2026-04-18T05:43:49Zhttps://recercat.cat/oai/request

oai:recercat.cat:2117/4492692025-12-19T16:06:25Zcom_2072_1033col_2072_452951

Predicción de valores de acciones integrando riesgos ambientales y cibernéticos: Un enfoque basado en series temporales y machine learning Mauri Font, Estel Universitat de Barcelona NTT Data Spain Lopez Moreno, Joaquin Àrees temàtiques de la UPC::Matemàtiques i estadística Capital market Time-series analysis Deep learning Mercats financers Sèries temporals -- Anàlisi Aprenentatge profund Classificació AMS::62 Statistics::62M Inference from stochastic processes Classificació AMS::62 Statistics::62P Applications Classificació AMS::91 Game theory, economics, social and behavioral sciences Este Trabajo de Fin de Máster se adentra en el estudio de los mercados financieros desde una perspectiva integral e innovadora, que combina la predicción bursátil con el análisis del impacto de fenómenos globales de creciente relevancia, en particular los eventos climáticos y cibernéticos. El objetivo es doble: por un lado, evaluar la capacidad de distintos modelos para anticipar la evolución de los precios de las acciones mediante predicciones de un solo paso adelante (one-step ahead); y por otro, incorporar el efecto de sucesos disruptivos que, cada vez con mayor frecuencia, alteran la dinámica de los mercados. Para ello, se seleccionaron cinco compañías representativas de sectores estratégicos de la economía global: Apple (tecnología), Amazon (consumo discrecional y servicios en la nube), Banco Santander (financiero), Tesla (automoción y energía limpia) y Nestlé (consumo básico). La metodología combina modelos estadísticos de series temporales con técnicas de aprendizaje profundo, con el fin de capturar dependencias temporales y patrones no lineales complejos. A diferencia de lo que señala parte de la literatura, los resultados demuestran que los modelos estadísticos alcanzan un desempeño competitivo frente a los enfoques de deep learning, situándose al mismo nivel y reforzando su vigencia en contextos reales de predicción. La segunda parte del trabajo se centra en el análisis del impacto de eventos climáticos y cibernéticos mediante modelos de Retornos Anormales (AR) y Retornos Acumulados Anormales (CAAR). Estos permiten identificar en qué medida dichos sucesos provocan alteraciones significativas en los precios de las acciones. Una vez determinados los eventos relevantes, se incorporan como variables adicionales en los modelos predictivos, mostrando que su inclusión mejora de forma generalizada la precisión de las estimaciones y permite capturar con mayor realismo la complejidad del entorno financiero actual. En conjunto, este estudio ofrece una visión unificada que integra factores históricos, técnicos y cualitativos, aportando una contribución académica y práctica al entendimiento de los mercados financieros en un escenario de creciente exposición a riesgos globales. Con ello, se refuerzan las herramientas de apoyo a la toma de decisiones en un mundo donde la incertidumbre ya no es la excepción, sino la norma. 2025-10-09 Master thesis https://hdl.handle.net/2117/449269 PRISMA-200098 http://hdl.handle.net/2117/449269 spa http://creativecommons.org/licenses/by/4.0/ Open Access Attribution 4.0 International application/pdf Universitat Politècnica de Catalunya