Optimización de un portafolio de inversión con acciones del Colcap aplicando técnicas de machine learning

Vista sencilla de ítem
dc.contributor.advisorRojas Ormanza, Bryan Ricardo
dc.contributor.authorOsorio Buitrón, Maribel
dc.contributor.authorRico Villareal, Juan David
dc.coverage.spatialMedellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degreeseng
dc.creator.degreeMagíster en Administración Financieraspa
dc.creator.emailjdricov@eafit.edu.co
dc.creator.emailmosoriob3@eafit.edu.co
dc.date.accessioned2024-04-26T20:35:52Z
dc.date.available2024-04-26T20:35:52Z
dc.date.issued2024
dc.descriptionA partir de los incrementos en los volúmenes de información histórica de las acciones de empresas públicas, surge el interrogante sobre si es posible conformar portafolios mejor optimizados que los generados a partir de la teoría tradicional, haciendo uso de las recientes innovaciones en inteligencia artificial y análisis de datos de la última década. Por esta razón, la presenta investigación pretende comparar la teoría tradicional de optimización de portafolio con las recientes metodologías de análisis de datos aplicadas al Colcap. La metodología utilizada se basa en doce investigaciones previas las cuales han testeado y demostrado el rendimiento de diferentes modelos de machine learning en bolsas de todo el mundo, tales como S&P500, NASDAQ, DAX, SET y Colcap. De aquí se seleccionaron los mejores prospectos y se aplicaron a las acciones del Colcap para predecir el movimiento futuro en el precio de la acción a partir del comportamiento histórico de ciertas variables significativas para después ser comparados con la metodología tradicional. Se encontró que el mejor modelo de predicción en el movimiento del precio aplicado al Colcap es el random forest, y que las variables que mejor explican los cambios futuros en el precio de las acciones de esta bolsa son el precio de cierre de la acción, el índice TRM y el índice Colcap. Además, los modelos de machine learning lograron optimizar portafolios con menor número de acciones y mayores rentabilidades respaldadas en la información histórica.
dc.description.abstractBased on the increases in the volumes of historical information on the shares of public companies, the question arises as to whether it is possible to create better optimized portfolios than those generated from traditional theory, making use of recent innovations in artificial intelligence and analysis of data from the last decade. For this reason, the present research aims to compare the traditional theory of portfolio optimization with the recent data analysis methodologies applied to Colcap. The methodology used is based on twelve previous investigations which had tested and demonstrated the performance of different machine learning models on stock exchanges around the world, such as S&P500, NASDAQ, DAX, SET and Colcap. From here, the best prospects were selected and applied to Colcap shares, to predict the future movement in the share price based on the historical behavior of certain significant variables and then compared with the traditional methodology. It was found that the best prediction model in the price movement applied to Colcap is the Random Forest, and the variables that best explain the future changes in the price of the shares of this exchange are the closing price of the share, the TRM index and the Colcap index. In addition, machine learning models managed to optimize portfolios with a smaller number of shares and higher returns backed by historical information.
dc.formatapplication/pdfeng
dc.identifier.urihttps://hdl.handle.net/10784/33744
dc.language.isospaspa
dc.publisherUniversidad EAFITspa
dc.publisher.departmentEscuela de Finanzas, Economía y Gobierno. Departamento de Finanzasspa
dc.publisher.placeCali
dc.publisher.programMaestría en Administración Financieraspa
dc.rightsTodos los derechos reservadosspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccesseng
dc.rights.localAcceso abiertospa
dc.subjectInteligencia artificial
dc.subjectAnálisis de datos
dc.subjectKNIME
dc.subject.keywordStock market
dc.subject.keywordArtificial intelligence
dc.subject.keywordData analytics
dc.subject.keywordRandom forest
dc.subject.lembAPRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL)
dc.subject.lembINVERSIONES
dc.subject.lembBOLSA DE VALORES
dc.subject.lembADMINISTRACIÓN FINANCIERA
dc.subject.lembPORTAFOLIO DE INVERSIONES
dc.titleOptimización de un portafolio de inversión con acciones del Colcap aplicando técnicas de machine learning
dc.typemasterThesiseng
dc.typeinfo:eu-repo/semantics/masterThesiseng
dc.type.hasVersionacceptedVersioneng
dc.type.localTesis de Maestríaspa
dc.type.spaInforme

Archivos

Bloque original
Mostrando 1 - 3 de 3
No hay miniatura disponible
Nombre:
formulario_autorizacion_publicacion_obras.pdf
Tamaño:
546.72 KB
Formato:
Adobe Portable Document Format
Descripción:
Formulario de autorización de publicación de obras
Descargar
No hay miniatura disponible
Nombre:
Maribel_OsorioBuitron_JuanDavid_RicoVillareal_2024.pdf
Tamaño:
1.78 MB
Formato:
Adobe Portable Document Format
Descripción:
Trabajo de grado
Descargar
No hay miniatura disponible
Nombre:
carta_aprobacion_trabajo_grado_eafit.pdf
Tamaño:
150.7 KB
Formato:
Adobe Portable Document Format
Descripción:
Carta de aprobación de tesis de grado
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
2.5 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Maestría en Administración Financiera (tesis)