Maestría en Administración Financiera · 2024
Evaluación del efecto de incluir la predicción de rendimientos mediante la técnica de Support Vector Machines en la eficiencia del modelo de media-varianza de Markowitz
Portfolio investment optimization aims to maximize expected returns given certain levels of risk. This process requires dealing with different variables in a nonlinear, noisy system due to market complexity. This is understood as a system that is affected by different external conditions that may be uncontrollable, where volatility influenced by unpredictable factors is present. In this study, an analysis of the results obtained by integrating machine learning techniques, specifically the set of algorithms called Support Vector Machines (SVM), into classical portfolio construction models is conducted. These algorithms allow for the analysis of large amounts of data and the estimation of asset return time series, resulting in a hybrid optimization model. Historical data from the stock markets of the United States and Colombia are used for numerical experiments; one set of data is used for model training (Training Set) and another for testing (Testing Set). Finally, the efficiency of the model is evaluated comparatively with the mean-variance portfolio selection theory proposed by Markowitz.
Full text 49 pages with text
Read the full thesis Record in the repository
Contents
- Introducciónp. 6
- Marco teóricop. 8
- Modelo de Markowitzp. 9
- Support Vector Machines (SVM)p. 10
- Support Vector Regression (SVR)p. 12
- Metodologíap. 14
- Selección de datosp. 14
- Modelación de datos mediante SVRp. 17
- Cálculo del portafolio óptimo – Sharpe Ratiop. 20
- Cálculo de la riqueza – Total Wealthp. 21
- Resultadosp. 22
- Mercado de valores de Estados Unidos – Estrategia B&Sp. 22
- Mercado de valores de Estados Unidos – Estrategia B&Hp. 29
- Mercado de valores de Colombia – Estrategia B&Sp. 36
- Mercado de valores de Colombia – Estrategia B&Hp. 42
- Conclusiones y recomendacionesp. 47
- Referenciasp. 49
- Figura 1. Definición del “margen” entre clasesp. 11
- Figura 2. Mapeo de datos no lineales en SVRp. 13
- Figura 3. Correlación de activos portafolio Estados Unidosp. 15
- Figura 4. Correlación de activos portafolio Colombiap. 16
- de diciembre de 2023p. 23
- Figura 6. Frontera eficiente de Markowitz Portafolio Estados Unidos estrategia B&Sp. 28
- Figura 7. Riqueza Total Portafolio Estados Unidos estrategia B&Sp. 29
- 2022 a 15 de diciembre de 2023p. 30
- Figura 9. Frontera eficiente de Markowitz Portafolio Estados Unidos estrategia B&Hp. 35
- Figura 10. Riqueza Total Portafolio Estados Unidos estrategia B&Hp. 36
- diciembre de 2023p. 37
- Figura 12. Frontera eficiente de Markowitz Portafolio Colombia estrategia B&Sp. 41
- Figura 13. Riqueza Total Portafolio Colombia estrategia B&Sp. 41
- 15 de diciembre de 2023p. 23
- Figura 15. Frontera eficiente de Markowitz Portafolio Colombia estrategia B&Hp. 46
- Figura 16. Riqueza Total Portafolio Colombia estrategia B&Hp. 46
- Tabla 1. Portafolio de activos del mercado bursátil de EE. UUp. 15
- Tabla 2. Portafolio de activos del mercado bursátil de Colombiap. 16
- B&Sp. 24
- Tabla 4. Sharpe Ratios activos portafolio de Estados Unidos, estrategia B&Sp. 25
- B&Sp. 24
- estrategia B&Sp. 27
- B&Hp. 31
- Tabla 8. Sharpe Ratios activos Estados Unidos, estrategia B&Hp. 32
- B&Hp. 31
- estrategia B&Hp. 33
- Tabla 12. Sharpe Ratios activos portafolio de Colombia, estrategia B&Sp. 38
- B&Sp. 24
- Tabla 16. Sharpe Ratios activos portafolio de Colombia, estrategia B&Hp. 44
- B&Hp. 31