Estimación del retorno y riesgo esperado de un Exchange Traded Fund (ETF) aplicando modelos de Machine Learning (ML)

Sagarzazu Astuy, Eduardo

doi:https://doi.org/10.48713/10336_34553

Ítem

Acceso Abierto

Estimación del retorno y riesgo esperado de un Exchange Traded Fund (ETF) aplicando modelos de Machine Learning (ML)

https://repository.urosario.edu.co/handle/10336/34553
https://doi.org/10.48713/10336_34553

Autores

Sagarzazu Astuy, Eduardo

Archivos

OTHER

Fecha

2022-05-25

Directores

Martínez Gordillo, Juan David

Editor

Universidad del Rosario

Buscar en:

Métricas alternativas

Resumen

Los Exchange Traded-Funds (ETFs) se han convertido en una de las posibilidades más llamativas para inversores alrededor del mundo. La posibilidad de realizar una sola inversión con el riesgo ya diversificado y la facilidad que presentan los ETFs, ha hecho que el número de estos se haya disparado en el mercado, por lo que la estimación y anticipación de estos activos ha adquirido una gran importancia. En el presente estudio se tiene como objetivo estimar el retorno y riesgo esperado de un ETF integrado por Criptomonedas, Acciones, y Commodities, mediante algoritmos de Machine Learning (ML). Para alcanzar este objetivo, se construyeron tres ETFs con distintos perfiles de riesgo a base de 23 activos (serie de tiempo de su variación porcentual), y a base de la volatilidad de cada uno de ellos. Posteriormente, se realizó la estimación con los modelos Extreme Gradient Boosting (XGB), Extra Trees (ET), K Neighboor (KNN), y Neural Prophet. Como resultado, se obtuvo que es posible anticipar que los tres ETFs tienen potencial de crecimiento, y presentan diferentes oportunidades de inversión en cada uno de ellos. Se concluye que la estimación es posible, sin embargo, se deben tener en cuenta distintos modelos para llegar a conclusiones más completas y aplicables.

Abstract

The Exchange Traded-Funds (ETFs) have become one of the most striking possibilities for investors around the world. The possibility of making only one investment that already has the risk diversified and its easiness, has caused the number of ETFs in the market to skyrocket, therefore the estimation and anticipation of these assets has become of great importance. The objective of this study is to estimate the expected risk and return of an ETF with Cryptocurrency, Stocks, and Commodities, by algorithms of Machine Learning (ML). To reach this objective, three different ETFs were created with different risk profiles using the same 23 assets (time series of percentual variation) and using the volatility of each asset. Then, the estimation was done using the models Extreme Gradient Boosting (XGB), Extra Trees (ET), K Neighboor (KNN) y Neural Prophet. As a result, it is possible to anticipate that all three ETFs have the possibility of growth, and they present different investment opportunities in each of them. In conclusion, the estimation is possible, but it is necessary to consider different models to obtain more complete and applicable conclusions.