Publicación: Análisis de sentimientos para la construcción de las matrices P y Q en el modelo de Black-Litterman para la optimización de portafolios
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Director
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
RESUMEN: El trabajo de crear portafolios de inversión es un campo de estudio bastante amplio y sobre el que se ha investigado mucho en el mundo académico de las finanzas y la economía. Desde los modelos convencionales de colocación de activos como el de Harry Markowitz en 1952, hasta algunos modelos más sofisticados como el de Fisher Black y Robert Litterman en 1990. En el trabajo desarrollado inicialmente por Black y Litterman y posteriormente mejorado por Litterman y He (2002), se incorpora la posibilidad de añadir perspectivas subjetivas a un proceso meramente matemático para la colocación de activos. Un enfoque que transformaría permanentemente los fondos de inversión y sobre lo que este trabajo indagará profundamente. Con la revolución tecnológica en materia de la inteligencia artificial, muchos se preguntan hoy en día cuál es su alcance y en qué tareas podría empezar la inteligencia artificial a servir como herramienta para los humanos. Maquinas cada vez más desarrolladas incluso con la capacidad de entender el lenguaje humano hacen pensar que estas herramientas vinieron para quedarse y revolucionar todo lo que conocemos. No es de extrañar que el mundo de las finanzas vaya adquiriendo cada vez más interés en este nuevo potencial emergente. De ahí, nace la idea y la motivación con la que se realiza este trabajo, pensar en el qué puede llegar a pasar en el proceso de colocar activos para un portafolio de inversión si en lugar de ser un humano quien esté detrás de la operación es una máquina con la capacidad de recoger grandes cantidades de información del mercado en minutos, qué tan eficaz pueden ser las visiones de mercado generadas artificialmente con procesadores de lenguaje natural, son todas preguntas que a lo largo de este trabajo se exploran parcialmente. Por último, las metodologías empleadas para el desarrollo de las ideas planteadas para la investigación antes mencionadas son un primer vistazo de lo que puede llegar a escalarse a modelos de mayor precisión y de mayor complejidad con un volumen de información superior y de mayor calidad.
Resumen en inglés
ABSTRACT: Asset allocation process is a well-known field and intensely studied in the academic financial and economical world. The evolution of asset allocation theory encompasses the knowledge from Harry Markowitz’s theory developed in 1952 to advanced models like the Black-Litterman model introduced by Fisher Black and Robert Litterman in 1990. By incorporating subjective perspectives into the mathematical framework, Black-Litterman created a pivotal shift in investment portfolio management. This study explores how this approach, later refined by Litterman and Guangliang He in 2002, transformed portfolio management by enabling customized outlooks. Technological revolution in AI field is an area of growing interest and the world is asking itself the potential reach of it and what AI can start doing for humanity. The machines are getting more powerful through time, and they can even understand human language, causing even the financial world to get more and more interested in its potential. The idea and motivation of this research work its starting from there, thinking on what would happen with asset allocation processes if in place of a human being behind the process, a machine perform the work with the capacity of read and collect big amount of information in just minutes, how efficient can be the artificial outlooks made by a machine and natural language processors, are all questions that are partially explored in this study.. Finally, the methodologies used in this study provide an initial framework that could be scaled to higher-precision models, supporting more complexity and more accuracy with a big data volume and a higher quality.