Este artículo presenta un enfoque novedoso para la predicción del tipo de cambio EUR/USD mediante la integración de aprendizaje profundo, análisis de texto y optimización por enjambre de partículas (PSO). Al integrar noticias en línea y textos analíticos como datos cualitativos, el modelo PSO-LSTM propuesto supera a los modelos econométricos y de aprendizaje automático existentes. Se emplean técnicas avanzadas de minería de texto, incluyendo el análisis de sentimientos mediante el modelo RoBERTa-Large y el modelado de temas mediante LDA. Los resultados empíricos destacan las importantes ventajas de la integración de datos de texto, con el modelo PSO-LSTM superando a modelos de referencia como SVM, SVR, ARIMA y GARCH. Los experimentos de ablación demuestran la contribución de cada categoría de datos de texto al rendimiento general de la predicción. Este estudio destaca el potencial transformador de la inteligencia artificial en finanzas y sienta las bases para futuras investigaciones sobre predicción en tiempo real e integración de fuentes de datos alternativas.
