Publicación: Estrategia de inversión basada en un modelo neuronal borrosos enfocado en la estructuración de portafolios en tiempo real
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Director
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Palabras claves
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
Resumen: ¿Existe alguna manera de predecir el comportamiento de los activos que componen el Dow Jones mediante el uso de redes neuronales, de modo que se pueda lograr obtener un retorno superior al que alcanza este índice y disminuyendo el riesgo que esta inversión implica? En este trabajo se busca desarrollar una estrategia de inversión que, mediante el uso de algoritmos de aprendizaje y econometría, permita identificar en tiempo real la composición ideal de un portafolio de activos financieros, de modo que se optimice la relación rentabilidad riesgo. Para tal efecto se desarrolló una herramienta automatizada que permitió elaborar pronósticos de la rentabilidad y la volatilidad condicional de un conjunto de activos seleccionados, con lo cual se logró determinar cuáles son los activos ideales para invertir. En este trabajo se integran las nuevas tendencias de trading algorítmico con los métodos tradicionales de estructuración de portafolios, logrando desarrollar un modelo de inversión dinámico que se ajuste a los cambios en las condiciones de mercado.
Resumen en inglés
Abstract: Is there any method to predict how Dow Jones’ assets will change their prices in time using neural networks, in order to generate higher returns than those generated by the index itself? This paper aims to develop an investment strategy that, using econometrics and machine learning, allows us to identify the optimal portfolio composition of a selected group of assets. This is achieved with the optimization of the return/volatility ratio. We developed a tool able to forecast the return of the assets analyzed as well as the conditional volatility. With these forecasts are selected the assets which will be bought. This thesis integrates new tendencies of algorithmic trading with traditional methods of portfolio management to develop a dynamic investment model which is able to adjust itself to unexpected changes of the market conditions.