Optimización de carteras de inversión con deep learning

"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 norma...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Velazquez, Lucas Mauricio
Formato: Tesis de maestría
Lenguaje:Español
Publicado: 2025
Materias:
REDES NEURONALES PROFUNDAS, TEORÍA MODERNA DE CARTERAS, DESVIACIÓN MEDIA SEMIABSOLUTA, RATIO DE SHARPE, RENDIMIENTO NETO ACUMULADO, CAÍDA MÁXIMA, TASA DE ROTACIÓN
Acceso en línea:https://hdl.handle.net/20.500.14769/5139
Aporte de:
Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA) de Instituto Tecnológico de Buenos Aires (ITBA)
id I32-R138-20.500.14769-5139
record_format dspace
spelling I32-R138-20.500.14769-51392026-01-07T14:18:23Z Optimización de carteras de inversión con deep learning Velazquez, Lucas Mauricio REDES NEURONALES PROFUNDAS, TEORÍA MODERNA DE CARTERAS, DESVIACIÓN MEDIA SEMIABSOLUTA, RATIO DE SHARPE, RENDIMIENTO NETO ACUMULADO, CAÍDA MÁXIMA, TASA DE ROTACIÓN "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." 2025-10-24T20:57:11Z 2025-10-24T20:57:11Z 2025-07-02 Tesis de maestría https://hdl.handle.net/20.500.14769/5139 es application/pdf
institution Instituto Tecnológico de Buenos Aires (ITBA)
institution_str I-32
repository_str R-138
collection Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA)
language Español
topic REDES NEURONALES PROFUNDAS, TEORÍA MODERNA DE CARTERAS, DESVIACIÓN MEDIA SEMIABSOLUTA, RATIO DE SHARPE, RENDIMIENTO NETO ACUMULADO, CAÍDA MÁXIMA, TASA DE ROTACIÓN
spellingShingle REDES NEURONALES PROFUNDAS, TEORÍA MODERNA DE CARTERAS, DESVIACIÓN MEDIA SEMIABSOLUTA, RATIO DE SHARPE, RENDIMIENTO NETO ACUMULADO, CAÍDA MÁXIMA, TASA DE ROTACIÓN
Velazquez, Lucas Mauricio
Optimización de carteras de inversión con deep learning
topic_facet REDES NEURONALES PROFUNDAS, TEORÍA MODERNA DE CARTERAS, DESVIACIÓN MEDIA SEMIABSOLUTA, RATIO DE SHARPE, RENDIMIENTO NETO ACUMULADO, CAÍDA MÁXIMA, TASA DE ROTACIÓN
description "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."
format Tesis de maestría
author Velazquez, Lucas Mauricio
author_facet Velazquez, Lucas Mauricio
author_sort Velazquez, Lucas Mauricio
title Optimización de carteras de inversión con deep learning
title_short Optimización de carteras de inversión con deep learning
title_full Optimización de carteras de inversión con deep learning
title_fullStr Optimización de carteras de inversión con deep learning
title_full_unstemmed Optimización de carteras de inversión con deep learning
title_sort optimización de carteras de inversión con deep learning
publishDate 2025
url https://hdl.handle.net/20.500.14769/5139
work_keys_str_mv AT velazquezlucasmauricio optimizaciondecarterasdeinversioncondeeplearning
_version_ 1854267358751752192

Ejemplares similares