Show simple item record

dc.contributor.advisorSerrano, Rafael 
dc.contributor.advisorRamirez, Hugo E. 
dc.creatorCastañeda, Daniel Santiago 
dc.date.accessioned2019-08-15T14:25:31Z
dc.date.available2019-08-15T14:25:31Z
dc.date.created2019-06-27
dc.date.issued2019
dc.identifier.urihttp://repository.urosario.edu.co/handle/10336/20114
dc.descriptionDurante las últimas décadas y gracias al desarrollo de la tecnología en los informatica, los algoritmos de machine learning han evolucionado lo que ha permitido en la mayoría de los casos obtener mejores resultados que los algoritmos tradicionales. Recientemente se ha empezado a estudiar la implementación de machine learning a la hora de analizar datos altamente volátiles y complejos como lo son aquellos del sector financiero. Algoritmos como Redes Neuronales, Support vector Machine (SVM) y análisis de sentimientos han sido estudiadas con el objetivo específico de obtener mejores estimaciones y encontrar tendencias en los mercados que se traduzcan en estrategias de trading más robustas y confiables. El presente documento busca pronosticar los movimientos de algunos activos del mercado colombiano usando Support vector machine (SVM).
dc.format.mimetypeapplication/pdf
dc.language.isospa
dc.rightsAtribución 2.5 Colombia
dc.rights.urihttp://creativecommons.org/licenses/by/2.5/co/
dc.subjectSupport vector machine
dc.subjectMachine learning finanzas
dc.subjectMaquinas de soporte vectorial
dc.subject.ddcMétodos especiales de computación 
dc.subject.lembAprendizaje automático (inteligencia artificial)
dc.subject.lembMáquinas de soporte vectorial
dc.subject.lembAlgoritmos (computadores)
dc.subject.lembFinanzas
dc.titleAplicación de support vector machine al mercado colombiano
dc.typemasterThesis
dc.publisherUniversidad del Rosario
dc.creator.degreeMagíster en Finanzas Cuantitativas
dc.publisher.programMaestría en Finanzas Cuantitativas
dc.publisher.departmentFacultad de Economía
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.type.spaTesis de maestría
dc.rights.accesoAbierto (Texto Completo)
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.source.bibliographicCitationSchumacher, R. P., & Chen, H. (2009). Textual analysis of stock market prediction using breaking financial news: The AZFin text system. ACM Transactions on Information Systems (TOIS), 27(2), 12
dc.source.bibliographicCitationSchumacher, R. P., Zhang, Y., & Huang, C. N. (2009, October). Sentiment analysis of financial news articles. In 20th Annual Conference of International Information Management Association.
dc.source.bibliographicCitationHuang, W., Nakamori, Y., & Wang, S. Y. (2005). Forecasting stock market movement direction with support vector machine. Computers & Operations Research, 32(10), 2513-2522.
dc.source.bibliographicCitationTheodoridis, S., & Mavroforakis, M. (2007). Reduced convex hulls: a geometric approach to support vector machines [lecture notes]. IEEE Signal Processing Magazine, 24(3), 119-122.
dc.source.bibliographicCitationKara, Y., Boyacioglu, M. A., & Baykan, Ö. K. (2011). Predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange. Expert systems with Applications, 38(5), 5311-5319
dc.source.bibliographicCitationGala García, Y. (2013). Algoritmos SVM para problemas sobre big data (Master's thesis).
dc.source.bibliographicCitationMartín Guareño, J. J. (2016). Support vector regression: propiedades y aplicaciones.
dc.source.bibliographicCitationCocianu, C. L., & Grigoryan, H. (2016). MACHINE LEARNING TECHNIQUES FOR STOCK MARKET PREDICTION. A CASE STUDY OF OMV PETROM. Economic Computation & Economic Cybernetics Studies & Research, 50(3).
dc.source.bibliographicCitationPyo, S., Lee, J., Cha, M., & Jang, H. (2017). Predictability of machine learning techniques to forecast the trends of market index prices: Hypothesis testing for the Korean stock markets. PloS one, 12(11), e0188107.
dc.source.bibliographicCitationXia, X. L. (2018). Training sparse least squares support vector machines by the QR decomposition. Neural Networks, 106, 175-184
dc.rights.licenciaEL AUTOR, manifiesta que la obra objeto de la presente autorización es original y la realizó sin violar o usurpar derechos de autor de terceros, por lo tanto la obra es de exclusiva autoría y tiene la titularidad sobre la misma. PARGRAFO: En caso de presentarse cualquier reclamación o acción por parte de un tercero en cuanto a los derechos de autor sobre la obra en cuestión, EL AUTOR, asumirá toda la responsabilidad, y saldrá en defensa de los derechos aquí autorizados; para todos los efectos la universidad actúa como un tercero de buena fe. EL AUTOR, autoriza a LA UNIVERSIDAD DEL ROSARIO, para que en los términos establecidos en la Ley 23 de 1982, Ley 44 de 1993, Decisión andina 351 de 1993, Decreto 460 de 1995 y demás normas generales sobre la materia, utilice y use la obra objeto de la presente autorización. -------------------------------------- POLITICA DE TRATAMIENTO DE DATOS PERSONALES. Declaro que autorizo previa y de forma informada el tratamiento de mis datos personales por parte de LA UNIVERSIDAD DEL ROSARIO para fines académicos y en aplicación de convenios con terceros o servicios conexos con actividades propias de la academia, con estricto cumplimiento de los principios de ley. Para el correcto ejercicio de mi derecho de habeas data cuento con la cuenta de correo habeasdata@urosario.edu.co, donde previa identificación podré solicitar la consulta, corrección y supresión de mis datos.
dc.type.documentAnálisis de caso
dc.identifier.doihttps://doi.org/10.48713/10336_20114
dc.creator.degreetypeFull time
dc.source.instnameinstname:Universidad del Rosario
dc.source.reponamereponame:Repositorio Institucional EdocUR


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Atribución 2.5 Colombia
Except where otherwise noted, this item's license is described as Atribución 2.5 Colombia

 

Línea de atención a estudiantes: (601) 297 0200 opción 3 y 1 I Calle 12C Nº 6-25 - Bogotá D.C. Colombia.