Maestría en Finanzas Cuantitativas

Resumen: En esta tesis se exploran varias técnicas de machine learning, las cuales son aplicadas al problema de decisión de inversión. Se utilizan una serie de indicadores de análisis técnico como entradas de una red neuronal, entrenada para determinar con cada vector de entrada una señal de compra, venta o permanencia. Asimismo, mediante la aplicación de un algoritmo genético se optimiza la estructura de la red con el fin de determinar su profundidad adecuada. Con este trabajo, se establecen algunas bases para realizar distintos estudios empíricos que mejoren y profundicen las temáticas desarrolladas.

Palabras clave: Inteligencia artificial, machine learning, red neuronal artificial, algoritmo genético, perceptron, análisis técnico, reglas de decisión.

Resumen: El propósito de este trabajo es desarrollar de manera intuitiva el modelo de asignación de activos Black Litterman, mostrando sus propiedades más importantes mediante ejemplos numéricos utilizando datos de renta fija global. El modelo parte de un portafolio de mercado, el cual el inversionista moldea según su creencia en los retornos de los activos incluidos en el ejercicio. Los resultados muestran que, sin la metodología de Black Litterman, incorporar las creencias del inversionista resulta en portafolios incoherentes con la intención inicial. Cuando las creencias se incorporan mediante Black Litterman, el portafolio óptimo refleja exactamente lo que quería el inversionista. El inversionista puede también ajustar la confianza en su creencia y esto se verá reflejado en el portafolio final. Por último, se utiliza la métrica del turnoverpara mostrar que los portafolios arrojados por Black Litterman son más estables inter temporalmente que aquellos calculados con Markowitz, reduciendo costos operativos y transaccionales.