Examinando por Materia "Backtesting"

Mostrando 1 - 4 de 4
  • Miniatura
    PublicaciónAcceso abierto
    Construcción de modelos para la optimización de portafolios de inversión en renta variable, con base en Markowitz, Blacklitterman y optimización heurística
    (2021) Uribe Mejía, Tatiana; López Jaramillo, Andrea; García Suaza, Andrés
    RESUMEN: La presente propuesta de investigación plantea el desarrollo de modelos automatizados en Python para la construcción de portafolios de inversión, como métodos alternativos e innovadores, a partir de los cuales se busca optimizar tiempo, capital de trabajo y lograr los objetivos planteados por los inversionistas en la relación riesgo-retorno respecto a un benchmark. Estas herramientas son un instrumento crucial para diferentes instituciones financieras que actualmente utilizan mecanismos estáticos (Excel) y modelos tradicionales de manera independiente, como Markowitz y/o Black-Litterman, sin dar solución a los inconvenientes de cada uno. Lo anterior se lleva a cabo a través de mejoras a los modelos tradicionales Markowitz y Black-Litterman, la implementación de un tercer modelo basado en optimización heurística (que incorpora elementos de la inteligencia computacional) y la combinación de los anteriores para aumentar la diversificación. En cuanto a las mejoras de los dos primeros, para Markowitz se tiene el cálculo de la varianza condicional mediante el modelo GARCH; para Black-Litterman, el cálculo objetivo de la tabla de views, según un horizonte de tiempo, mediante información obtenida a través del análisis de sentimiento de noticias, análisis de indicadores fundamentales y el pronóstico de retornos con una red neuronal LSTM. En lo referente al tercero, se optó por la programación de un modelo de algoritmo genético que busca maximizar una función objetivo, definida como la relación riesgo-retorno premiada por la rentabilidad adicional al benchmark y castigada por su sensibilidad con el mismo. Por otro lado, la combinación de modelos se efectuó mediante dos criterios: el primero, promediando los pesos resultantes de cada metodología; y el segundo, efectuando una ponderación de acuerdo a los resultados individuales de los modelos en indicadores de desempeño seleccionados. Para la evaluación óptima de las carteras arrojadas por los modelos mencionados anteriormente, se realizó un backtesting comprendido entre el 2013 y el 2019 (omitiendo los años siguientes con el fin de evitar el ruido generado por la pandemia como escenario extremo), en los cuales se implementaron rebalanceos periódicos en el portafolio de acuerdo a los plazos de inversión definidos (corto, mediano y largo plazo). Igualmente, se evaluaron los modelos en tiempo real para un periodo de un mes (marzo 2021). De lo anterior, en el backtesting todos los modelos propuestos, además de representar una ventaja frente a los tradicionales gracias a su automatización, arrojaron indicadores mejorados y rentabilidades superiores al benchmark de evaluación (S&P500), éste último seleccionado por la alta liquidez de los activos que lo conforman. Ahora, en referencia a la evaluación en tiempo real, se concluye que los modelos no tuvieron una buena respuesta bajo un escenario de estrés como lo es la contingencia actual. Los resultados finales muestran que el modelo de Markowitz mejorado presenta el mejor ratio de Sharpe para el corto y mediano plazo, mientras que el modelo de Black-Litterman y los modelos integrados se destacan por el desempeño en el mediano y largo plazo. Al tiempo, el algoritmo genético se presenta como un importante generador de alfa en el corto y mediano plazo. Es importante tener en cuenta que estos resultados pueden varían por la composición del portafolio y el periodo de tiempo en que se realiza el proceso de optimización.
  • Miniatura
    PublicaciónAcceso abierto
    Evaluación de estrategias de gestión activa de portafolios en el mercado accionario colombiano
    (Universidad EIA, 2009) Restrepo Mejía, Felipe; Arroyave Baena, Jaime Alberto
    This paper compares the performance of four active portfolio management strategies with the performance of a passive Buy and Hold strategy. In order to do this, simulations using both a traditional backtesting with optimization and a Walk-Forward Analysis methodology, as proposed by Robert Pardo, were used. When divergences in the results obtained form these methodologies occurred, the results of the Walk-Forward Analysis were accepted as definitive. All four strategies we tested using the series of closing prices of the IGBC for the period between the 3rd of July of 2001 and the December the 30th of 2008. To confirm the validity of the results obtained with each methodology, hypothesis tests were performed.
