Estimación del retorno y riesgo esperado de un Exchange Traded Fund (ETF) aplicando modelos de Machine Learning (ML)

Los Exchange Traded-Funds (ETFs) se han convertido en una de las posibilidades más llamativas para inversores alrededor del mundo. La posibilidad de realizar una sola inversión con el riesgo ya diversificado y la facilidad que presentan los ETFs, ha hecho que el número de estos se haya disparado en el mercado, por lo que la estimación y anticipación de estos activos ha adquirido una gran importancia. En el presente estudio se tiene como objetivo estimar el retorno y riesgo esperado de un ETF integrado por Criptomonedas, Acciones, y Commodities, mediante algoritmos de Machine Learning (ML). Para alcanzar este objetivo, se construyeron tres ETFs con distintos perfiles de riesgo a base de 23 activos (serie de tiempo de su variación porcentual), y a base de la volatilidad de cada uno de ellos. Posteriormente, se realizó la estimación con los modelos Extreme Gradient Boosting (XGB), Extra Trees (ET), K Neighboor (KNN), y Neural Prophet. Como resultado, se obtuvo que es posible anticipar que los tres ETFs tienen potencial de crecimiento, y presentan diferentes oportunidades de inversión en cada uno de ellos. Se concluye que la estimación es posible, sin embargo, se deben tener en cuenta distintos modelos para llegar a conclusiones más completas y aplicables.

• Fecha de publicación: 2022
• Institución: Universidad del Rosario
• Repositorio: Repositorio EdocUR - U. Rosario
• Idioma: spa
• OAI Identifier: oai:repository.urosario.edu.co:10336/34553
• Acceso en línea: https://doi.org/10.48713/10336_34553; https://repository.urosario.edu.co/handle/10336/34553
• Palabra clave: ETF; Machine Learning; Estimación; Variación Porcentual; Volatilidad; Economía; ETF, Machine Learning, Estimation, Percentual Variation and Volatility; ETF; Machine Learning; Estimation; Percentual Variation; Volatility
• License: Abierto (Texto Completo)