High performance serverless architecture for developing Stock Market Deep Learning models

Varios estudios reportados en la literatura han analizado la utilidad de diversas fuentes de información para predecir el precio de los mercados bursátiles. Algunos de ellos han centrado la
atención en el poder predictivo de la información de las redes sociales, que por su naturaleza
no está estructurada y presenta un gran volumen de datos. Sin embargo, capturar y procesar
esta información para obtener una vista minable para construir modelos predictivos puede
requerir grandes cantidades de poder de cómputo y almacenamiento, un costo prohibitivo para
un proyecto académico. Además, entrenar modelos de aprendizaje profundo requiere un gran
consumo de computación, ya que se deben calcular cientos de miles de parámetros de forma
iterativa. El presente trabajo propone una arquitectura nativa en la nube que escala elásticamente a bajo costo utilizando tecnologías sin-servidor, que permite capturar mensajes de Twitter,
realizar procesamiento de lenguaje natural y entrenar Long-Short-Term-Memory (LSTM) y Redes
Neuronales Convolucionales. Para cada etapa del procesamiento se detalla la potencia de
cómputo utilizada, la capacidad de almacenamiento en la nube utilizada y los costos asociados
a la ejecución de cada experimento. También se describen los servicios en la nube utilizados,
así como las librerías utilizadas tanto para la captura de datos como para el entrenamiento de
modelos de Aprendizaje Profundo.