Rodríguez Ramírez, DanielFernández Román, José Miguel2025-11-072025-11-072025Fernández Román, J.M. (2025). Análisis comparativo de plataformas de aprendizaje profundo para la predicción de series temporales. (Trabajo Fin de Grado Inédito). Universidad de Sevilla, Sevilla.https://hdl.handle.net/11441/178769Este Trabajo de Fin de Grado se centró en la comparación exhaustiva de los frameworks de deep learning Keras (TensorFlow) y PyTorch para la predicción de series temporales. El objetivo principal fue evaluar su desempeño utilizando métricas claves como la Raíz del Error Cuadrático Medio (RMSE) y el Error Porcentual Medio Absoluto (MAPE), además de analizar su usabilidad en el desarrollo de modelos de redes neuronales. Para ello, se aplicaron ambos frameworks a varias series temporales, siendo una de ellas, el índice bursátil Dow Jones Industrial Average. También se realizó una comparación específica entre las capas recurrentes (Long Short time Memory) y las GRU (Gated Recurrent Unit). La metodología del estudio de la tarea de predicción del índice abarcó desde la preparación de los datos, incluyendo la integración de indicadores técnicos (MA, ROC, RSI, Momentum) y la creación de ventanas temporales, hasta la optimización de los modelos. Finalmente, se diseñó un escenario de predicción recurrente a largo plazo, donde el modelo utilizaba sus propias salidas y recalculaba dinámicamente los indicadores, simulando así una aplicación en tiempo real.This Final Degree Project focused on an exhaustive comparison of the Keras (TensorFlow) and PyTorch deep learning frameworks for time series prediction. The main objective was to evaluate their performance using key metrics such as Root Mean Square Error (RMSE) and Mean Absolute Percentage Error (MAPE), as well as analyzing their usability in the development of neural network models. To this end, both frameworks were applied to several time series, one of which was the Dow Jones Industrial Average stock index. A specific comparison was also made between recurrent layers (Long Short Time Memory) and GRUs (Gated Recurrent Unit). The methodology of the index prediction study ranged from data preparation, including the integration of technical indicators (MA, ROC, RSI, Momentum) and the creation of time windows, to model optimization. Finally, a long-term recurrent prediction scenario was designed, where the model used its own outputs and dynamically recalculated the indicators, thus simulating a real-time application.application/pdf115 p.spaAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/openAccess