar el riesgo en el mercado: stop loss, el método estándar para
limitar las pérdidas; el tamaño de lote que, por lo general, se aconseja invertir solo entre el 1% y
el 5% del portafolio; el ratio riesgo/beneficio, importante para no arriesgar de más, dependiendo
del beneficio de la operación; y el break even, el método de mover el stop loss a un punto medio,
además del apalancamiento.
De acuerdo con Díaz del Río y Peña (2017), el uso de las redes neuronales se ha empleado
considerablemente con el propósito de modelar y anticipar las series temporales financieras,
como, por ejemplo, el costo de las acciones. En el presente artículo se destaca el uso de redes
neuronales recurrentes LSTM (Long Short-Term Memory) en la predicción del valor de cierre de
la empresa NVDA (Nvidia); se entrena al modelo de redes neuronales con datos históricos y se
muestra una predicción para los próximos dos días.
1.1 Redes Neuronales Artificiales
Las redes neuronales artificiales se basan en el comportamiento biológico, cuyo objetivo es
simular, matemáticamente, al comportamiento del sistema de redes neuronales. Según Conti,
Simó y Rodríguez (2005), se caracterizan por su topología, el mecanismo de aprendizaje, tipo de
asociación realizada entre la información de entrada y salida y la forma de representación de dichas
informaciones. Esto se aprecia en la figura 1.1 y en la figura 1.2.
Figura 1.1 Red Neuronal Biológica
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Enero – Junio 2025
Vol. 26, Nro. 1, Publicado 2025-06-30
https://www.itsup.edu.ec/sinapsis
Derechos de autor: https://cs231n.github.io/neural-networks-1/
Figura 1.2 Red neuronal artificial
Derechos de autor: https://cs231n.github.io/neural- networks-1/
Metodología
Recolección, visualización y preparación de datos
Se recopilan datos históricos desde Yahoo Finance, en el periodo comprendido entre el
03/01/2020 y el 15/05/2024, con un intervalo de un día, y se relacionan con el volumen de
negociación, precio de cierre y otros indicadores clave para Nvidia Corporation (NVDA) (Yahoo
Finance, 2024). Se utilizan herramientas de limpieza de datos para obtener los valores del precio
de cierre de la acción (NVDA) y se realizan visualizaciones del precio de cierre del activo, como
se observa en la figura 2.1.
Figura 2.1 Precio de Cierre de (NVDA)
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Enero – Junio 2025
Vol. 26, Nro. 1, Publicado 2025-06-30
https://www.itsup.edu.ec/sinapsis
Se realiza una normalización de los datos de la columna de los precios de cierre del activo,
escalando los valores entre 0 y 1, siendo este un paso importante para asegurar una convergencia
más rápida del modelo de redes neuronales y evitar problemas numéricos. El siguiente paso es la
preparación de los datos para entrenar el modelo:
Creación de columnas con los valores futuros de los precios escalados, desplazando tres días hacia
arriba.
Obtención de la última secuencia de precios escalados.
Eliminación de filas nulas.
Construcción de secuencias de datos.
Creación de arrays de predicciones.
Conversión a arrays Numpys numéricos.
2.2 Modelo de redes neuronales LSTM
Se inicializa un modelo secuencial, permitiendo agregar capas lineales. El modelo aplicado tiene
las siguientes características:
Primera capa LSTM de 1000 unidades.
Segunda capa Dropout, con una tasa del 30% para evitar el sobreajuste.
Primera capa densa con 100 unidades, intermedia para procesar la salida de la segunda capa.
• Segunda capa Dropout con una tasa del 30%.
• Capa de salida densa con una unidad que produce la predicción.
Configuración del modelo:
• Se define la función pérdida como el error cuadrático medio.
• Se utiliza el optimizador “Adam” para ajustar el peso del modelo durante el entrenamiento.
• Se entrena el modelo con un tamaño de lote de 8 unidades y un total de 100 épocas.
Resultados y Discusión
El entrenamiento del modelo de redes neuronales en el intervalo seleccionado, se observa en la
figura 3.1. Se obtiene un coeficiente de determinación de 0.967 (R-cuadrado), indicando un buen
ajuste entre los datos entrenados por el modelo y el precio de cierre real de la acción.
Figura 3.1 Precio real de cierre de NVDA vs Entrenamiento del Modelo
Otro mecanismo para medir el error es mediante la función de pérdida del modelo, definido como
el error cuadrático medio, la cual, al momento de realizar el entrenamiento de redes neuronales,
es la función objetivo a minimizar. Al finalizar las 100 épocas de entrenamiento, se obtiene un
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Enero – Junio 2025
Vol. 26, Nro. 1, Publicado 2025-06-30
https://www.itsup.edu.ec/sinapsis
error de 0.0006, demostrando un gran ajuste entre los precios reales de cierre de la acción y el
modelo planteado. Además, en la figura 3.2 se puede apreciar el cambio del error a través de las
épocas de entrenamiento del modelo.
