Desarrollo de una plataforma web de predicción y simulación de inversión: Análisis de un índice bursátil

Abstract

[Resumen] El acceso al análisis cuantitativo de mercados financieros ha estado históricamente limitado a personas con formación especializada en estadística o finanzas, o bien, aquellos con la suficiente capacidad económica para permitirse el lujo de obtener este conocimiento. Este proyecto presenta una plataforma completa de análisis sobre el ETF S&P500 (SPY) que permite a cualquier persona, independientemente de su formación, o cartera, obtener predicciones bursátiles fundamentadas y comprender el razonamiento detrás de ellas, sin que el sistema actúe, en ningún caso, como una caja negra, a excepción de los modelos de redes neuronales, que por naturaleza son opacos. La plataforma implementa un pipeline automatizado de recolección y procesamiento de datos, diez modelos de regresión de log-retornos mediante técnicas de aprendizaje automático, entre ellos Ridge, XGBoost y LSTM, evaluados bajo validación walk-forward, predicen a diferentes horizontes temporales: día, semana y mes. Adicionalmente, se encuentra un motor de backtest con tres estrategias de inversión y position sizing configurable, para obtener el resultado actual de la predicción. Como aportación diferencial, el sistema incorpora un módulo en el simulador de inversión, relacionado con la fiscalidad española, (IRPF y regímenes del Impuesto de Sociedades) que ofrece al usuario una visión aún más realista del impacto de cada estrategia sobre su capital. Los resultados apuntan a que la estrategia basada en la señal del mejor modelo predictor obtiene rendimientos comparables al Buy & Hold reduciendo el riesgo de la operación, con el valor añadido de cuantificar el beneficio o pérdida neta real tras impuestos. La plataforma queda expuesta mediante una API REST documentada y una interfaz web accesible, constituyendo un entorno funcional, moderno, automatizado y extensible para otros mercados financieros, juntando la Ciencia e Ingeniería de datos con las Finanzas.[Abstract] Access to quantitative financial market analysis has historically been limited to individuals with specialist training in statistics or finance, or those with sufficient economic means to afford such knowledge. This project presents a complete analysis platform for the S&P500 ETF (SPY) that enables any person, regardless of their background or portfolio size, to obtain grounded stock market predictions and understand the reasoning behind them, without the system acting, under any circumstances, as a black box, with an exception of the neuronal network models, since they are inherently opaque. The platform implements an automated data collection and processing pipeline, ten logreturn regression models using machine learning techniques, including Ridge, XGBoost and LSTM, evaluated under walk-forward validation, that generate predictions across different time horizons, such as day, week and month. In addition, there is a backtesting engine with three investment strategies and configurable position sizing, to get the actual results of the prediction. As a distinctive contribution, the system incorporates a module within the investment simulator related to Spanish taxation (personal income tax and corporate tax regimes), offering the user a realistic view of the impact of each strategy on their capital. Results suggest that the strategy based on the signal of the best predictive model achieves returns comparable to Buy & Hold while reducing operational risk, with the added value of quantifying the real net profit or loss after taxes. The platform is exposed through a documented REST API and an accessible web interface, forming a functional, modern, automated and extensible environment for other financial markets, bridging Data Science and Engineering with Finance.