Ítem
Acceso Abierto
Gestión activa de portafolios de cripto activos utilizando técnicas de aprendizaje por refuerzo
| dc.contributor.advisor | Andrade Lotero, Edgar José | |
| dc.creator | Muñoz Pérez, Emilio | |
| dc.creator.degree | Magíster en Matemáticas Aplicadas y Ciencias de la Computación | |
| dc.creator.degreetype | Full time | |
| dc.date.accessioned | 2024-02-27T12:27:55Z | |
| dc.date.available | 2024-02-27T12:27:55Z | |
| dc.date.created | 2024-01-31 | |
| dc.description | En un entorno financiero marcado por la volatilidad y la falta de transparencia que caracteriza al mercado de criptoactivos, la gestión de portafolios se enfrenta a desafíos significativos. Tradicionalmente, las estrategias de gestión de activos se ven limitadas por la impredecibilidad de este sector en constante evolución. Este estudio se propone abordar este desafío mediante la aplicación del aprendizaje por refuerzo, una técnica de aprendizaje automático que utiliza la retroalimentación de un agente para aprender y adaptarse de manera continua. En este contexto, el "agente" es el portafolio de criptoactivos y las "recompensas" son los retornos financieros que este logra obtener. El objetivo de este enfoque es permitir que el portafolio aprenda de la retroalimentación en tiempo real que proviene del mercado de criptoactivos y, en consecuencia, ajuste de manera continua la asignación de activos. Esto se realiza con la finalidad de maximizar el rendimiento del portafolio y superar las estrategias de inversión pasiva en activos digitales. A través del aprendizaje por refuerzo, se espera que el portafolio se adapte de manera eficiente a los cambios del mercado y tome decisiones óptimas para mejorar los retornos y minimizar el riesgo. Para evaluar la efectividad de este enfoque, se utilizarán datos históricos de precios de criptoactivos. El modelo basado en aprendizaje por refuerzo se comparará con otras estrategias de gestión de portafolios, como la asignación pasiva de activos. El resultado principal obtenido es que el modelo por refuerzo tiene un desempeño superior, generando mejores rendimientos y menor volatilidad en comparación con las estrategias tradicionales. En resumen, este trabajo busca demostrar que el aprendizaje por refuerzo puede ser una técnica efectiva para mejorar la gestión de portafolios de criptoactivos. Al adaptarse de manera dinámica a las condiciones cambiantes del mercado, este enfoque permite una optimización continua de la iv asignación de activos, maximizando el retorno y reduciendo el riesgo. En un escenario de inversiones digitales en constante evolución, esta investigación ofrece una perspectiva prometedora para quienes buscan gestionar activos de manera eficiente en el mundo de los criptoactivos. | |
| dc.description.abstract | En un entorno financiero marcado por la volatilidad y la falta de transparencia que caracteriza al mercado de criptoactivos, la gestión de portafolios se enfrenta a desafíos significativos. Tradicionalmente, las estrategias de gestión de activos se ven limitadas por la impredecibilidad de este sector en constante evolución. Este estudio se propone abordar este desafío mediante la aplicación del aprendizaje por refuerzo, una técnica de aprendizaje automático que utiliza la retroalimentación de un agente para aprender y adaptarse de manera continua. En este contexto, el "agente" es el portafolio de criptoactivos y las "recompensas" son los retornos financieros que este logra obtener. El objetivo de este enfoque es permitir que el portafolio aprenda de la retroalimentación en tiempo real que proviene del mercado de criptoactivos y, en consecuencia, ajuste de manera continua la asignación de activos. Esto se realiza con la finalidad de maximizar el rendimiento del portafolio y superar las estrategias de inversión pasiva en activos digitales. A través del aprendizaje por refuerzo, se espera que el portafolio se adapte de manera eficiente a los cambios del mercado y tome decisiones óptimas para mejorar