Optimización de cartera de activos financieros aplicando aprendizaje automático
El valor temporal del dinero siempre ha empujado a los poseedores de capital a invertir para conseguir rentabilidad. Estas inversiones generalmente buscan maximizar la rentabilidad minimizando la cantidad de riesgo, lo cuál ha sido estudiado ampliamente. Los mercados de capital han crecido enormemen...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2021 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/147326 |
| Acceso en línea: | http://hdl.handle.net/10609/147326 |
| Access Level: | acceso abierto |
| Palabra clave: | gestión de activos modelo multifactor aprendizaje automático gestió d'actius aprenentatge automàtic model multifactor asset management machine learning multifactor model Machine learning -- TFM Aprenentatge automàtic -- TFM Aprendizaje automático -- TFM |
| Sumario: | El valor temporal del dinero siempre ha empujado a los poseedores de capital a invertir para conseguir rentabilidad. Estas inversiones generalmente buscan maximizar la rentabilidad minimizando la cantidad de riesgo, lo cuál ha sido estudiado ampliamente. Los mercados de capital han crecido enormemente durante el último siglo y la información que se tiene de las empresas y el mercado además de tener un gran volumen, no deja de crecer. Para poder reducir está ingente cantidad de datos a información que pueda usarse para tomar decisiones numerosos estudios han identificado lo que denominan factores. Un factor busca identificar una característica común entre activos de manera que permita identificar cuales producen mayor rentabilidad. Actualmente, un estilo de inversión cada vez más frecuente son los fondos que replican un índice (gestión pasiva), generando una exposición a un mercado en concreto (Ej: SP500 ) que históricamente en su conjunto siempre ha producido rentabilidad, reduciendo el riesgo mediante la diversificación, al estar el índice compuesto por numerosos activos. Además este estilo de gestión tiene unos costes bajos que la hacen atractiva para los inversores. Por otro lado, tenemos la gestión activa, donde los fondos son gestionados de manera que mediante análisis y criterios propios buscan conseguir una rentabilidad mayor que la del mercado a cambio de mayores costes de gestión. La evolución tecnológica reciente (tanto hardware como software) permite resolver problemas y generar modelos estadísticos de aprendizaje automático complejos que utilicen gran cantidad de datos. Mediante estas técnicas se pueden buscar patrones comunes en los factores para facilitar de forma automática el análisis de los activos óptimos para una cartera de inversión. Estos modelos se utilizan a día de hoy para automatizar el proceso de seleccionar los activos lo que se denomina Smart Beta y que tienen menores costes que la gestión activa y mayores rentabilidades que la inversión en índices. El propósito de este proyecto es utilizar aprendizaje automático para realizar un modelo que seleccione, a partir de las características de los activos (reflejadas en los factores presentes en la literatura), los que tendrán mejor desempeño para añadirlos a la cartera. |
|---|