  • Miniatura
    PublicaciónAcceso abierto
    Evaluación de estrategias de gestión activa de portafolios en el mercado accionario colombiano
    (Universidad EIA, 2009) Restrepo Mejía, Felipe; Arroyave Baena, Jaime Alberto
    RESUMEN: En este trabajo se compara el desempeño de cuatro estrategias de gestión activade portafolios basadas en indicadores técnicos con el de una estrategia de gestiónpasiva de tipo Buy and Hold. Para tal fin se realizaron simulaciones de lasestrategias utilizando una metodología de backtesting tradicional con optimizacióny la metodología de Análisis Walk-Forward desarrollada por Robert Pardo. Cuandose presentaron divergencias entre los resultados, se aceptaron los obtenidos conla metodología de Análisis Walk-Forward como los definitivos. Todas lasestrategias se simularon utilizando la serie de precios de cierre del IGBC delperíodo comprendido entre el 3 de julio de 2001 y el 30 de diciembre de 2008.Para confirmar su validez, se aplicaron pruebas de hipótesis a los resultadosobtenidos con cada una de las dos metodologías. En las pruebas de rentabilidad los resultados fueron mixtos. En dos de las cuatroestrategias se aceptaron las hipótesis alternativas “la rentabilidad promedio de losdías en que el modelo propone posiciones largas es mayor a la rentabilidadpromedio diaria de todo el período analizado” y “la rentabilidad promedio de losdías en que el modelo propone posiciones cortas es menor a la rentabilidadpromedio diaria de todo el período analizado”. Por el contrario, los resultados delas pruebas de rentabilidad ajustada por riesgo son contundentes. Después delAnálisis Walk-Forward, para ninguna de las cuatro estrategias se acepta lahipótesis alternativa “La rentabilidad promedio diaria continua ajustada por riesgode la estrategia es mayor a la de la estrategia Buy and Hold”.
  • Miniatura
    PublicaciónAcceso abierto
    Modelo de predicción de rentabilidad esperada en un fondo de renta fija
    (Universidad EIA, 2021) Tamayo Cabriles, Juan Luis; Valencia Espinal, Camilo; García Suaza, Andrés Felipe
    RESUMEN: Al momento de realizar una inversión, la incertidumbre que se presenta en el mercado es una de las principales preocupaciones que tienen las personas, ya que esta puede afectar la rentabilidad que tendrán los inversionistas. En el caso particular de la renta fija, al ser el principal mercado de la Bolsa de Valores de Colombia, se vuelve aún más importante entender cómo se ven afectados los fondos por los movimientos macroeconómicos. De aquí surge la pregunta, ¿cómo afectan las diferentes variables macroeconómicas a la rentabilidad en los fondos de renta fija? Para responder a esto, se pretende modelar la rentabilidad esperada para fondos de renta fija, que permita entender y simular los precios del fondo, basado en variaciones de las principales variables macroeconómicas que lo afectan. Para esto se identificarán de las principales variables macroeconómicas que afectan los fondos de renta fija, a partir de fuentes secundarias. Luego, se recopilarán datos históricos de las variables y del precio del fondo seleccionado también a partir de fuentes secundarias, con el fin de observar el comportamiento y la relación que existe entre cada una de las variables seleccionadas y el precio del fondo de renta fija. El fondo seleccionado fue Renta Fija Plazo del Grupo Bancolombia. Este tiene como fin invertir en renta fija, de manera, buscando mantener un riesgo medio y crecimiento de capital a mediano plazo, invierte principalmente en el sector financiero y en entidades públicas, en activos nacionales e internacionales. Posteriormente, se estima un modelo que use los datos históricos de las variables como entradas, en un software que pueda plasmar el funcionamiento del modelo de predicción bajo diferentes escenarios. Luego, se deberá realizar la simulación de este, y se analizarán los resultados para verificar que estos sean coherentes y acordes a los diferentes parámetros ingresados según los escenarios que se plantean. Por último, se debe validar el modelo realizando la técnica de backtesting para poder verificar la confiabilidad de este, basado en el comportamiento histórico del precio de fondo en los diferentes escenarios de estrés que han ocurrido en los últimos años