Resumen - Modelos Fundamentales de Series de Tiempo para la Predicción de Series de Tiempo Financieras Multivariadas

Modelos Fundamentales de Series de Tiempo para la Predicción de Series de Tiempo Financieras Multivariadas

2025-07-09 21:43:06

{"Ben A. Marconi"}

{q-fin.GN,cs.LG}

El estudio "Modelos Fundamentales de Series de Tiempo para la Predicción de Series de Tiempo Financieras Multivariadas" por Ben Asher Marconi del Imperial College de Londres explora la efectividad de los Modelos Fundamentales de Series de Tiempo (TSFMs) en la predicción de series de tiempo financieras. Los TSFMs son un tipo de modelo fundamental que aprovechan los patrones aprendidos de diversos corpus de series de tiempo para aplicaciones de predicción específicas. El estudio evalúa dos TSFMs, Tiny Time Mixers (TTM) y Chronos, en tres tareas de predicción financiera: cambios en la tasa de rendimiento del Tesoro de EE. UU. a 10 años, volatilidad EUR/USD y predicción de la spread de acciones. Los resultados demuestran que TTM muestra una fuerte transferibilidad, requiriendo menos años de datos en comparación con un modelo sin entrenar para alcanzar niveles de rendimiento comparables. El rendimiento a cero de TTM también superó a los benchmarks naivos en la predicción de volatilidad y la predicción de la spread de acciones, lo que sugiere que los TSFMs pueden superar modelos de benchmark tradicionales sin ajustes finos. Sin embargo, aunque TTM superó a los baselines naivos, los modelos especializados tradicionales igualaron o superaron su desempeño en dos de tres tareas, lo que indica que los TSFMs priorizan la amplitud sobre la optimización específica de tareas. El estudio concluye que los TSFMs ofrecen un gran potencial para la predicción financiera, especialmente en tareas ruidosas y con restricciones de datos, pero alcanzar un rendimiento competitivo probablemente requiere preentrenamiento específico del dominio y refinamientos arquitectónicos adaptados a las características de las series de tiempo financieras.