Una arquitectura híbrida GAS-ATT-LSTM para el pronóstico de series de tiempo financieras no estacionarias

Abstract

Este estudio propone un enfoque híbrido para analizar y pronosticar series de tiempo financieras no estacionarias, combinando modelos estadísticos con redes neuronales profundas. Se presenta un modelo que integra tres componentes clave: el modelo Generalized Autoregressive Score (GAS), que captura la dinámica de la volatilidad; un mecanismo de atención (ATT), que identifica las características más relevantes dentro de la secuencia; y una red neuronal Long Short-Term Memory (LSTM), que recibe las salidas de los módulos anteriores para generar los pronósticos de precios. Esta arquitectura se denomina GAS-ATT-LSTM. Se evaluaron variantes unidireccionales y bidireccionales del modelo utilizando datos financieros reales del índice Nasdaq Composite, Invesco QQQ Trust, ProShares UltraPro QQQ, Bitcoin y los futuros del oro y la plata. El desempeño del modelo propuesto se comparó con cinco arquitecturas de referencia: LSTM Bidireccional, GARCH-LSTM Bidireccional, ATT-LSTM, GAS- LSTM y GAS-LSTM Bidireccional, utilizando ventanas móviles de 3, 5 y 7 días. Los resultados muestran que GAS-ATT-LSTM, especialmente en su versión bidireccional, supera de manera consistente a los modelos de referencia en la mayoría de los activos y horizontes de pronóstico. Destaca por su capacidad de adaptación a distintos niveles de volatilidad y estructuras temporales, logrando mejoras significativas tanto en precisión como en estabilidad. Estos hallazgos confirman la efectividad del modelo híbrido propuesto como una herramienta robusta para el pronóstico de series de tiempo financieras complejas.