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)

Mostrar el registro sencillo de la publicación

dc.contributor.advisor	Martínez Gordillo, Juan David
dc.creator	Sagarzazu Astuy, Eduardo
dc.creator.degree	Economista	es
dc.creator.degreeLevel	Pregrado
dc.creator.degreetype	Full time	es
dc.date.accessioned	2022-07-16T19:24:03Z
dc.date.available	2022-07-16T19:24:03Z
dc.date.created	2022-05-25
dc.description	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.	es
dc.description.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.	es
dc.format.extent	40 pp	es
dc.format.mimetype	application/pdf	es
dc.identifier.doi	https://doi.org/10.48713/10336_34553
dc.identifier.uri	https://repository.urosario.edu.co/handle/10336/34553
dc.language.iso	spa	es
dc.publisher	Universidad del Rosario
dc.publisher.department	Facultad de economía
dc.publisher.program	Economía
dc.rights.accesRights	info:eu-repo/semantics/openAccess	es
dc.rights.acceso	Abierto (Texto Completo)	es
dc.rights.licencia	EL 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.	spa
dc.source.bibliographicCitation	Abraham, S. (2021, Enero 1). Investopedia. Retrieved from Investopedia: https://www.investopedia.com/articles/investing/040115/how-create-your-very-own-etf.as p	es
dc.source.bibliographicCitation	Alake, R. (2021, Mayo 5). Towards Data Science. Retrieved from Towards Data Science: https://towardsdatascience.com/machine-learning-in-the-world-of-blockchain-and-cryptoc urrency-68651ebaecd7	es
dc.source.bibliographicCitation	Alessandretti, L., Elbahrawy, A., Luca, M., y Baronchelli, A. (2018). Anticipating Cryptocurrency prices using Machine Learning. Complexity, 1-16.	es
dc.source.bibliographicCitation	Australian Unity Real Wellbeing. (2021). What is the risk/return profile of your portfolio? Australian Unity.	es
dc.source.bibliographicCitation	Bekiros, S., y Lahmiri, S. (2021). Deep Learning Forecasting in Cryptocurrency High-Frequency Trading. Cognitive Computation, 485-487.	es
dc.source.bibliographicCitation	Bloomberg. (2022). Bloomberg Anywhere. Retrieved from Bloomberg Terminal: https://bba.bloomberg.net/?utm_source=bloomberg-menu&utm_medium=help2019	es
dc.source.bibliographicCitation	Chowdhury, R., Rahmanb, M. A., Rahmanc, M. S., y Mahdy, M. (2020). An approach to predict and forecast the price of constituents and index of cryptocurrency using machine learning. Dhaka: Physica A: Statistical Mechanics and its Applications.	es
dc.source.instname	instname:Universidad del Rosario
dc.source.reponame	reponame:Repositorio Institucional EdocUR
dc.subject	ETF	es
dc.subject	Machine Learning	es
dc.subject	Estimación	es
dc.subject	Variación Porcentual	es
dc.subject	Volatilidad	es
dc.subject.ddc	Economía	es
dc.subject.keyword	ETF, Machine Learning, Estimation, Percentual Variation and Volatility	es
dc.subject.keyword	ETF	es
dc.subject.keyword	Machine Learning	es
dc.subject.keyword	Estimation	es
dc.subject.keyword	Percentual Variation	es
dc.subject.keyword	Volatility	es
dc.title	Estimación del retorno y riesgo esperado de un Exchange Traded Fund (ETF) aplicando modelos de Machine Learning (ML)	es
dc.type	bachelorThesis	es
dc.type.document	Trabajo de grado	es
dc.type.hasVersion	info:eu-repo/semantics/acceptedVersion
dc.type.spa	Trabajo de grado	es