Figura 3.2 Progreso del entrenamiento
El modelo predice los dos días posteriores al entrenamiento del precio de cierre: 15 y 16 de mayo
de 2024 [$93.12, $91.97]. Además, se realiza una comparación con los valores reales para dichas
fechas [$94.63, $94.36], como se aprecia en la figura 3.3.
Figura 3.3 Precios Reales de Cierre vs Predicción
En la figura 3.3 se grafica el precio de cierre de la acción Nvidia para el día 14 de mayo de 2024,
el cual es de $91.36. A partir de este dato se relacionan las predicciones de los valores de cierre
con los valores reales, notando una tendencia alcista en ambos precios de cierre y, luego, una
bajista en el segundo día, apreciando un mayor descenso en el precio de cierre predicho que en el
real, obteniendo el valor de la raíz del error cuadrático medio: 1.999, lo que indica que los precios
varían aproximadamente en dos unidades monetarias. Asimismo, se considera el porcentaje del
error absoluto medio de 2.06 %, lo que refleja que los valores predichos por el modelo difieren
en un 2.06% de los valores reales de precio de cierre, lo que indica una comparación precisa entre
ambos.
Sumado a los indicadores de tendencia, indicadores de momento, indicadores de volatilidad,
indicadores de volumen e indicadores basados en el precio, el método presentado ofrece un mayor
campo de alcance analítico, mejorando así la manera en cómo se gestiona el riesgo en el trading,
ofreciendo mecanismos basados en inteligencia artificial.
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Enero – Junio 2025
Vol. 26, Nro. 1, Publicado 2025-06-30
https://www.itsup.edu.ec/sinapsis
Conclusiones
El modelo planteado se considera un mecanismo efectivo para la detección de posibles riesgos.
Aunque no establece pronósticos exactos debido al alto nivel de volatilidad en los mercados de
valores, el uso de algoritmos de redes neuronales mejora significativamente la probabilidad de
predecir tendencias y contribuye al desarrollo de una técnica de detección de riesgos más precisa.
El uso de indicadores técnicos, junto con estos algoritmos, permite un análisis integral con el
objetivo de minimizar el riesgo al interactuar en los mercados financieros.
El avance constante de la tecnología ha traído innovaciones en todos los campos y la inteligencia
artificial no es la excepción. Esto también ha generado mayores exigencias a nivel computacional,
especialmente en el uso de procesadores como tarjetas gráficas. Las limitaciones del modelo
presentado están relacionadas con el poder de procesamiento disponible. Para mejorar el modelo,
se recomienda entrenar más neuronas y aumentar la cantidad de capas, lo que refuerza la
importancia del uso de tarjetas gráficas o unidades de procesamiento que pueden manejar
múltiples operaciones de manera simultánea. Las redes neuronales requieren cálculos paralelos,
y una mayor capacidad de procesamiento optimiza su rendimiento. Además, se mostró cómo ha
crecido en los últimos años la empresa encargada de la fabricación de estos componentes (Nvidia),
debido a su relevancia en el campo de la inteligencia artificial. Para futuros proyectos, se sugiere
entrenar una mayor cantidad de datos, aumentar el número de capas y el número de neuronas por
capa, con la expectativa de obtener un mejor ajuste entre los valores reales y los valores predichos
por el modelo.
Bibliografía
1. Conti, D., Simó, C. & Rodríguez A. (2005). Teoría de carteras de inversión para la
diversificación del riesgo: enfoque clásico y uso de redes neuronales artificiales (RNA).
Ciencia e Ingeniería, 26(¡), 35-42
2. Díaz del Río, F. & Peña, J. I. (2017). Redes neuronales artificiales en finanzas. En M. A.
3. Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural
Computation, 9(8), 1735-1780.
4. Hull, J. C. (2012). Risk Management and Financial Institutions. John Wiley & Sons.
5. Kotler, P., & Armstrong, G. (2016). Principios de marketing (16a ed.). Pearson
Educación. p. 324.
6. Mishkin, F. S., & Eakins, S. G. (2015). Financial Markets and Institutions. Pearson.
7. Murphy, J. J. (1999). Technical Analysis of the Financial Markets: A Comprehensive
Guide to Trading Methods and Applications. New York Institute of Finance.
8. Smith, J. (2022). Factores de riesgo en el trading financiero. Journal of Financial Markets,
34(2), 40-55.
