Gestión activa de portafolios de cripto activos utilizando técnicas de aprendizaje por refuerzo

En un entorno financiero marcado por la volatilidad y la falta de transparencia que caracteriza al mercado de criptoactivos, la gestión de portafolios se enfrenta a desafíos significativos. Tradicionalmente, las estrategias de gestión de activos se ven limitadas por la impredecibilidad de este secto...

Full description

Autores:
Tipo de recurso:
Fecha de publicación:
2024
Institución:
Universidad del Rosario
Repositorio:
Repositorio EdocUR - U. Rosario
Idioma:
spa
OAI Identifier:
oai:repository.urosario.edu.co:10336/42292
Acceso en línea:
https://doi.org/10.48713/10336_42292
https://repository.urosario.edu.co/handle/10336/42292
Palabra clave:
Aprendizaje por refuerzo
Aprendizaje por refuerzo
Gestion de portafolios
Mercado de criptoactivos
Rights
License
Attribution 4.0 International
id EDOCUR2_292534cb7c6f28bf6e2a89142a1b6abf
oai_identifier_str oai:repository.urosario.edu.co:10336/42292
network_acronym_str EDOCUR2
network_name_str Repositorio EdocUR - U. Rosario
repository_id_str
dc.title.none.fl_str_mv Gestión activa de portafolios de cripto activos utilizando técnicas de aprendizaje por refuerzo
dc.title.TranslatedTitle.none.fl_str_mv Active management of cryptocurrency portfolios using reinforcement learning techniques
title Gestión activa de portafolios de cripto activos utilizando técnicas de aprendizaje por refuerzo
spellingShingle Gestión activa de portafolios de cripto activos utilizando técnicas de aprendizaje por refuerzo
Aprendizaje por refuerzo
Aprendizaje por refuerzo
Gestion de portafolios
Mercado de criptoactivos
title_short Gestión activa de portafolios de cripto activos utilizando técnicas de aprendizaje por refuerzo
title_full Gestión activa de portafolios de cripto activos utilizando técnicas de aprendizaje por refuerzo
title_fullStr Gestión activa de portafolios de cripto activos utilizando técnicas de aprendizaje por refuerzo
title_full_unstemmed Gestión activa de portafolios de cripto activos utilizando técnicas de aprendizaje por refuerzo
title_sort Gestión activa de portafolios de cripto activos utilizando técnicas de aprendizaje por refuerzo
dc.contributor.advisor.none.fl_str_mv Andrade Lotero, Édgar José
dc.subject.none.fl_str_mv Aprendizaje por refuerzo
topic Aprendizaje por refuerzo
Aprendizaje por refuerzo
Gestion de portafolios
Mercado de criptoactivos
dc.subject.keyword.none.fl_str_mv Aprendizaje por refuerzo
Gestion de portafolios
Mercado de criptoactivos
description En un entorno financiero marcado por la volatilidad y la falta de transparencia que caracteriza al mercado de criptoactivos, la gestión de portafolios se enfrenta a desafíos significativos. Tradicionalmente, las estrategias de gestión de activos se ven limitadas por la impredecibilidad de este sector en constante evolución. Este estudio se propone abordar este desafío mediante la aplicación del aprendizaje por refuerzo, una técnica de aprendizaje automático que utiliza la retroalimentación de un agente para aprender y adaptarse de manera continua. En este contexto, el "agente" es el portafolio de criptoactivos y las "recompensas" son los retornos financieros que este logra obtener. El objetivo de este enfoque es permitir que el portafolio aprenda de la retroalimentación en tiempo real que proviene del mercado de criptoactivos y, en consecuencia, ajuste de manera continua la asignación de activos. Esto se realiza con la finalidad de maximizar el rendimiento del portafolio y superar las estrategias de inversión pasiva en activos digitales. A través del aprendizaje por refuerzo, se espera que el portafolio se adapte de manera eficiente a los cambios del mercado y tome decisiones óptimas para mejorar los retornos y minimizar el riesgo. Para evaluar la efectividad de este enfoque, se utilizarán datos históricos de precios de criptoactivos. El modelo basado en aprendizaje por refuerzo se comparará con otras estrategias de gestión de portafolios, como la asignación pasiva de activos. El resultado principal obtenido es que el modelo por refuerzo tiene un desempeño superior, generando mejores rendimientos y menor volatilidad en comparación con las estrategias tradicionales. En resumen, este trabajo busca demostrar que el aprendizaje por refuerzo puede ser una técnica efectiva para mejorar la gestión de portafolios de criptoactivos. Al adaptarse de manera dinámica a las condiciones cambiantes del mercado, este enfoque permite una optimización continua de la iv asignación de activos, maximizando el retorno y reduciendo el riesgo. En un escenario de inversiones digitales en constante evolución, esta investigación ofrece una perspectiva prometedora para quienes buscan gestionar activos de manera eficiente en el mundo de los criptoactivos.
