Maestría en Ciencias de los Datos y Analítica · 2025
Aplicación de redes neuronales convolucionales y técnicas de procesamiento de lenguaje natural para el análisis de sentimiento en datos financieros
Este estudio entrelaza los métodos tradicionales de análisis financiero con la fuerza del procesamiento del lenguaje natrual (PLN) y el aprendizaje profundo, aplicando una adaptación del marco CRISP-DM. Esta investigación se concentra en el sector de electrónica de consumo del mercado bursátil estadounidense, para lo cual se reunieron noticias financieras y datos históricos de cotizaciones. Con el fin de comprender con mayor detalle la naturaleza del lenguaje en el ámbito financiero, se llevaron a cabo procesos de limpieza y preprocesamiento textual, así como diversos experimentos con arquitecturas de redes neuronales convolucionales (CNN). Estos experimentos compararon tres enfoques de embeddings (aleatorios, GloVe y fastText) para capturar los matices de sentimiento. Para determinar la influencia del sentimiento del mercado en las cotizaciones, se empleó un algoritmo de clasificación (Random Forest), con el propósito de pronosticar tendencias de precios, revelando el valor adicional que las emociones pueden aportar al mercado. Los resultados nos muestran la contribución positiva de los embeddings preentrenados a la clasificación de sentimientos y, a su vez, recalcan la importancia de incorporar otros indicadores para refinar la predicción de tendencias. De esta manera, el estudio sienta las bases para diseñar sistemas de análisis financiero más avanzados.
Texto completo 32 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- Descripción del proyectop. 5
- Planteamiento del problemap. 5
- Justificaciónp. 6
- Objetivosp. 8
- Objetivo generalp. 8
- Objetivos específicosp. 8
- Marco teórico y estado del artep. 9
- Mercado de valoresp. 9
- Análisis de sentimientosp. 10
- Procesamiento de lenguaje natural (PLN)p. 11
- Redes neuronales convolucionales (CNN)p. 12
- Metodologíap. 13
- Comprensión del negociop. 13
- Comprensión de los datosp. 14
- Preparación de los datosp. 16
- Modeladop. 18
- CNN con Embeddings aleatoriosp. 18
- CNN con Glovep. 20
- CNN con FastTextp. 21
- Random Forestp. 23
- Evaluaciónp. 24
- CNN con Embeddings Aleatoriosp. 18
- CNN con GloVep. 20
- CNN con FastTextp. 21
- Random Forestp. 23
- Conclusiones y trabajos futurosp. 29
- Referencias bibliográficasp. 31
- Figura 1: Modelo de datosp. 15
- Figura 2 Matriz de confusión escenario 1p. 24
- Figura 3 Matriz de confusión escenario 2p. 26
- Figura 4 Matriz de confusión escenario 3p. 27
- Figura 5 Matriz de confusión Random Forestp. 29
- Tabla 1 CanEdad de coEzacionesp. 16
- Tabla 2 CanEdad de noEciasp. 16
- Tabla 3 Resultado escenario 1p. 24
- Tabla 4 Resultado escenario 2p. 25
- Tabla 5 Resultado escenario 3p. 27