Pronóstico de la volatilidad del precio de las acciones usando Deep Learning para construcción de portafolios
ilustraciones, diagramas
- Autores:
-
Osorio Gutierrez, Brismar Alexander
- Tipo de recurso:
- Fecha de publicación:
- 2022
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/84036
- Palabra clave:
- 000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación
330 - Economía::332 - Economía financiera
Acciones (Bolsa)
Análisis de varianza
Stocks
Analysis of variance
Deep Learning
Markowitz
Variance
Financial portfolios
Varianza
Portafolios financieros
- Rights
- openAccess
- License
- Reconocimiento 4.0 Internacional
| id |
UNACIONAL2_6b41649a859fcba0db14ab8f912a31ea |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/84036 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Pronóstico de la volatilidad del precio de las acciones usando Deep Learning para construcción de portafolios |
| dc.title.translated.eng.fl_str_mv |
Volatility forecast of the price of the stocks using Deep Learning for portfolio construction |
| title |
Pronóstico de la volatilidad del precio de las acciones usando Deep Learning para construcción de portafolios |
| spellingShingle |
Pronóstico de la volatilidad del precio de las acciones usando Deep Learning para construcción de portafolios 000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación 330 - Economía::332 - Economía financiera Acciones (Bolsa) Análisis de varianza Stocks Analysis of variance Deep Learning Markowitz Variance Financial portfolios Varianza Portafolios financieros |
| title_short |
Pronóstico de la volatilidad del precio de las acciones usando Deep Learning para construcción de portafolios |
| title_full |
Pronóstico de la volatilidad del precio de las acciones usando Deep Learning para construcción de portafolios |
| title_fullStr |
Pronóstico de la volatilidad del precio de las acciones usando Deep Learning para construcción de portafolios |
| title_full_unstemmed |
Pronóstico de la volatilidad del precio de las acciones usando Deep Learning para construcción de portafolios |
| title_sort |
Pronóstico de la volatilidad del precio de las acciones usando Deep Learning para construcción de portafolios |
| dc.creator.fl_str_mv |
Osorio Gutierrez, Brismar Alexander |
| dc.contributor.advisor.none.fl_str_mv |
Velásquez Henao, Juan David |
| dc.contributor.author.none.fl_str_mv |
Osorio Gutierrez, Brismar Alexander |
| dc.contributor.researchgroup.spa.fl_str_mv |
Big Data y Data Analytics |
| dc.subject.ddc.spa.fl_str_mv |
000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación 330 - Economía::332 - Economía financiera |
| topic |
000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación 330 - Economía::332 - Economía financiera Acciones (Bolsa) Análisis de varianza Stocks Analysis of variance Deep Learning Markowitz Variance Financial portfolios Varianza Portafolios financieros |
| dc.subject.lemb.spa.fl_str_mv |
Acciones (Bolsa) Análisis de varianza |
| dc.subject.lemb.eng.fl_str_mv |
Stocks Analysis of variance |
| dc.subject.proposal.eng.fl_str_mv |
Deep Learning Markowitz Variance Financial portfolios |
| dc.subject.proposal.spa.fl_str_mv |
Varianza Portafolios financieros |
| description |
ilustraciones, diagramas |
| publishDate |
2022 |
| dc.date.issued.none.fl_str_mv |
2022 |
| dc.date.accessioned.none.fl_str_mv |
2023-06-21T15:34:08Z |
| dc.date.available.none.fl_str_mv |
2023-06-21T15:34:08Z |
| 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/84036 |
| 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/84036 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 |
Aguilar, S. (2010). Red neuronal artificial con heterocedasticidad condicional. . Rionegro: Universidad Católica de Oriente. Amazon Web Services. (12 de 12 de 2022). https://docs.aws.amazon.com/. Obtenido de https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost-HowItWorks.html Ante, L. (2022). How Elon Musk's Twitter activity moves cryptocurrency markets. Blockchain Research Lab. Assaf, O., Di Fatta, G., & Nicosia, G. (2022). Multivariate LSTM for Stock Market Volatility Prediction. Bergstra, J., Bardenet, R., Bengio, Y., & Kégl, B. (s.f.). Black, F., & Litterman, R. (1991). Asset Allocation. The Journal of Fixed Income, 1(2), 7– 18. Carmona, N. (2022). Redes neuronales regularizadas para la predicción de la inflación Colombiana. Tesis de Maestría en Ingeniería - Analítica. Medellín: Universidad Nacional de Colombia. Facultad de Minas. Área Curricular de Sistemas e Informática. Carr, P., Wu, L., & Zhang, Z. (2020). Using Machine Learning to Predict Rrealized Variance. Nueva York: University of New York. Department of Finance and Risk Engineering. Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. University of Washington. Christensen, K., Siggaard, M., & Veliyev, B. (2021). A machine learning approach to volatility forecasting. Aarhus: Aarhus University. Department of Economics and Business Economics. Echeverri, L. (2021). Conformación Automática de Portafolios de Inversión Usando Analítica Financiera. Tesis de Maestría en Ingeniería - Analítica. Medellín: Universidad Nacional de Colombia. Facultad de Minas. Área Curricular de Sistemas e Informática. Fama, E. F. (1991). Efficient Capital Markets: II. The Journal of Finance. Gandini, G. (14 de 01 de 2020). 2019, el año del Colcap. Semana. Hutter, F., H. Hoos, H., & Leyton-Brown, K. (2011). Sequential Model-Based Optimization for General Algorithm Configuration. University of British Columbia. I. Frazier, P. (2018). A Tutorial on Bayesian Optimization. Liu, Y. (2019). Novel volatility forecasting using deep learning–Long Short Term. Markowitz, H. (1959). Portafolio Selection. Journal Finance, 7(1), 77–91. Mercado accionario. (22 de 12 de 2022). Merton, R. C. (1971). Optimum Consumption and Portfolio Rules in a Continuous-Time Model. Journal of Economic Theory. Sharpe, W. (1964). Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk. The Journal of Finance, 19(3), 425. TSAY, R. S. (2001). Analysis of Financial Time Series. Wiley. Velásquez, J. D., Gutiérrez, S., & Franco, C. J. (2013). USING A DYNAMIC ARTIFICIAL NEURAL NETWORK FOR FORECASTING THE VOLATILITY OF A FINANCIAL TIME SERIES. Villada, F., Muñoz, N., & Garcia, E. (2012). Aplicación de las Redes Neuronales al Pronóstico de Precios en el Mercado de Valores. Medellín: Universidad de Antioquia. Facultad de Ingeniería. Departamento de Ingenieria Eléctrica. |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Reconocimiento 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Reconocimiento 4.0 Internacional http://creativecommons.org/licenses/by/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
65 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/84036/1/license.txt https://repositorio.unal.edu.co/bitstream/unal/84036/2/1017232964.2022.pdf https://repositorio.unal.edu.co/bitstream/unal/84036/3/1017232964.2022.pdf.jpg |
| bitstream.checksum.fl_str_mv |
eb34b1cf90b7e1103fc9dfd26be24b4a c19a2e8d18a631fe24f78d0830d505c2 b5d3de889f03c8a733ad033f957a55d9 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1814089811532709888 |
| spelling |
Reconocimiento 4.0 Internacionalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Velásquez Henao, Juan David7b16d4a5377f0f1b1f90d3c8c6fd9f8bOsorio Gutierrez, Brismar Alexanderc9981e39b609bffacccb9ca64752b4d8Big Data y Data Analytics2023-06-21T15:34:08Z2023-06-21T15:34:08Z2022https://repositorio.unal.edu.co/handle/unal/84036Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, diagramasEn 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)In this work, a set of simulations is presented to evaluate different financial portfolios created with shares of the Colombian financial market, under different variance modeling techniques, this, in order to evaluate whether a financial portfolio generated with Deep Learning techniques, generates better returns than a portfolio calculated in the same way, with simpler techniques of Machine Learning and traditional time series. In the construction of these portfolios, ARIMA models were created to forecast the mean of each asset and ARCH/GARCH models, XGBoost and neural networks with different architectures for variance estimation. Each portfolio varies from one to another in the model used for variance forecasting, however, all the portfolios are carried out under the Markowitz minimum variance model; this generates 3 different scenarios, on which the comparison of returns at the end of the period in which the simulations were performed is made. The performance of the evaluated portfolio, i.e. the portfolio with Deep Learning in the variance model, generates a return of 21.24%, showing a better result than the portfolios generated with ARCH/GARCH models with 7.36% and with XGBoost with a return of 11.61%. The above, indicates