Modelo híbrido ARIMA–XGBoost para la predicción de precios y generar señales de compraventa de activos en mercados bursátiles internacionales

Abstract

Se desarrolló un pipeline integral que incluyó descarga de datos históricos, limpieza, transformación, ingeniería de características y modelado mediante ARIMA y XGBoost. Ambos modelos fueron evaluados con RMSE, MAE y MAPE, y sus predicciones se tradujeron en un sistema de señales validado mediante backtesting frente a Buy & Hold. XGBoost mostró un desempeño predictivo superior (MAPE ≈ 2.7%), superando ampliamente a ARIMA. No obstante, el modelo híbrido con ponderación fija no mejoró estos resultados, evidenciando que un ensamble mal balanceado puede degradar al componente más fuerte. A pesar de la alta precisión estadística, la estrategia de trading generó pérdidas, principalmente por sobre-trading, ausencia de filtros de tendencia y desalineación entre métricas predictivas y objetivos financieros. Se concluye que optimizar solo el error no garantiza rentabilidad y se requiere incorporar gestión de riesgo, control operativo y costos transaccionales.