publishDate 2024
dc.date.accessioned.none.fl_str_mv 2024-02-27T12:27:55Z
dc.date.available.none.fl_str_mv 2024-02-27T12:27:55Z
dc.date.created.none.fl_str_mv 2024-01-31
dc.type.none.fl_str_mv bachelorThesis
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.document.none.fl_str_mv Trabajo de grado
dc.type.spa.none.fl_str_mv Trabajo de grado
dc.identifier.doi.none.fl_str_mv https://doi.org/10.48713/10336_42292
dc.identifier.uri.none.fl_str_mv https://repository.urosario.edu.co/handle/10336/42292
url https://doi.org/10.48713/10336_42292
https://repository.urosario.edu.co/handle/10336/42292
dc.language.iso.none.fl_str_mv spa
language spa
dc.rights.*.fl_str_mv Attribution 4.0 International
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.acceso.none.fl_str_mv Abierto (Texto Completo)
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by/4.0/
rights_invalid_str_mv Attribution 4.0 International
Abierto (Texto Completo)
http://creativecommons.org/licenses/by/4.0/
http://purl.org/coar/access_right/c_abf2
dc.format.extent.none.fl_str_mv 44 pp
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.spa.fl_str_mv Universidad del Rosario
dc.publisher.department.spa.fl_str_mv Escuela de Ingeniería, Ciencia y Tecnología
dc.publisher.program.spa.fl_str_mv Maestría en Matemáticas Aplicadas y Ciencias de la Computación
institution Universidad del Rosario
dc.source.bibliographicCitation.none.fl_str_mv Al-Aradi, A., & Jaimungal, S. (2019). Active and Passive Portfolio Management with Latent Factors. Recuperado de http://arxiv.org/abs/1903.06928v1
Bertoluzzo, F., & Corazza, M. (2012). Testing Different Reinforcement Learning Configurations for Financial Trading: Introduction and Applications. Recuperado de https://www.researchgate.net/publication/257744845_Testing_Different_Reinforc ement_Learning_Configurations_for_Financial_Trading_Introduction_and_Appli cations
Brockman, G., et al. (2016). OpenAI Gym. arXiv preprint arXiv:1606.01540
Bufalo, D., Bufalo, M., Cesarone, F., & Orlando, G. (2022). Straightening skewed markets with an index tracking optimizationless portfolio. Recuperado de http://arxiv.org/abs/2203.13766v1
Çela, E., Hafner, S., Mestel, R., & Pferschy, U. (2022). Integrating multiple sources of ordinal information in portfolio optimization. Recuperado de http://arxiv.org/abs/2211.00420v2
Charles-Cadogan, G. (2012). Active Portfolio Management, Positive JensenJarrow Alpha, and Zero Sets of CAPM. Recuperado de http://arxiv.org/abs/1206.4562v1
dc.source.instname.none.fl_str_mv instname:Universidad del Rosario
dc.source.reponame.spa.fl_str_mv reponame:Repositorio Institucional EdocUR
bitstream.url.fl_str_mv https://repository.urosario.edu.co/bitstreams/26b45d30-d314-42c4-96b7-2c3a7725ead2/download
https://repository.urosario.edu.co/bitstreams/75a8c33a-6565-4b03-ac86-dcb6bd9363c9/download
https://repository.urosario.edu.co/bitstreams/532e6fd0-42a7-4f40-b1b1-90cb508208f0/download
https://repository.urosario.edu.co/bitstreams/6ca024ae-ac0c-43c8-ac4c-59af50d153fd/download
https://repository.urosario.edu.co/bitstreams/e1cfa11a-6f04-4b9d-b820-e2401973957e/download
bitstream.checksum.fl_str_mv 516041af6b1c1dfad83c99ab850f54ab
b2825df9f458e9d5d96ee8b7cd74fde6
313ea3fe4cd627df823c57a0f12776e5
1426ea1dd97703b2bdddc8ab5b87a25a
aa85dfd29600ad82fc83d9189fe16a39
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio institucional EdocUR
repository.mail.fl_str_mv edocur@urosario.edu.co
_version_ 1814167459851141120