that these models can be useful for variance forecasting, since their application improves the returns of a financial portfolio built with shares of the Colombian financial market.MaestríaMagíster en Ingeniería - AnalíticaAnalítica FinancieraÁrea Curricular de Ingeniería de Sistemas e Informática65 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::005 - Programación, programas, datos de computación330 - Economía::332 - Economía financieraAcciones (Bolsa)Análisis de varianzaStocksAnalysis of varianceDeep LearningMarkowitzVarianceFinancial portfoliosVarianzaPortafolios financierosPronóstico de la volatilidad del precio de las acciones usando Deep Learning para construcción de portafoliosVolatility forecast of the price of the stocks using Deep Learning for portfolio constructionTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMColombiaRedColLaReferenciaAguilar, S. (2010). Red neuronal artificial con heterocedasticidad condicional. . Rionegro: Universidad Católica de Oriente.Amazon Web Services. (12 de 12 de 2022). https://docs.aws.amazon.com/. Obtenido de https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost-HowItWorks.htmlAnte, L. (2022). How Elon Musk's Twitter activity moves cryptocurrency markets. Blockchain Research Lab.Assaf, O., Di Fatta, G., & Nicosia, G. (2022). Multivariate LSTM for Stock Market Volatility Prediction.Bergstra, J., Bardenet, R., Bengio, Y., & Kégl, B. (s.f.).Black, F., & Litterman, R. (1991). Asset Allocation. The Journal of Fixed Income, 1(2), 7– 18.Carmona, N. (2022). Redes neuronales regularizadas para la predicción de la inflación Colombiana. Tesis de Maestría en Ingeniería - Analítica. Medellín: Universidad Nacional de Colombia. Facultad de Minas. Área Curricular de Sistemas e Informática.Carr, P., Wu, L., & Zhang, Z. (2020). Using Machine Learning to Predict Rrealized Variance. Nueva York: University of New York. Department of Finance and Risk Engineering.Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. University of Washington.Christensen, K., Siggaard, M., & Veliyev, B. (2021). A machine learning approach to volatility forecasting. Aarhus: Aarhus University. Department of Economics and Business Economics.Echeverri, L. (2021). Conformación Automática de Portafolios de Inversión Usando Analítica Financiera. Tesis de Maestría en Ingeniería - Analítica. Medellín: Universidad Nacional de Colombia. Facultad de Minas. Área Curricular de Sistemas e Informática.Fama, E. F. (1991). Efficient Capital Markets: II. The Journal of Finance.Gandini, G. (14 de 01 de 2020). 2019, el año del Colcap. Semana.Hutter, F., H. Hoos, H., & Leyton-Brown, K. (2011). Sequential Model-Based Optimization for General Algorithm Configuration. University of British Columbia.I. Frazier, P. (2018). A Tutorial on Bayesian Optimization.Liu, Y. (2019). Novel volatility forecasting using deep learning–Long Short Term.Markowitz, H. (1959). Portafolio Selection. Journal Finance, 7(1), 77–91.Mercado accionario. (22 de 12 de 2022).Merton, R. C. (1971). Optimum Consumption and Portfolio Rules in a Continuous-Time Model. Journal of Economic Theory.Sharpe, W. (1964). Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk. The Journal of Finance, 19(3), 425.TSAY, R. S. (2001). Analysis of Financial Time Series. Wiley.Velásquez, J. D., Gutiérrez, S., & Franco, C. J. (2013). USING A DYNAMIC ARTIFICIAL NEURAL NETWORK FOR FORECASTING THE VOLATILITY OF A FINANCIAL TIME SERIES.Villada, F., Muñoz, N., & Garcia, E. (2012). Aplicación de las Redes Neuronales al Pronóstico de Precios en el Mercado de Valores. Medellín: Universidad de Antioquia. Facultad de Ingeniería. Departamento de Ingenieria Eléctrica.EstudiantesInvestigadoresMaestrosLICENSElicense.txtlicense.txttext/plain; charset=utf-85879https://repositorio.unal.edu.co/bitstream/unal/84036/1/license.txteb34b1cf90b7e1103fc9dfd26be24b4aMD51ORIGINAL1017232964.2022.pdf1017232964.2022.pdfTesis de Maestría en Ingeniería - Analíticaapplication/pdf1428183https://repositorio.unal.edu.co/bitstream/unal/84036/2/1017232964.2022.pdfc19a2e8d18a631fe24f78d0830d505c2MD52THUMBNAIL1017232964.2022.pdf.jpg1017232964.2022.pdf.jpgGenerated Thumbnailimage/jpeg5212https://repositorio.unal.edu.co/bitstream/unal/84036/3/1017232964.2022.pdf.jpgb5d3de889f03c8a733ad033f957a55d9MD53unal/84036oai:repositorio.unal.edu.co:unal/840362023-08-09 23:04:42.218Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |