Loading...
Optimización de carteras de inversión con deep learning
Velazquez, Lucas Mauricio
Velazquez, Lucas Mauricio
Type
Tesis de maestría
Citations
Altmetric:
Abstract
"La presente tesis aborda la optimización de carteras de inversión en mercados financieros caracterizados por alta volatilidad e interdependencias no lineales entre activos. El problema central radica en que los métodos tradicionales, como la teoría de media-varianza de Markowitz, asumen normalidad en los retornos y relaciones lineales entre los activos, lo cual reduce su eficacia en escenarios de cambios bruscos
y condiciones de mercado dinámicas.
Para superar estas limitaciones, se comparan dos enfoques basados en redes neuronales profundas: uno de optimización directa (end-to-end), que maximiza el Sharpe Ratio sin predecir retornos, y otro que emplea la predicción de retornos junto con la métrica Mean Semi-Absolute Deviation. El primero asigna pesos de portafolio directamente, mientras que la segunda estima los retornos y calcula el riesgo a partir de los errores de predicción, integrando posteriormente un modelo de optimización de dos pasos.
El estudio utiliza datos de cuatro fondos cotizados en bolsa (VTI, AGG, DBC y VIX) en un periodo qu abarca desde el año 2007 al 2023, centrándose en los años 2020 a 2023 y en dos lapsos de alta incertidumbre (el crash de COVID-19 y la suba de tasas por parte de la Reserva Federal de Estados Unidos).
Los métodos basados en deep learning se entrenan a través de varias estrategias y la experimentación se completa comparando dichos métodos entre sí y con el método clásico de Markowitz, en base a métricas predeterminadas para evaluar la relación riesgo-retorno de las carteras."
Description
Date
2025-07-02
Journal Title
Journal ISSN
Volume Title
Publisher
Collections
Research Projects
Organizational Units
Journal Issue
Keywords
REDES NEURONALES PROFUNDAS, TEORÍA MODERNA DE CARTERAS, DESVIACIÓN MEDIA SEMIABSOLUTA, RATIO DE SHARPE, RENDIMIENTO NETO ACUMULADO, CAÍDA MÁXIMA, TASA DE ROTACIÓN