Regresión en Series Temporales usando Aprendizaje Profundo

Abstract

El objetivo de este trabajo fin de grado (TFG) consiste en evaluar la predicción de series temporales mediante distintas técnicas basadas en aprendizaje profundo o Deep Learning ,y realizar una comparación con modelos clásicos como AR, MA, ARMA, ARIMA o SARIMA y con modelos basados en aprendizaje automático1. Desde que se presentó el anteproyecto de este TFG han irrumpido con fuerza dentro del Aprendizaje Profundo los Modelos Largos de Lenguaje (LLM en inglés) como chatGPT y variantes. Inicialmente no se contemplaba explorar el uso de modelos basados en la generación de lenguaje para la predicción de series temporales, pero dada la actualidad de este tipo de modelos haremos también una exploración inicial para ver el comportamiento de modelos de uso general, estando la creación de modelos específicos de LLM fuera del alcance de este TFG entre otras cosas debido al alto coste computacional que requiere este tipo de modelos. Un uso específico de modelos basados en GPT al sector financiero podemos encontrarlo en empresas como Bloomberg, con BloombergGPT 2.