Estrategia de inversión basada en un modelo neuronal borrosos enfocado en la estructuración de portafolios en tiempo real

Carvajal Correal, Santiago

Publicación:
Estrategia de inversión basada en un modelo neuronal borrosos enfocado en la estructuración de portafolios en tiempo real

dc.contributor.advisor	Peña Palacio, Alejandro
dc.contributor.author	Carvajal Correal, Santiago
dc.date.accessioned	2023-10-04T14:35:04Z
dc.date.available	2023-10-04T14:35:04Z
dc.date.issued	2018
dc.description	81 páginas	spa
dc.description.abstract	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.	spa
dc.description.abstract	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.	eng
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero Financiero
dc.format.mimetype	application/pdf
dc.identifier.uri	https://repository.eia.edu.co/handle/11190/6243
dc.language.iso	spa
dc.publisher	Universidad EIA
dc.publisher.faculty	Escuela de Ciencias Económicas y Administrativas
dc.publisher.place	Envigado (Antioquia, Colombia)
dc.publisher.program	Ingeniería Financiera
dc.rights	Derechos Reservados - Universidad EIA, 2018
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.license	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.uri	https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject.proposal	Portafolio	spa
dc.subject.proposal	Riesgo	spa
dc.subject.proposal	Rentabilidad	spa
dc.subject.proposal	Redes Neuronales	spa
dc.subject.proposal	Portfolio Management	eng
dc.subject.proposal	Risk	eng
dc.subject.proposal	Return	eng
dc.subject.proposal	Neural networks	eng
dc.title	Estrategia de inversión basada en un modelo neuronal borrosos enfocado en la estructuración de portafolios en tiempo real	spa
dc.type	Trabajo de grado - Pregrado
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.coarversion	http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.content	Text
dc.type.driver	info:eu-repo/semantics/bachelorThesis
dc.type.redcol	http://purl.org/redcol/resource_type/TP
dc.type.version	info:eu-repo/semantics/publishedVersion
dspace.entity.type	Publication