los retornos y minimizar el riesgo. Para evaluar la efectividad de este enfoque, se utilizarán datos históricos de precios de criptoactivos. El modelo basado en aprendizaje por refuerzo se comparará con otras estrategias de gestión de portafolios, como la asignación pasiva de activos. El resultado principal obtenido es que el modelo por refuerzo tiene un desempeño superior, generando mejores rendimientos y menor volatilidad en comparación con las estrategias tradicionales. En resumen, este trabajo busca demostrar que el aprendizaje por refuerzo puede ser una técnica efectiva para mejorar la gestión de portafolios de criptoactivos. Al adaptarse de manera dinámica a las condiciones cambiantes del mercado, este enfoque permite una optimización continua de la iv asignación de activos, maximizando el retorno y reduciendo el riesgo. En un escenario de inversiones digitales en constante evolución, esta investigación ofrece una perspectiva prometedora para quienes buscan gestionar activos de manera eficiente en el mundo de los criptoactivos. | |
| dc.format.extent | 44 pp | |
| dc.format.mimetype | application/pdf | |
| dc.identifier.doi | https://doi.org/10.48713/10336_42292 | |
| dc.identifier.uri | https://repository.urosario.edu.co/handle/10336/42292 | |
| dc.language.iso | spa | |
| dc.publisher | Universidad del Rosario | spa |
| dc.publisher.department | Escuela de Ingeniería, Ciencia y Tecnología | spa |
| dc.publisher.program | Maestría en Matemáticas Aplicadas y Ciencias de la Computación | spa |
| dc.rights | Attribution 4.0 International | * |
| dc.rights.accesRights | info:eu-repo/semantics/openAccess | |
| dc.rights.acceso | Abierto (Texto Completo) | |
| dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | * |
| dc.source.bibliographicCitation | Al-Aradi, A., & Jaimungal, S. (2019). Active and Passive Portfolio Management with Latent Factors. Recuperado de http://arxiv.org/abs/1903.06928v1 | |
| dc.source.bibliographicCitation | Bertoluzzo, F., & Corazza, M. (2012). Testing Different Reinforcement Learning Configurations for Financial Trading: Introduction and Applications. Recuperado de https://www.researchgate.net/publication/257744845_Testing_Different_Reinforc ement_Learning_Configurations_for_Financial_Trading_Introduction_and_Appli cations | |
| dc.source.bibliographicCitation | Brockman, G., et al. (2016). OpenAI Gym. arXiv preprint arXiv:1606.01540 | |
| dc.source.bibliographicCitation | Bufalo, D., Bufalo, M., Cesarone, F., & Orlando, G. (2022). Straightening skewed markets with an index tracking optimizationless portfolio. Recuperado de http://arxiv.org/abs/2203.13766v1 | |
| dc.source.bibliographicCitation | Çela, E., Hafner, S., Mestel, R., & Pferschy, U. (2022). Integrating multiple sources of ordinal information in portfolio optimization. Recuperado de http://arxiv.org/abs/2211.00420v2 | |
| dc.source.bibliographicCitation | Charles-Cadogan, G. (2012). Active Portfolio Management, Positive JensenJarrow Alpha, and Zero Sets of CAPM. Recuperado de http://arxiv.org/abs/1206.4562v1 | |
| dc.source.instname | instname:Universidad del Rosario | |
| dc.source.reponame | reponame:Repositorio Institucional EdocUR | spa |
| dc.subject | Aprendizaje por refuerzo | |
| dc.subject.keyword | Aprendizaje por refuerzo | |
| dc.subject.keyword | Gestion de portafolios | |
| dc.subject.keyword | Mercado de criptoactivos | |
| dc.title | Gestión activa de portafolios de cripto activos utilizando técnicas de aprendizaje por refuerzo | |
| dc.title.TranslatedTitle | Active management of cryptocurrency portfolios using reinforcement learning techniques | |
| dc.type | bachelorThesis | |
| dc.type.document | Trabajo de grado | |
| dc.type.spa | Trabajo de grado | |
| local.department.report | Escuela de Ciencias e Ingeniería |
Archivos
Bloque original
1 - 1 de 1
Cargando...
- Nombre:
- Gestion_activa_de_portafolios_de_cripto_activos_ Emilio_Munoz.pdf
- Tamaño:
- 1.01 MB
- Formato:
- Adobe Portable Document Format
- Descripción:
