Un método para optimización de portafolios de acciones colombianas con predicción de retorno basado en una técnica de machine learning
diagramas
- Autores:
-
Baena Restrepo, Alejandra
- Tipo de recurso:
- Fecha de publicación:
- 2023
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/85011
- Palabra clave:
- 000 - Ciencias de la computación, información y obras generales::006 - Métodos especiales de computación
620 - Ingeniería y operaciones afines::629 - Otras ramas de la ingeniería
Aprendizaje automatico (Inteligencia artificial)
Optimización de Portafolios
Predicción de Retornos
Aprendizaje Automático
Redes Neuronales
Mercado de Valores Colombiano
Portfolio Optimization
Return Prediction
Machine Learning
Neural Network
Colombian Stock Market
- Rights
- openAccess
- License
- Atribución-NoComercial 4.0 Internacional
| id |
UNACIONAL2_3134f1caf00014cfb40c78b41012b50b |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/85011 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Un método para optimización de portafolios de acciones colombianas con predicción de retorno basado en una técnica de machine learning |
| dc.title.translated.eng.fl_str_mv |
A method for optimizing portfolios of Colombian stocks with return prediction based on a machine learning technique. |
| title |
Un método para optimización de portafolios de acciones colombianas con predicción de retorno basado en una técnica de machine learning |
| spellingShingle |
Un método para optimización de portafolios de acciones colombianas con predicción de retorno basado en una técnica de machine learning 000 - Ciencias de la computación, información y obras generales::006 - Métodos especiales de computación 620 - Ingeniería y operaciones afines::629 - Otras ramas de la ingeniería Aprendizaje automatico (Inteligencia artificial) Optimización de Portafolios Predicción de Retornos Aprendizaje Automático Redes Neuronales Mercado de Valores Colombiano Portfolio Optimization Return Prediction Machine Learning Neural Network Colombian Stock Market |
| title_short |
Un método para optimización de portafolios de acciones colombianas con predicción de retorno basado en una técnica de machine learning |
| title_full |
Un método para optimización de portafolios de acciones colombianas con predicción de retorno basado en una técnica de machine learning |
| title_fullStr |
Un método para optimización de portafolios de acciones colombianas con predicción de retorno basado en una técnica de machine learning |
| title_full_unstemmed |
Un método para optimización de portafolios de acciones colombianas con predicción de retorno basado en una técnica de machine learning |
| title_sort |
Un método para optimización de portafolios de acciones colombianas con predicción de retorno basado en una técnica de machine learning |
| dc.creator.fl_str_mv |
Baena Restrepo, Alejandra |
| dc.contributor.advisor.none.fl_str_mv |
Espinosa Bedoya, Albeiro |
| dc.contributor.author.none.fl_str_mv |
Baena Restrepo, Alejandra |
| dc.contributor.orcid.spa.fl_str_mv |
Espinosa Bedoya, Albeiro [0000-0001-7292-987X] |
| dc.subject.ddc.spa.fl_str_mv |
000 - Ciencias de la computación, información y obras generales::006 - Métodos especiales de computación 620 - Ingeniería y operaciones afines::629 - Otras ramas de la ingeniería |
| topic |
000 - Ciencias de la computación, información y obras generales::006 - Métodos especiales de computación 620 - Ingeniería y operaciones afines::629 - Otras ramas de la ingeniería Aprendizaje automatico (Inteligencia artificial) Optimización de Portafolios Predicción de Retornos Aprendizaje Automático Redes Neuronales Mercado de Valores Colombiano Portfolio Optimization Return Prediction Machine Learning Neural Network Colombian Stock Market |
| dc.subject.lemb.spa.fl_str_mv |
Aprendizaje automatico (Inteligencia artificial) |
| dc.subject.proposal.spa.fl_str_mv |
Optimización de Portafolios Predicción de Retornos Aprendizaje Automático Redes Neuronales Mercado de Valores Colombiano |
| dc.subject.proposal.eng.fl_str_mv |
Portfolio Optimization Return Prediction Machine Learning Neural Network Colombian Stock Market |
| description |
diagramas |
| publishDate |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2023-11-28T17:38:34Z |
| dc.date.available.none.fl_str_mv |
2023-11-28T17:38:34Z |
| dc.date.issued.none.fl_str_mv |
2023-11-14 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/85011 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.unal.edu.co/ |
| url |
https://repositorio.unal.edu.co/handle/unal/85011 https://repositorio.unal.edu.co/ |
| identifier_str_mv |
Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.indexed.spa.fl_str_mv |
RedCol LaReferencia |
| dc.relation.references.spa.fl_str_mv |
Universitas Telkom, Multimedia University, M. IEEE Systems, y Institute of Electrical and Electronics Engineers, Forecasting Portfolio Optimization using Artificial Neural Network and Genetic Algorithm. 2019 Mercado accionario | Banco de la República”. Consultado: el 13 de noviembre de 2023. [En línea]. Disponible en: https://www.banrep.gov.co/es/estadisticas/mercado-accionario Y. Ma, R. Han, y W. Wang, “Portfolio optimization with return prediction using deep learning and machine learning”, Expert Syst Appl, vol. 165, mar. 2021, doi: 10.1016/j.eswa.2020.113973 F. D. Freitas, A. F. de Souza, y A. R. de Almeida, “Prediction-based portfolio optimization model using neural networks”, Neurocomputing, vol. 72, núm. 10–12, pp. 2155–2170, jun. 2009, doi: 10.1016/j.neucom.2008.08.019 Y. Ma, R. Han, y W. Wang, “Prediction-Based Portfolio Optimization Models Using Deep Neural Networks”, IEEE Access, vol. 8, pp. 115393–115405, 2020, doi: 10.1109/ACCESS.2020.3003819 M. Sharma y H. S. Shekhawat, “Portfolio optimization and return prediction by integrating modified deep belief network and recurrent neural network”, Knowl Based Syst, vol. 250, ago. 2022, doi: 10.1016/j.knosys.2022.109024 L. Min, J. Dong, J. Liu, y X. Gong, “Robust mean-risk portfolio optimization using machine learning-based trade-off parameter”, Appl Soft Comput, vol. 113, dic. 2021, doi: 10.1016/j.asoc.2021.107948 Y. Zhang, G. Chu, y D. Shen, “The role of investor attention in predicting stock prices: The long short-term memory networks perspective”, Financ Res Lett, vol. 38, ene. 2021, doi: 10.1016/j.frl.2020.101484 J. Patel, S. Shah, P. Thakkar, y K. Kotecha, “Predicting stock and stock price index movement using Trend Deterministic Data Preparation and machine learning techniques”, Expert Syst Appl, vol. 42, núm. 1, pp. 259–268, 2015, doi: 10.1016/j.eswa.2014.07.040 M. A. M. al Janabi, “Optimization algorithms and investment portfolio analytics with machine learning techniques under time-varying liquidity constraints”, Journal of Modelling in Management, 2021, doi: 10.1108/JM2-10-2020-0259 T. Francés, J. Joséluis, y A. Barrigüete, “IMPACTO DEL MACHINE LEARNING EN EL SISTEMA FINANCIERO W. Chen, H. Zhang, M. K. Mehlawat, y L. Jia, “Mean–variance portfolio optimization using machine learning-based stock price prediction”, Appl Soft Comput, vol. 100, mar. 2021, doi: 10.1016/j.asoc.2020.106943 M. M. Kumbure, C. Lohrmann, P. Luukka, y J. Porras, “Machine learning techniques and data for stock market forecasting: A literature review”, Expert Systems with Applications, vol. 197. Elsevier Ltd, el 1 de julio de 2022. doi: 10.1016/j.eswa.2022.116659 T. Kaczmarek y K. Perez, “Building portfolios based on machine learning predictions”, Economic Research-Ekonomska Istrazivanja , 2021, doi: 10.1080/1331677X.2021.1875865 N. N. Y. Vo, X. He, S. Liu, y G. Xu, “Deep learning for decision making and the optimization of socially responsible investments and portfolio”, Decis Support Syst, vol. 124, sep. 2019, doi: 10.1016/j.dss.2019.113097 W. Wang, W. Li, N. Zhang, y K. Liu, “Portfolio formation with preselection using deep learning from long-term financial data”, Expert Syst Appl, vol. 143, abr. 2020, doi: 10.1016/j.eswa.2019.113042 S. Zohren, Z. Zhang, y S. Roberts, “8 Deep Learning for Portfolio Optimization Deep Learning for Portfolio Optimization”, 2020. [En línea]. Disponible en: https://jfds.pm-research.com/content/2/ F. Soleymani y E. Paquet, “Financial portfolio optimization with online deep reinforcement learning and restricted stacked autoencoder—DeepBreath”, Expert Syst Appl, vol. 156, oct. 2020, doi: 10.1016/j.eswa.2020.113456 J. Du, “Mean–variance portfolio optimization with deep learning based-forecasts for cointegrated stocks”, Expert Syst Appl, vol. 201, p. 117005, sep. 2022, doi: 10.1016/j.eswa.2022.117005 M. Sharma y H. S. Shekhawat, “Portfolio optimization and return prediction by integrating modified deep belief network and recurrent neural network”, Knowl Based Syst, vol. 250, ago. 2022, doi: 10.1016/j.knosys.2022.109024 G. Tadlaoui, “Intelligent Portfolio Construction: Machine-Learning enabled Mean-Variance Optimization Declaration”, London, 2018 M. Pinelis y D. Ruppert, “Machine learning portfolio allocation”, Journal of Finance and Data Science, vol. 8, pp. 35–54, nov. 2022, doi: 10.1016/j.jfds.2021.12.001 A. M. Aboussalah y C. G. Lee, “Continuous control with Stacked Deep Dynamic Recurrent Reinforcement Learning for portfolio optimization”, Expert Syst Appl, vol. 140, feb. 2020, doi: 10.1016/j.eswa.2019.112891 H. Kim, “Mean-variance portfolio optimization with stock return prediction using xgboost”, Econ Comput Econ Cybern Stud Res, vol. 55, núm. 4, pp. 5–20, 2021, doi: 10.24818/18423264/55.4.21.01 J. R. Yu, W. J. Paul Chiou, W. Y. Lee, y S. J. Lin, “Portfolio models with return forecasting and transaction costs”, International Review of Economics and Finance, vol. 66, pp. 118–130, mar. 2020, doi: 10.1016/j.iref.2019.11.002 Z. Zhu, A. Thavaneswaran, A. Paseka, J. Frank, y R. Thulasiram, “Portfolio Optimization Using a Novel Data-Driven EWMA Covariance Model with Big Data”, en Proceedings - 2020 IEEE 44th Annual Computers, Software, and Applications Conference, COMPSAC 2020, Institute of Electrical and Electronics Engineers Inc., jul. 2020, pp. 1308–1313. doi: 10.1109/COMPSAC48688.2020.00-75 D. Castilho, J. Gama, L. R. Mundim, y A. C. P. L. F. de Carvalho, “Improving Portfolio Optimization Using Weighted Link Prediction in Dynamic Stock Networks”, en Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), Springer Verlag, 2019, pp. 340–353. doi: 10.1007/978-3-030-22744-9_27 N. Martinez, “Teoría de Portafolio y la relación riesgo-retorno”, Santiago de Chile, 2014 “What is Machine Learning? | IBM”. Consultado: el 14 de mayo de 2022. [En línea]. Disponible en: https://www.ibm.com/cloud/learn/machine-learning A. Chaweewanchon y R. Chaysiri, “Markowitz Mean-Variance Portfolio Optimization with Predictive Stock Selection Using Machine Learning”, International Journal of Financial Studies, vol. 10, núm. 3, sep. 2022, doi: 10.3390/ijfs10030064 V. D. Ta, C. M. Liu, y D. A. Tadesse, “Portfolio optimization-based stock prediction using long-short term memory network in quantitative trading”, Applied Sciences (Switzerland), vol. 10, núm. 2, ene. 2020, doi: 10.3390/app10020437 N. Cross, “Engineering Design Methods: Strategies for Product Design”, 2021 T. Fischer y C. Krauss, “Deep learning with long short-term memory networks for financial market predictions”, Eur J Oper Res, vol. 270, núm. 2, pp. 654–669, oct. 2018, doi: 10.1016/j.ejor.2017.11.054 “How Much Data is Needed to Train a (Good) Model? - DataRobot AI Platform”. Consultado: el 28 de febrero de 2023. [En línea]. Disponible en: https://www.datarobot.com/blog/how-much-data-is-needed-to-train-a-good-model/ MSCI COLCAP Bolsa de Valores de Colombia”. Consultado: el 7 de mayo de 2023. [En línea]. Disponible en: https://www.bvc.com.co/indices/msci%20colcap “Quotes Ratio | Stockopedia”. Consultado: el 28 de marzo de 2023. [En línea]. Disponible en: https://www.stockopedia.com/ratios/categories/quotes-54/ “Desplomes, repuntes y mucha volatilidad: los mercados del mundo se agitan con el triunfo de Donald Trump en las elecciones en Estados Unidos - BBC News Mundo”. Consultado: el 19 de mayo de 2023. [En línea]. Disponible en: https://www.bbc.com/mundo/noticias-37917593 “Wall Street: qué hay detrás de la estrepitosa caída de la bolsa en el último mes que borró las ganancias de todo 2018 - BBC News Mundo”. Consultado: el 19 de mayo de 2023. [En línea]. Disponible en: https://www.bbc.com/mundo/noticias-45983822 “Crisis económica por el coronavirus | Robert Shiller, nobel de Economía: ‘No existe una pandemia, sino dos’ - BBC News Mundo”. Consultado: el 19 de mayo de 2023. [En línea]. Disponible en: https://www.bbc.com/mundo/noticias-52748371 “sklearn.preprocessing.OneHotEncoder — scikit-learn 1.3.0 documentation”. Consultado: el 1 de julio de 2023. [En línea]. Disponible en: https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.html “sklearn.preprocessing.MinMaxScaler — scikit-learn 1.3.0 documentation”. Consultado: el 1 de julio de 2023. [En línea]. Disponible en: https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.MinMaxScaler.html#sklearn.preprocessing.MinMaxScaler “LSTM Networks | A Detailed Explanation | Towards Data Science”. Consultado: el 1 de julio de 2023. [En línea]. Disponible en: https://towardsdatascience.com/lstm-networks-a-detailed-explanation-8fae6aefc7f9 “Illustrated Guide to LSTM’s and GRU’s: A step by step explanation | by Michael Phi | Towards Data Science”. Consultado: el 1 de julio de 2023. [En línea]. Disponible en: https://towardsdatascience.com/illustrated-guide-to-lstms-and-gru-s-a-step-by-step-explanation-44e9eb85bf21 “10 Hyperparameters to keep an eye on for your LSTM model — and other tips | by Kuldeep Chowdhury | Geek Culture | Medium”. Consultado: el 20 de agosto de 2023. [En línea]. Disponible en: https://medium.com/geekculture/10-hyperparameters-to-keep-an-eye-on-for-your-lstm-model-and-other-tips-f0ff5b63fcd4 [46] “Why Investors Should Not Time the Market When It Dips On Mondays and Rises on Wednesdays - TheStreet”. Consultado: el 9 de noviembre de 2023. [En línea]. Disponible en: https://www.thestreet.com/retirement/iras/roth-iras/why-investors-should-not-time-the-market-when-it-dips-on-mondays-and-rises-on-wednesdays-13023532 |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Atribución-NoComercial 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by-nc/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Atribución-NoComercial 4.0 Internacional http://creativecommons.org/licenses/by-nc/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
xii, 73 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.country.none.fl_str_mv |
Colombia |
| dc.publisher.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.publisher.program.spa.fl_str_mv |
Medellín - Minas - Maestría en Ingeniería - Analítica |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Minas |
| dc.publisher.place.spa.fl_str_mv |
Medellín, Colombia |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Medellín |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/85011/1/license.txt https://repositorio.unal.edu.co/bitstream/unal/85011/2/1036946147.2023.pdf |
| bitstream.checksum.fl_str_mv |
eb34b1cf90b7e1103fc9dfd26be24b4a 1cec3b6fba0d1f0821264bb62b2972d0 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1806886556860940288 |
| spelling |
Atribución-NoComercial 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Espinosa Bedoya, Albeiro749aa8775c497b18160b8a0a5d502335Baena Restrepo, Alejandrab83aa788e7daeb93b335ee678081ca1dEspinosa Bedoya, Albeiro [0000-0001-7292-987X]2023-11-28T17:38:34Z2023-11-28T17:38:34Z2023-11-14https://repositorio.unal.edu.co/handle/unal/85011Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/diagramasEste trabajo propone una metodología para optimizar portafolios de acciones colombianas al incorporar predicciones de retorno utilizando el enfoque de Markowitz. La investigación comienza con un capítulo introductorio en el cual se realiza una revisión de la literatura que explora cómo se ha abordado la predicción del mercado financiero a través del machine learning y cómo estas predicciones han sido aplicadas para optimizar portafolios y generar beneficios económicos. Basándose en esta revisión, se establece la justificación de la investigación y se delimitan los objetivos del trabajo. Basándose en los hallazgos de la literatura, se selecciona un modelo de Machine Learning utilizando un método de objetivos ponderados. En este contexto, se opta por emplear el modelo de redes LSTM (Long Short-Term Memory), debido a su consistencia y al interés que ha despertado en investigaciones anteriores. El experimento se lleva a cabo utilizando datos del mercado de valores colombiano que abarcan el período de 2000 a 2023. En el capítulo 2 de la investigación, se emplea el método LSTM para predecir el rendimiento de las acciones en el próximo período. Se seleccionan veinte indicadores significativos como variables de entrada, incluyendo cinco indicadores técnicos y quince observaciones rezagadas de retorno. Una vez pronosticados los retornos, se seleccionan únicamente aquellas acciones que presentan predicciones positivas para la siguiente fase. En la segunda fase, se toman en cuenta los rendimientos pronosticados como positivos para un modelo de optimización, mientras que se utilizan los rendimientos históricos para el otro modelo de optimización. Se aplica el modelo de Varianza Mínima (MV) de Markowitz para generar un portafolio óptimo en ambos casos que se rebalancea dos veces por semana. La metodología se valida mediante la comparación de los modelos propuestos. El portafolio construido con las predicciones de retorno generadas por las redes LSTM demuestra ser claramente superior en términos de rendimiento acumulado. Esta estrategia alcanza un rendimiento del 15.27% en comparación con el rendimiento del 3.51% obtenido por la estrategia tradicional de formación de portafolio de Markowitz. Este estudio resalta el futuro prometedor de las redes LSTM en la elaboración de portafolios fundamentados en predicciones de retornos. Además, sugiere que estas estrategias podrían potenciarse aún más al incluir pronósticos de riesgo y otras características de entrada, así como explorar el uso de distintos algoritmos de machine learning. (Texto tomado de la fuente)This paper proposes a methodology for optimizing Colombian stock portfolios by incorporating return predictions using the Markowitz approach. The research begins with an introductory chapter in which a literature review is conducted, exploring how the forecast of the financial market has been approached through machine learning and how these predictions have been applied to optimize portfolios and generate economic benefits. Based on this review, the research rationale is established, and the work's objectives are defined. Building upon the literature findings, a Machine Learning model is selected using a weighted objectives method. In this context, the choice is made to employ the Long Short-Term Memory (LSTM) neural network model due to its consistency and the interest it has garnered in previous research. The experiment uses data from the Colombian stock market spanning the period from 2000 to 2023. In Chapter 2 of the research, the LSTM method is used to predict the performance of stocks in the upcoming period. Twenty significant indicators are chosen as input variables, including five technical indicators and fifteen lagged observations of returns. Once the returns are forecasted, only those stocks with positive predictions for the next phase are selected. In the second phase, the predicted positive returns are considered for one optimization model, while historical returns are used for the other optimization model. The Minimum Variance (MV) Markowitz model is applied to generate an optimal portfolio in both cases. The methodology is validated through the comparison of the proposed models. The portfolio constructed using return predictions generated by LSTM networks proves distinctly superior in cumulative performance. This strategy achieves a return of 15.27%, compared to the 3.51% return obtained by the traditional Markowitz portfolio formation strategy. This study highlights the promising future of LSTM networks in creating portfolios based on return predictions. Furthermore, these strategies could be further enhanced by including risk forecasts and other input features and exploring the use of different machine learning algorithms.MaestríaMagíster en Ingeniería - AnalíticaMagister en Ingeniería de Sistemas e Informáticaxii, 73 páginasapplication/pdfspaUniversidad Nacional de ColombiaMedellín - Minas - Maestría en Ingeniería - AnalíticaFacultad de MinasMedellín, ColombiaUniversidad Nacional de Colombia - Sede Medellín000 - Ciencias de la computación, información y obras generales::006 - Métodos especiales de computación620 - Ingeniería y operaciones afines::629 - Otras ramas de la ingenieríaAprendizaje automatico (Inteligencia artificial)Optimización de PortafoliosPredicción de RetornosAprendizaje AutomáticoRedes NeuronalesMercado de Valores ColombianoPortfolio OptimizationReturn PredictionMachine LearningNeural NetworkColombian Stock MarketUn método para optimización de portafolios de acciones colombianas con predicción de retorno basado en una técnica de machine learningA method for optimizing portfolios of Colombian stocks with return prediction based on a machine learning technique.Trabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMColombiaRedColLaReferenciaUniversitas Telkom, Multimedia University, M. IEEE Systems, y Institute of Electrical and Electronics Engineers, Forecasting Portfolio Optimization using Artificial Neural Network and Genetic Algorithm. 2019Mercado accionario | Banco de la República”. Consultado: el 13 de noviembre de 2023. [En línea]. Disponible en: https://www.banrep.gov.co/es/estadisticas/mercado-accionarioY. Ma, R. Han, y W. Wang, “Portfolio optimization with return prediction using deep learning and machine learning”, Expert Syst Appl, vol. 165, mar. 2021, doi: 10.1016/j.eswa.2020.113973F. D. Freitas, A. F. de Souza, y A. R. de Almeida, “Prediction-based portfolio optimization model using neural networks”, Neurocomputing, vol. 72, núm. 10–12, pp. 2155–2170, jun. 2009, doi: 10.1016/j.neucom.2008.08.019Y. Ma, R. Han, y W. Wang, “Prediction-Based Portfolio Optimization Models Using Deep Neural Networks”, IEEE Access, vol. 8, pp. 115393–115405, 2020, doi: 10.1109/ACCESS.2020.3003819M. Sharma y H. S. Shekhawat, “Portfolio optimization and return prediction by integrating modified deep belief network and recurrent neural network”, Knowl Based Syst, vol. 250, ago. 2022, doi: 10.1016/j.knosys.2022.109024L. Min, J. Dong, J. Liu, y X. Gong, “Robust mean-risk portfolio optimization using machine learning-based trade-off parameter”, Appl Soft Comput, vol. 113, dic. 2021, doi: 10.1016/j.asoc.2021.107948Y. Zhang, G. Chu, y D. Shen, “The role of investor attention in predicting stock prices: The long short-term memory networks perspective”, Financ Res Lett, vol. 38, ene. 2021, doi: 10.1016/j.frl.2020.101484J. Patel, S. Shah, P. Thakkar, y K. Kotecha, “Predicting stock and stock price index movement using Trend Deterministic Data Preparation and machine learning techniques”, Expert Syst Appl, vol. 42, núm. 1, pp. 259–268, 2015, doi: 10.1016/j.eswa.2014.07.040M. A. M. al Janabi, “Optimization algorithms and investment portfolio analytics with machine learning techniques under time-varying liquidity constraints”, Journal of Modelling in Management, 2021, doi: 10.1108/JM2-10-2020-0259T. Francés, J. Joséluis, y A. Barrigüete, “IMPACTO DEL MACHINE LEARNING EN EL SISTEMA FINANCIEROW. Chen, H. Zhang, M. K. Mehlawat, y L. Jia, “Mean–variance portfolio optimization using machine learning-based stock price prediction”, Appl Soft Comput, vol. 100, mar. 2021, doi: 10.1016/j.asoc.2020.106943M. M. Kumbure, C. Lohrmann, P. Luukka, y J. Porras, “Machine learning techniques and data for stock market forecasting: A literature review”, Expert Systems with Applications, vol. 197. Elsevier Ltd, el 1 de julio de 2022. doi: 10.1016/j.eswa.2022.116659T. Kaczmarek y K. Perez, “Building portfolios based on machine learning predictions”, Economic Research-Ekonomska Istrazivanja , 2021, doi: 10.1080/1331677X.2021.1875865N. N. Y. Vo, X. He, S. Liu, y G. Xu, “Deep learning for decision making and the optimization of socially responsible investments and portfolio”, Decis Support Syst, vol. 124, sep. 2019, doi: 10.1016/j.dss.2019.113097W. Wang, W. Li, N. Zhang, y K. Liu, “Portfolio formation with preselection using deep learning from long-term financial data”, Expert Syst Appl, vol. 143, abr. 2020, doi: 10.1016/j.eswa.2019.113042S. Zohren, Z. Zhang, y S. Roberts, “8 Deep Learning for Portfolio Optimization Deep Learning for Portfolio Optimization”, 2020. [En línea]. Disponible en: https://jfds.pm-research.com/content/2/F. Soleymani y E. Paquet, “Financial portfolio optimization with online deep reinforcement learning and restricted stacked autoencoder—DeepBreath”, Expert Syst Appl, vol. 156, oct. 2020, doi: 10.1016/j.eswa.2020.113456J. Du, “Mean–variance portfolio optimization with deep learning based-forecasts for cointegrated stocks”, Expert Syst Appl, vol. 201, p. 117005, sep. 2022, doi: 10.1016/j.eswa.2022.117005M. Sharma y H. S. Shekhawat, “Portfolio optimization and return prediction by integrating modified deep belief network and recurrent neural network”, Knowl Based Syst, vol. 250, ago. 2022, doi: 10.1016/j.knosys.2022.109024G. Tadlaoui, “Intelligent Portfolio Construction: Machine-Learning enabled Mean-Variance Optimization Declaration”, London, 2018M. Pinelis y D. Ruppert, “Machine learning portfolio allocation”, Journal of Finance and Data Science, vol. 8, pp. 35–54, nov. 2022, doi: 10.1016/j.jfds.2021.12.001A. M. Aboussalah y C. G. Lee, “Continuous control with Stacked Deep Dynamic Recurrent Reinforcement Learning for portfolio optimization”, Expert Syst Appl, vol. 140, feb. 2020, doi: 10.1016/j.eswa.2019.112891H. Kim, “Mean-variance portfolio optimization with stock return prediction using xgboost”, Econ Comput Econ Cybern Stud Res, vol. 55, núm. 4, pp. 5–20, 2021, doi: 10.24818/18423264/55.4.21.01J. R. Yu, W. J. Paul Chiou, W. Y. Lee, y S. J. Lin, “Portfolio models with return forecasting and transaction costs”, International Review of Economics and Finance, vol. 66, pp. 118–130, mar. 2020, doi: 10.1016/j.iref.2019.11.002Z. Zhu, A. Thavaneswaran, A. Paseka, J. Frank, y R. Thulasiram, “Portfolio Optimization Using a Novel Data-Driven EWMA Covariance Model with Big Data”, en Proceedings - 2020 IEEE 44th Annual Computers, Software, and Applications Conference, COMPSAC 2020, Institute of Electrical and Electronics Engineers Inc., jul. 2020, pp. 1308–1313. doi: 10.1109/COMPSAC48688.2020.00-75D. Castilho, J. Gama, L. R. Mundim, y A. C. P. L. F. de Carvalho, “Improving Portfolio Optimization Using Weighted Link Prediction in Dynamic Stock Networks”, en Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), Springer Verlag, 2019, pp. 340–353. doi: 10.1007/978-3-030-22744-9_27N. Martinez, “Teoría de Portafolio y la relación riesgo-retorno”, Santiago de Chile, 2014“What is Machine Learning? | IBM”. Consultado: el 14 de mayo de 2022. [En línea]. Disponible en: https://www.ibm.com/cloud/learn/machine-learningA. Chaweewanchon y R. Chaysiri, “Markowitz Mean-Variance Portfolio Optimization with Predictive Stock Selection Using Machine Learning”, International Journal of Financial Studies, vol. 10, núm. 3, sep. 2022, doi: 10.3390/ijfs10030064V. D. Ta, C. M. Liu, y D. A. Tadesse, “Portfolio optimization-based stock prediction using long-short term memory network in quantitative trading”, Applied Sciences (Switzerland), vol. 10, núm. 2, ene. 2020, doi: 10.3390/app10020437N. Cross, “Engineering Design Methods: Strategies for Product Design”, 2021T. Fischer y C. Krauss, “Deep learning with long short-term memory networks for financial market predictions”, Eur J Oper Res, vol. 270, núm. 2, pp. 654–669, oct. 2018, doi: 10.1016/j.ejor.2017.11.054“How Much Data is Needed to Train a (Good) Model? - DataRobot AI Platform”. Consultado: el 28 de febrero de 2023. [En línea]. Disponible en: https://www.datarobot.com/blog/how-much-data-is-needed-to-train-a-good-model/MSCI COLCAP Bolsa de Valores de Colombia”. Consultado: el 7 de mayo de 2023. [En línea]. Disponible en: https://www.bvc.com.co/indices/msci%20colcap“Quotes Ratio | Stockopedia”. Consultado: el 28 de marzo de 2023. [En línea]. Disponible en: https://www.stockopedia.com/ratios/categories/quotes-54/“Desplomes, repuntes y mucha volatilidad: los mercados del mundo se agitan con el triunfo de Donald Trump en las elecciones en Estados Unidos - BBC News Mundo”. Consultado: el 19 de mayo de 2023. [En línea]. Disponible en: https://www.bbc.com/mundo/noticias-37917593“Wall Street: qué hay detrás de la estrepitosa caída de la bolsa en el último mes que borró las ganancias de todo 2018 - BBC News Mundo”. Consultado: el 19 de mayo de 2023. [En línea]. Disponible en: https://www.bbc.com/mundo/noticias-45983822“Crisis económica por el coronavirus | Robert Shiller, nobel de Economía: ‘No existe una pandemia, sino dos’ - BBC News Mundo”. Consultado: el 19 de mayo de 2023. [En línea]. Disponible en: https://www.bbc.com/mundo/noticias-52748371“sklearn.preprocessing.OneHotEncoder — scikit-learn 1.3.0 documentation”. Consultado: el 1 de julio de 2023. [En línea]. Disponible en: https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.html“sklearn.preprocessing.MinMaxScaler — scikit-learn 1.3.0 documentation”. Consultado: el 1 de julio de 2023. [En línea]. Disponible en: https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.MinMaxScaler.html#sklearn.preprocessing.MinMaxScaler“LSTM Networks | A Detailed Explanation | Towards Data Science”. Consultado: el 1 de julio de 2023. [En línea]. Disponible en: https://towardsdatascience.com/lstm-networks-a-detailed-explanation-8fae6aefc7f9“Illustrated Guide to LSTM’s and GRU’s: A step by step explanation | by Michael Phi | Towards Data Science”. Consultado: el 1 de julio de 2023. [En línea]. Disponible en: https://towardsdatascience.com/illustrated-guide-to-lstms-and-gru-s-a-step-by-step-explanation-44e9eb85bf21“10 Hyperparameters to keep an eye on for your LSTM model — and other tips | by Kuldeep Chowdhury | Geek Culture | Medium”. Consultado: el 20 de agosto de 2023. [En línea]. Disponible en: https://medium.com/geekculture/10-hyperparameters-to-keep-an-eye-on-for-your-lstm-model-and-other-tips-f0ff5b63fcd4[46] “Why Investors Should Not Time the Market When It Dips On Mondays and Rises on Wednesdays - TheStreet”. Consultado: el 9 de noviembre de 2023. [En línea]. Disponible en: https://www.thestreet.com/retirement/iras/roth-iras/why-investors-should-not-time-the-market-when-it-dips-on-mondays-and-rises-on-wednesdays-13023532EstudiantesGrupos comunitariosInvestigadoresMaestrosLICENSElicense.txtlicense.txttext/plain; charset=utf-85879https://repositorio.unal.edu.co/bitstream/unal/85011/1/license.txteb34b1cf90b7e1103fc9dfd26be24b4aMD51ORIGINAL1036946147.2023.pdf1036946147.2023.pdfTesis de Maestría en Ingeniería - Analíticaapplication/pdf1959430https://repositorio.unal.edu.co/bitstream/unal/85011/2/1036946147.2023.pdf1cec3b6fba0d1f0821264bb62b2972d0MD52unal/85011oai:repositorio.unal.edu.co:unal/850112023-11-28 12:44:50.706Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |