Sporathe knowledge network
ES
Pontificia Universidad Javeriana

Maestría en Inteligencia Artificial

Robust Portfolio Management: A Multimodal DRL Approach with Ensemble Mechanisms and Controlled Risk

Record only. The repository marks this work as “De acuerdo con la naturaleza del uso concedido, la presente licencia parcial se otorga a título gratuito por el máximo tiempo legal colombiano, con el propósito de que en dicho lapso mi (nuestra) obra sea explotada en las condiciones aquí estipuladas y para los fines indicados, respetando siempre la titularidad de los derechos patrimoniales y morales correspondientes, de acuerdo con los usos honrados, de manera proporcional y justificada a la finalidad perseguida, sin ánimo de lucro ni de comercialización. De manera complementaria, garantizo (garantizamos) en mi (nuestra) calidad de estudiante (s) y por ende autor (es) exclusivo (s), que la Tesis o Trabajo de Grado en cuestión, es producto de mi (nuestra) plena autoría, de mi (nuestro) esfuerzo personal intelectual, como consecuencia de mi (nuestra) creación original particular y, por tanto, soy (somos) el (los) único (s) titular (es) de la misma. Además, aseguro (aseguramos) que no contiene citas, ni transcripciones de otras obras protegidas, por fuera de los límites autorizados por la ley, según los usos honrados, y en proporción a los fines previstos; ni tampoco contempla declaraciones difamatorias contra terceros; respetando el derecho a la imagen, intimidad, buen nombre y demás derechos constitucionales. Adicionalmente, manifiesto (manifestamos) que no se incluyeron expresiones contrarias al orden público ni a las buenas costumbres. En consecuencia, la responsabilidad directa en la elaboración, presentación, investigación y, en general, contenidos de la Tesis o Trabajo de Grado es de mí (nuestro) competencia exclusiva, eximiendo de toda responsabilidad a la Pontifica Universidad Javeriana por tales aspectos. Sin perjuicio de los usos y atribuciones otorgadas en virtud de este documento, continuaré (continuaremos) conservando los correspondientes derechos patrimoniales sin modificación o restricción alguna, puesto que, de acuerdo con la legislación colombiana aplicable, el presente es un acuerdo jurídico que en ningún caso conlleva la enajenación de los derechos patrimoniales derivados del régimen del Derecho de Autor. De conformidad con lo establecido en el artículo 30 de la Ley 23 de 1982 y el artículo 11 de la Decisión Andina 351 de 1993, "Los derechos morales sobre el trabajo son propiedad de los autores", los cuales son irrenunciables, imprescriptibles, inembargables e inalienables. En consecuencia, la Pontificia Universidad Javeriana está en la obligación de RESPETARLOS Y HACERLOS RESPETAR, para lo cual tomará las medidas correspondientes para garantizar su observancia.”: the PDF is not public, so there is no text to read here. View the record in the repository.

Abstract

Los mercados financieros modernos enfrentan altos niveles de volatilidad, incertidumbre y no linealidad que superan las capacidades de los modelos tradicionales de optimización media–varianza. Esta investigación propone un marco multimodal, continuo y escalable de aprendizaje por refuerzo profundo (DRL) para la asignación dinámica de activos. Se adaptaron cinco arquitecturas actor–critic (A2C, PPO, DDPG, TD3 y SAC) y se desarrolló un mecanismo de ensamble adaptativo que integra precios, indicadores técnicos, sentimiento de noticias y datos fundamentales. Además, se diseñaron funciones de recompensa con penalización explícita por máximo drawdown para gestionar el riesgo extremo. Los experimentos realizados sobre el Dow Jones Industrial Average (DJI) y un universo Top–30 del S&P 500, bajo fricciones realistas como costos de transacción, muestran que el agente de ensamble y los agentes DRL superan consistentemente a las estrategias de referencia (Buy-and-Hold y 1/N) en métricas ajustadas por riesgo, alcanzando mayor estabilidad y menor drawdown máximo. Los resultados evidencian que la inclusión de datos multimodales mejora la capacidad predictiva de agentes basados en entropía (como SAC) en escenarios volátiles, mientras que las recompensas penalizadas por drawdown actúan como un regulador efectivo de la agresividad del modelo, permitiendo calibrar el perfil riesgo–retorno de la estrategia automatizada.

Keywords