Diseño e implementación de un sistema de apoyo a la toma de decisiones para el scouting de jugadores mediante herramientas Big Data.

Abstract

Desarrollo de modelos híbridos para la predicción de la volatilidad financiera mediante técnicas de stacking que combinan modelos econométricos (HARX-Ridge), aprendizaje automático (XGBoost) y deep learning (LSTM). Se construye un dataset multiescala y se emplea optimización bayesiana junto con validación temporal out-of-sample. Los resultados muestran que los modelos híbridos superan sistemáticamente a los individuales, destacando la combinación HARX-Ridge + XGBoost por su mayor precisión y estabilidad predictiva en mercados financieros