Aplicación de técnicas de machine learning para la predicción de los precios de la acción APPLE

Abstract

The objective of this publication is to compare the level of prediction of certain techniques such as time series and machine learning in APPLE stock price forecasting, which It has the largest capitalization volume in the technology sector. The price history is between January 1, 2019 and June 30, 2021, that it has been downloaded and it was used to measure the level of prediction having as a target the future price of the following day, on the 15th and on the 30th, also, other type of textual information were tested in order to measure their contribution to improving the prediction. The Root Mean Square Error (RMSE) and the Mean Absolute Percentage Error (MAPE) adjustment indicators were used, considering the criterion that to the extent that a technique has a lower value, it will be the best technique for each of the proposed scenarios. Regarding the results obtained in the application of the various techniques for each scenario, it was found that the Machine Learning XGBOOST technique with parameters tuned by Cross Validation and the Multiple Linear Regression model are the most useful for predicting the price of APPLE stock and textual information also improved the prediction level of APPLE stock price.La presente publicación tiene el objetivo de comparar el nivel de predicción de determinadas técnicas como series de tiempo y machine learning en el contexto del pronóstico del precio de la acción APPLE que tiene el mayor volumen de capitalización en el sector de la tecnología. Se ha descargado el histórico de precios cuyas fechas están entre el 01 de enero del 2019 y el 30 de junio del 2021 y se buscó medir el nivel de predicción teniendo como target los precios del día siguiente, al día 15 y al día 30, asimismo, se probó la información textual para poder medir su aporte en la mejora de la predicción. Se utilizaron los indicadores de ajuste Raiz del Error Cuadrático Medio (RMSE) y del Error Porcentual Absoluto Medio (MAPE), considerando el criterio de que en la medida que una técnica presente menor valor será la mejor técnica para cada uno de los escenarios propuestos. Respecto a los resultados que se obtuvo en la aplicación de las diversas técnicas para cada escenario, se encontró que la técnica de Machine Learning XGBOOST con parámetros tuneados mediante Cross Validation y el modelo de Regresión Lineal múltiple son las más útiles para la predicción del precio de la acción APPLE y la información textual también mejoró el nivel de predicción del precio de la acción APPLE.