spelling Andrade Lotero, Édgar José95ab7599-4981-49d0-a5f4-110463e87e54Muñoz Pérez, EmilioMagíster en Matemáticas Aplicadas y Ciencias de la ComputaciónFull timeebef3760-371f-44d2-92cb-ae5f928df67c-12024-02-27T12:27:55Z2024-02-27T12:27:55Z2024-01-31En un entorno financiero marcado por la volatilidad y la falta de transparencia que caracteriza al mercado de criptoactivos, la gestión de portafolios se enfrenta a desafíos significativos. Tradicionalmente, las estrategias de gestión de activos se ven limitadas por la impredecibilidad de este sector en constante evolución. Este estudio se propone abordar este desafío mediante la aplicación del aprendizaje por refuerzo, una técnica de aprendizaje automático que utiliza la retroalimentación de un agente para aprender y adaptarse de manera continua. En este contexto, el "agente" es el portafolio de criptoactivos y las "recompensas" son los retornos financieros que este logra obtener. El objetivo de este enfoque es permitir que el portafolio aprenda de la retroalimentación en tiempo real que proviene del mercado de criptoactivos y, en consecuencia, ajuste de manera continua la asignación de activos. Esto se realiza con la finalidad de maximizar el rendimiento del portafolio y superar las estrategias de inversión pasiva en activos digitales. A través del aprendizaje por refuerzo, se espera que el portafolio se adapte de manera eficiente a los cambios del mercado y tome decisiones óptimas para mejorar los retornos y minimizar el riesgo. Para evaluar la efectividad de este enfoque, se utilizarán datos históricos de precios de criptoactivos. El modelo basado en aprendizaje por refuerzo se comparará con otras estrategias de gestión de portafolios, como la asignación pasiva de activos. El resultado principal obtenido es que el modelo por refuerzo tiene un desempeño superior, generando mejores rendimientos y menor volatilidad en comparación con las estrategias tradicionales. En resumen, este trabajo busca demostrar que el aprendizaje por refuerzo puede ser una técnica efectiva para mejorar la gestión de portafolios de criptoactivos. Al adaptarse de manera dinámica a las condiciones cambiantes del mercado, este enfoque permite una optimización continua de la iv asignación de activos, maximizando el retorno y reduciendo el riesgo. En un escenario de inversiones digitales en constante evolución, esta investigación ofrece una perspectiva prometedora para quienes buscan gestionar activos de manera eficiente en el mundo de los criptoactivos.En un entorno financiero marcado por la volatilidad y la falta de transparencia que caracteriza al mercado de criptoactivos, la gestión de portafolios se enfrenta a desafíos significativos. Tradicionalmente, las estrategias de gestión de activos se ven limitadas por la impredecibilidad de este sector en constante evolución. Este estudio se propone abordar este desafío mediante la aplicación del aprendizaje por refuerzo, una técnica de aprendizaje automático que utiliza la retroalimentación de un agente para aprender y adaptarse de manera continua. En este contexto, el "agente" es el portafolio de criptoactivos y las "recompensas" son los retornos financieros que este logra obtener. El objetivo de este enfoque es permitir que el portafolio aprenda de la retroalimentación en tiempo real que proviene del mercado de criptoactivos y, en consecuencia, ajuste de manera continua la asignación de activos. Esto se realiza con la finalidad de maximizar el rendimiento del portafolio y superar las estrategias de inversión pasiva en activos digitales. A través del aprendizaje por refuerzo, se espera que el portafolio se adapte de manera eficiente a los cambios del mercado y tome decisiones óptimas para mejorar los retornos y minimizar el riesgo. Para evaluar la efectividad de este enfoque, se utilizarán datos históricos de precios de criptoactivos. El modelo basado en aprendizaje por refuerzo se comparará con otras estrategias de gestión de portafolios, como la asignación pasiva de activos. El resultado principal obtenido es que el modelo por refuerzo tiene un desempeño superior, generando mejores rendimientos y menor volatilidad en comparación con las estrategias tradicionales. En resumen, este trabajo busca demostrar que el aprendizaje por refuerzo puede ser una técnica efectiva para mejorar la gestión de portafolios