Maestría en Ciencias de los Datos y Analítica · 2023
Aprendizaje reforzado profundo para la administración de portafolios de renta fija
This paper applies deep reinforced learning techniques to the management of fixed income investment portfolios, specifically sovereign securities issued by the Colombian government. The period of analysis covers seven years, from January 2015 to December 2022. We find that it is possible to generate profitability and achieve efficient risk management because of the trading strategies that deep reinforced learning models foresee more convenient given certain market conditions and of each of the securities, such as their implied risk in metrics like DV01, Duration and Convexity. Finally, this study contributes to the field of machine learning and artificial intelligence applications on investment portfolio management, with a relatively new focus on the fixed income market in general, consolidating itself as one of the first works to apply reinforcement learning techniques to the Colombian public debt market.
Texto completo 54 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- Resumenp. 4
- Abstractp. 4
- 1. Introducciónp. 5
- 1.1. Planteamiento del Problemap. 5
- 1.2. Justificaciónp. 6
- 1.3. Objetivosp. 7
- 2. Revisión de Literaturap. 9
- 2.1. Aprendizaje de Máquina para Predicción del Mercado de Valoresp. 9
- 2.2. Aprendizaje por Refuerzo: Teoría y Aplicaciónp. 10
- 2.3. Aprendizaje por Refuerzo en Mercados Financierosp. 13
- 3. Marco Teóricop. 15
- 3.1. Aprendizaje por Refuerzop. 15
- 3.1.1 Procesos de Decisión de Markov (PDM)p. 16
- 3.1.2 Ecuación de Bellman y Q-Learningp. 17
- 3.1.3 Métodos de Aprendizaje por Refuerzo Profundop. 17
- 3.2. Gestión de Portafolios de Renta Fijap. 20
- 3.2.1 Instrumentos de Renta Fijap. 20
- 3.2.2 Curva de Rendimientosp. 25
- 4. Modelaciónp. 28
- 4.1. Descripción y Exploración de los Datosp. 28
- 4.1.1 Recolección de Datosp. 28
- 4.1.2 Procesamiento y Estructuración de los Datosp. 28
- 4.1.3 Exploración de Datosp. 30
- 4.1.4 Modelación y Creación de Entornos de Aprendizaje por Refuerzop. 36
- 4.1.5 Métricas de Evaluación y Evaluación de los Modelosp. 37
- 5. Conclusiones y Discusiónp. 46
- Agradecimientosp. 49
- Bibliografíap. 50
- Figura 1. Diagrama de flujo típico de un algoritmo de aprendizaje por refuerzop. 15
- Figura 2. Diagrama de flujo de caja de un instrumento de renta fija convencionalp. 21
- Figura 3. Relación entre la YTM de un bono y su preciop. 24
- Figura 4. Formas de la curva de rendimientosp. 26
- Figura 5. Precio Sucio, Precio Limpio y YTM para un TESp. 31
- Figura 6. Duración Modificada y DV01 para un TESp. 33
- Figura 7. Aplanamiento de la curva de rendimientos soberana colombianap. 35
- Figura 8. Rendimientos TES corto, mediano y largo plazo durante aplanamientop. 36
- Figura 9. Esquema de partición de datosp. 38
- Figura 10. Comparación balances A2C, PPO, DDPG y ensamblep. 42
- Figura 11. Balance del modelo de ensamble único trimestrep. 44
- Tabla 1. Set de datos inicialp. 29
- Tabla 2. Set de datos finalp. 30
- Tabla 3. Correlación PS, PL y YTM en TESp. 32
- Tabla 4. Correlación DMac, DMod y YTM en TESp. 32
- Tabla 5. Resultados de fase de negociación en términos de Sharpe por modelop. 40
- Tabla 6. Resumen de métricas e indicadores por modelop. 41