Medellín - Minas - Maestría en Ingeniería - Analítica · 2022
Pronóstico de la volatilidad del precio de las acciones usando Deep Learning para construcción de portafolios
En este trabajo, se presenta un conjunto de simulaciones para evaluar los diferentes portafolios financieros creados con acciones del mercado financiero colombiano, bajo diferentes técnicas de modelado de la varianza; esto con el fin de evaluar si un portafolio financiero generado con técnicas de Deep Learning, genera mejores rendimientos que un portafolio calculado de la misma forma, con técnicas más sencillas de Machine Learning y tradicionales de series de tiempo. En la construcción de estos portafolios, se crearon modelos ARIMA para el pronóstico de la media de cada activo y de modelos ARCH/GARCH, XGBoost y redes neuronales con diferentes arquitecturas, para la estimación de la varianza. Cada portafolio, varía uno a otro en el modelo que utiliza para el pronóstico de la varianza, sin embargo, todos los portafolios se realizan bajo el modelo de Markowitz de mínima varianza; esto genera 3 escenarios diferentes, sobre los cuales se realiza la comparación de rendimientos al final del periodo en el cual se realizaron las simulaciones. El rendimiento del portafolio evaluado, es decir el portafolio con Deep Learning en el modelo de varianza, genera una rentabilidad del 21.24%, demostrando un mejor resultado que los portafolios generados con modelos ARCH/GARCH con un 7.36% y con XGBoost con una rentabilidad del 11.61%. Lo anterior, indica que estos modelos pueden ser útiles para el pronóstico de la varianza, pues su aplicación mejora los rendimientos de un portafolio financiero construido con acciones del mercado financiero colombiano. (Texto tomado de la fuente)
Texto completo 61 páginas con texto de 65
Leer la tesis completa Ficha en el repositorio
Contenido
- Resumenp. 8
- Abstractp. 9
- Lista de Figurasp. 12
- Lista de Tablasp. 13
- Introducciónp. 14
- Definición del problema realp. 14
- Definición del problema de analíticap. 16
- Revisión de la Literaturap. 17
- Problema por abordar en este trabajo finalp. 20
- Hipótesisp. 21
- Objetivosp. 21
- Objetivo generalp. 21
- Objetivos específicosp. 21
- Información disponiblep. 21
- Selección de accionesp. 22
- Mapa del documentop. 23
- Metodología empleadap. 24
- Escenarios planteadosp. 27
- Modelo de pronóstico de la mediap. 27
- Modelo de pronóstico de la varianzap. 28
- Modelo de conformación de portafolios de Markowitzp. 29
- Balanceo y rebalanceo del portafoliop. 29
- Simulacionesp. 29
- Resultados y discusiónp. 32
- Selección de periodos de entrenamiento y validaciónp. 32
- Escenarios y simulaciónp. 33
- Pronóstico de media en la simulaciónp. 33
- Entendimiento de los datos de retornop. 33
- Variables independiente y dependiente para el modelo de mediap. 36
- Modelo y residualesp. 36
- Pronóstico de varianza en la simulaciónp. 37
- Entendimiento de los datos de varianzap. 37
- Medida de desempeñop. 42
- Pronostico ARCH/GARCHp. 42
- Pronostico Machine Learningp. 44
- Pronostico Deep Learningp. 47
- Acotaciónp. 47
- Arquitecturasp. 47
- Escala de datosp. 50
- Variables independientes para el modelo de varianzap. 50
- Experimentos y resultadosp. 50
- Compra y venta de acciones según el portafolio optimop. 57
- Resultado de escenariosp. 58
- Conclusionesp. 60
- Pregunta de investigaciónp. 60
- Cumplimiento de objetivosp. 61
- metodología de Markowitzp. 61
- acciones del portafolio utilizando Deep Learningp. 61
- Learning pronosticadop. 61
- Objetivo 4: Comparar resultados de los portafoliosp. 62
- Objetivo generalp. 21
- Referenciasp. 64
- Figura 1: Arquitectura interna de periodo de simulación (Pasos 2, 3 y 4)p. 25
- Figura 2: Flujo macro de balanceo del portafolio (Paso 5)p. 26
- Figura 3: Rebalanceo del portafolio (Paso 5)p. 26
- Figura 4: Arquitectura interna de escenariop. 30
- Figura 5: Retornos logarítmicos ISAp. 34
- Figura 6: Retornos logarítmicos ECOPETROLp. 34
- Figura 7: Autocorrelación y autocorrelación parcial de las rentabilidades ISAp. 35
- Figura 9: Residuales del modelo de media de ISAp. 37
- Figura 10: Residuales del modelo de media de ECOPETROLp. 37
- Figura 11: Autocorrelación y autocorrelación parcial de los residuales de ISAp. 38
- Figura 13: Residuales al cuadrado del modelo de media de ISAp. 39
- Figura 14: Residuales al cuadrado del modelo de media de ECOPETROLp. 39
- ISAp. 22
- ECOPETROLp. 22
- a los residuales al cuadradop. 41
- Figura 18: Red Neuronal Recurrente Simple/LSTMp. 48
- Figura 19: Stacked LSTMp. 49
- Figura 20: Histórico de rendimientos de los portafoliosp. 59
- Tabla 1: Acciones que pertenecieron al índice COLCAP en el año 2019p. 22
- Tabla 2: Escenarios planteados para la comparación y revisión de rentabilidadesp. 27
- Tabla 3: Resultados de los diferentes modelos ARCH/GARCH de ISAp. 43
- Tabla 4: Mejores modelos ARCH/GARCHp. 44
- Tabla 5: Espacio de hiperparametros para XGBoostp. 45
- Tabla 6: Mejores Modelos XGBoostp. 46
- Tabla 7: Experimentos inicialesp. 51
- Tabla 8: Top 10, mejores y peores modelos ISAp. 52
- Tabla 9: Top 10, mejores y peores modelos ECOPETROLp. 52
- Tabla 10: Experimentos secundariosp. 53
- Tabla 11: Resultados experimentos secundarios ISAp. 54
- Tabla 12: Resultados experimentos secundarios ECOPETROLp. 55
- Tabla 13: Iteraciones en los modelos de Deep Learningp. 55
- Tabla 14: Resultados LSTMp. 56
- Tabla 15: Comparación de modelos de varianzap. 57
- Tabla 17: Comparación de resultados de los portafoliosp. 59