Publicación:
Sistema de trading algorítmico para ETFS en el mercado de renta variable en Estados Unidos, utilizando aprendizaje automático

Vista sencilla de ítem
dc.contributor.advisorGuerra, Wincy Alejandro
dc.contributor.authorHoyos Castro, Simon
dc.date.accessioned2025-01-21T19:49:34Z
dc.date.available2025-01-21T19:49:34Z
dc.date.issued2024
dc.description73 páginas
dc.description.abstractRESUMEN: Se desarrolló un sistema de trading algorítmico para los fondos cotizados FAS, TNA y UGL aprovechando las herramientas de aprendizaje automático (regresión logística, bosque aleatorio, gradient boost y redes neuronales) en un entorno de programación que utilizó la librería Sklearn de Python. Con este fin, se preprocesaron datos sobre el precio de los activos, indicadores técnicos, índices y sorpresas económicas. Estos datos fueron utilizados para el entrenamiento de los modelos. Tras la optimización y el contraste de treinta y seis modelos diferentes, se introduce la posibilidad de recurrir a modelos econométricos o modelos mucho más sencillos en términos teóricos. Acudiendo entonces a modelos como el de suavizamiento exponencial de Holt y señales de trading básicas como el cruce de medias móviles, se logran resultados iguales o incluso más destacados que aquellos logrados con el aprendizaje automático.spa
dc.description.abstractABSTRACT: An algorithmic trading system was developed for the exchange-traded funds FAS, TNA, and UGL, leveraging machine learning tools (logistic regression, random forest, gradient boost, and neural networks) in a programming environment that utilized Python's Sklearn library. To this end, data on asset prices, technical indicators, indices, and economic surprises were preprocessed and used for model training. After optimizing and testing thirty-six different models, the possibility of using econometric models or much simpler theoretical models was introduced. By turning to models such as Holt's exponential smoothing and basic trading signals like moving average crossovers, results equal to or even better than those achieved with machine learning were obtained.eng
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero(a) Financiero(a)
dc.format.mimetypeapplication/pdf
dc.identifier.urihttps://repository.eia.edu.co/handle/11190/6867
dc.language.isospa
dc.publisherUniversidad EIA
dc.publisher.facultyEscuela de Ciencias Económicas y Administrativas
dc.publisher.placeEnvigado (Antioquia, Colombia)
dc.publisher.programIngeniería Financiera
dc.rightsDerechos Reservados - Universidad EIA, 2024
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.licenseAtribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
dc.subject.proposalTrading algorítmicospa
dc.subject.proposalAprendizaje automáticospa
dc.subject.proposalETF apalancadospa
dc.subject.proposalEstrategias de tradingspa
dc.subject.proposalAlgorithmic tradingeng
dc.subject.proposalMachine Learningeng
dc.subject.proposalLeveraged ETFeng
dc.subject.proposalTrading strategieseng
dc.titleSistema de trading algorítmico para ETFS en el mercado de renta variable en Estados Unidos, utilizando aprendizaje automáticospa
dc.typeTrabajo de grado - Pregrado
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.contentText
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.redcolhttp://purl.org/redcol/resource_type/TP
dc.type.versioninfo:eu-repo/semantics/publishedVersion
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
HoyosSimon_2024_SistemaTradingAlgoritmico.pdf
Tamaño:
4.15 MB
Formato:
Adobe Portable Document Format
Descripción:
Trabajo de grado
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
2.49 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
Ingeniería Financiera