Evaluación del efecto de incluir la predicción de rendimientos mediante la técnica de Support Vector Machines en la eficiencia del modelo de media-varianza de Markowitz
Fecha
2024
Autores
Aristizábal Nieto, Eliana Jiset
García Agudelo, Estefanía
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad EAFIT
Resumen
Portfolio investment optimization aims to maximize expected returns given certain levels of risk. This process requires dealing with different variables in a nonlinear, noisy system due to market complexity. This is understood as a system that is affected by different external conditions that may be uncontrollable, where volatility influenced by unpredictable factors is present. In this study, an analysis of the results obtained by integrating machine learning techniques, specifically the set of algorithms called Support Vector Machines (SVM), into classical portfolio construction models is conducted. These algorithms allow for the analysis of large amounts of data and the estimation of asset return time series, resulting in a hybrid optimization model. Historical data from the stock markets of the United States and Colombia are used for numerical experiments; one set of data is used for model training (Training Set) and another for testing (Testing Set). Finally, the efficiency of the model is evaluated comparatively with the mean-variance portfolio selection theory proposed by Markowitz.
Descripción
La optimización de portafolios de inversión busca maximizar los rendimientos esperados dados ciertos niveles de riesgo, y durante este proceso se requiere tener diferentes variables en un sistema no lineal, ruidoso por la complejidad del mercado, entendiéndose como un sistema que se ve afectado por diferentes condiciones externas que pueden ser no controlables, donde está presente la volatilidad influenciada por factores no predecibles. En este trabajo, se lleva a cabo un análisis de los resultados obtenidos al integrar los modelos clásicos de conformación de portafolios, las técnicas de aprendizaje automático (Machine Learning), específicamente el conjunto de algoritmos denominados “Máquinas de Vectores de Soporte (SVM)” o Support Vector Machines por sus siglas en inglés. Estos algoritmos permiten analizar grandes cantidades de datos y estimar la serie histórica del retorno de los activos, obteniendo así un modelo de optimización híbrido. Para los experimentos numéricos, se emplean datos históricos de los mercados de valores de Estados Unidos y Colombia; un conjunto de los datos es usado para el entrenamiento del modelo (Training Set) y otro para las pruebas (Testing Set). Finalmente se evalúa la eficiencia del modelo de manera comparativa con la teoría de selección de cartera de media varianza propuesto por Makowitz.