Examinando por Materia "Genetic Algorithm"

Mostrando 1 - 2 de 2
  • 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
    Desarrollo de aplicación para el transporte regular de personas por medio de microbuses
    (Universidad EIA, 2019) Restrepo Londoño, Manuel Felipe; Correa Henao, Oscar David
    Debido al aumento del parque automotor y al numero de viajes diarios, el tiempo promedio de desplazamiento ha aumentado un 44% en 10 años (Área Metropolitana del Valle de Aburrá, 2017) abriendo la necesidad de alternativas innovadoras capaces de mejorar la calidad y la eficiencia del sistema tradicional. Tendencias actuales dan como área de enfoque el modelo de transporte compartido el cual utiliza el parque automotor presente de una región en su funcionamiento ideal para las condiciones actuales de la ciudad. Contrastando esta idea en un ámbito masivo, es posible considerar la viabilidad de un sistema compartido masivo el cual permita gestionar la creación de rutas con vehículos actuales para cualquier persona que lo necesite. En la literatura, este problema es conocido como el problema de ruteo de buses de escuela y consiste en encontrar la forma más eficiente de repartir una flota de buses en rutas capaces de transportar a los usuarios desde su origen a su destino, cumpliendo restricciones de tiempos de recorrido, capacidad del bus y el número de usuarios. Pese a la dificultad en la solución de este tipo de problemas, la investigación actual permite soluciones eficientes para implementar en el sistema propuesto. Este proyecto analiza un sistema de transporte compartido de buses y microbuses para habitantes de la ciudad de Medellín. Se desarrolla el prototipo de una aplicación que permite la prestación de un servicio de rutas recurrentes, de libre acceso tanto para conductores como para pasajeros, y en donde el usuario final ingresa sus requerimientos (horarios, puntos de destino y salida) y a partir de la agregación de dichos requerimientos y junto con la disponibilidad de los vehículos se generen rutas que logran disminuir costos y tiempos de desplazamiento por trayecto. El prototipo se construye a partir de un análisis técnico y financiero elaborado por medio de un plan de negocio enfocado en la viabilidad del proyecto, manteniendo un servicio competitivo frente a diferentes sistemas actuales. Se utilizan datos reales que permiten dar indicios de la viabilidad del servicio y su posible impacto en términos financieros, culturales, de seguridad y de medio ambiente. Se realizan entrevistas a conductores y encuestas a los posibles usuarios que la plataforma podría tener residentes de la ciudad de Medellin. La solución utiliza un algoritmo de optimización para el problema de ruteo de buses escolares capaz de crear recorridos a partir de los requerimientos de los usuarios y el tipo de buses disponibles. El sistema utiliza Heroku y Amazon AWS para el BackEnd y React Native para la aplicación móvil. GeoDjango se utiliza para manipular la información georreferenciada y se utiliza Open Street Maps en combinación con Google Maps para los datos de tráfico en tiempo real y de malla vial. Para la optimización de las rutas, se utiliza Open Source Routin Machine y la implementación del algoritmo genético desarrollada en Python para la optimización del problema de ruteo de buses escolares creada por Google llamada ORTools. Aunque existe amplia investigación en el desarrollo y optimización de soluciones para el problema de ruteo de buses escolares, la investigación en su viabilidad en condiciones reales es escaza y su potencial como una alternativa y eficiente es de importancia para dar solución a los problemas de tráfico y contaminación. Se evidencia como el servicio es viable financieramente y tecnológicamente, se presenta un producto mínimo viable y se evidencia que en la condiciones actuales del mercado se puede lograr generar valor con plan de negocio propuesto.