de criptoactivos. Al adaptarse de manera dinámica a las condiciones cambiantes del mercado, este enfoque permite una optimización continua de la iv asignación de activos, maximizando el retorno y reduciendo el riesgo. En un escenario de inversiones digitales en constante evolución, esta investigación ofrece una perspectiva prometedora para quienes buscan gestionar activos de manera eficiente en el mundo de los criptoactivos.44 ppapplication/pdfhttps://doi.org/10.48713/10336_42292https://repository.urosario.edu.co/handle/10336/42292spaUniversidad del RosarioEscuela de Ingeniería, Ciencia y TecnologíaMaestría en Matemáticas Aplicadas y Ciencias de la ComputaciónAttribution 4.0 InternationalAbierto (Texto Completo)http://creativecommons.org/licenses/by/4.0/http://purl.org/coar/access_right/c_abf2Al-Aradi, A., & Jaimungal, S. (2019). Active and Passive Portfolio Management with Latent Factors. Recuperado de http://arxiv.org/abs/1903.06928v1Bertoluzzo, F., & Corazza, M. (2012). Testing Different Reinforcement Learning Configurations for Financial Trading: Introduction and Applications. Recuperado de https://www.researchgate.net/publication/257744845_Testing_Different_Reinforc ement_Learning_Configurations_for_Financial_Trading_Introduction_and_Appli cationsBrockman, G., et al. (2016). OpenAI Gym. arXiv preprint arXiv:1606.01540Bufalo, D., Bufalo, M., Cesarone, F., & Orlando, G. (2022). Straightening skewed markets with an index tracking optimizationless portfolio. Recuperado de http://arxiv.org/abs/2203.13766v1Çela, E., Hafner, S., Mestel, R., & Pferschy, U. (2022). Integrating multiple sources of ordinal information in portfolio optimization. Recuperado de http://arxiv.org/abs/2211.00420v2Charles-Cadogan, G. (2012). Active Portfolio Management, Positive JensenJarrow Alpha, and Zero Sets of CAPM. Recuperado de http://arxiv.org/abs/1206.4562v1instname:Universidad del Rosarioreponame:Repositorio Institucional EdocURAprendizaje por refuerzoAprendizaje por refuerzoGestion de portafoliosMercado de criptoactivosGestión activa de portafolios de cripto activos utilizando técnicas de aprendizaje por refuerzoActive management of cryptocurrency portfolios using reinforcement learning techniquesbachelorThesisTrabajo de gradoTrabajo de gradohttp://purl.org/coar/resource_type/c_7a1fEscuela de Ingeniería, Ciencia y TecnologíaORIGINALGestion_activa_de_portafolios_de_cripto_activos_ Emilio_Munoz.pdfGestion_activa_de_portafolios_de_cripto_activos_ Emilio_Munoz.pdfapplication/pdf1056937https://repository.urosario.edu.co/bitstreams/26b45d30-d314-42c4-96b7-2c3a7725ead2/download516041af6b1c1dfad83c99ab850f54abMD51LICENSElicense.txtlicense.txttext/plain1483https://repository.urosario.edu.co/bitstreams/75a8c33a-6565-4b03-ac86-dcb6bd9363c9/downloadb2825df9f458e9d5d96ee8b7cd74fde6MD52CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81019https://repository.urosario.edu.co/bitstreams/532e6fd0-42a7-4f40-b1b1-90cb508208f0/download313ea3fe4cd627df823c57a0f12776e5MD53TEXTGestion_activa_de_portafolios_de_cripto_activos_ Emilio_Munoz.pdf.txtGestion_activa_de_portafolios_de_cripto_activos_ Emilio_Munoz.pdf.txtExtracted texttext/plain62129https://repository.urosario.edu.co/bitstreams/6ca024ae-ac0c-43c8-ac4c-59af50d153fd/download1426ea1dd97703b2bdddc8ab5b87a25aMD54THUMBNAILGestion_activa_de_portafolios_de_cripto_activos_ Emilio_Munoz.pdf.jpgGestion_activa_de_portafolios_de_cripto_activos_ Emilio_Munoz.pdf.jpgGenerated Thumbnailimage/jpeg2743https://repository.urosario.edu.co/bitstreams/e1cfa11a-6f04-4b9d-b820-e2401973957e/downloadaa85dfd29600ad82fc83d9189fe16a39MD5510336/42292oai:repository.urosario.edu.co:10336/422922024-08-22 15:49:59.324http://creativecommons.org/licenses/by/4.0/Attribution 4.0 Internationalhttps://repository.urosario.edu.coRepositorio institucional EdocURedocur@urosario.edu.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

Publicaciones similares