Ítem
Acceso Abierto

Soluciones Numéricas al Problema de Selección de Portafolio de Merton

Mostrar el registro sencillo de la publicación
dc.contributor.advisorRamírez Jaime, Hugo Eduardo
dc.creatorMoreno Pirachican, Wilson Fernando
dc.creator.degreeMagíster en Finanzas Cuantitativasspa
dc.creator.degreetypeFull timespa
dc.date.accessioned2021-04-23T00:58:39Z
dc.date.available2021-04-23T00:58:39Z
dc.date.created2021-04-07
dc.descriptionSupongamos que un agente con riqueza positiva desea invertir una proporción en un activo de riesgo y el resto en un bono. El problema consiste en escoger el porcentaje de riqueza óptimo que maximíce su utilidad al final del periodo de inversión. Este problema ya tiene solución analítica conseguida por Merton en las décadas de 1960 y 1970. El propósito de este trabajo es presentar aportes de tipo númérico en la aproximación del portafolio óptimo que resuelve el problema de Merton. Para conseguir dicho propósito se plantean los siguientes objetivos: 1. Proponer y comparar un esquema numérico similar al que presentó el autor Kafash en su artículo "Approximating the Solution of Stochastic Control Problems and the Merton's Portfolio Selection Model". 2. Presentar un algoritmo basado en redes neuronales que prediga el valor del portafolio óptimo con datos simulados. Por la versatilidad de una red neuronal, se elige este método para la predicción de portafolios óptimos con datos empíricos, en donde se mide su comportamiento y la posterior corrección mediante calibración. Esta idea se deja como trabajo posterior a lo presentado aquí.spa
dc.description.abstractSuppose an agent with positive wealth wishes to invest a proportion in a risky asset and the rest in a bond. The problem is to choose the optimal wealth percentage that maximizes your utility at the end of the investment period. This problem already has an analytical solution achieved by Merton in the 1960s and 1970s. The purpose of this work is to present numerical contributions in the approximation of the optimal portfolio that solves the Merton problem. To achieve this purpose, the following objectives are proposed: 1. Propose and compare a numerical scheme similar to the one presented by the author Kafash in his article "Approximating the Solution of Stochastic Control Problems and the Merton's Portfolio Selection Model". 2. Present an algorithm based on neural networks that predicts the value of the optimal portfolio with simulated data. Due to the versatility of a neural network, this method is chosen for the prediction of optimal portfolios with empirical data, where its behavior and the subsequent correction through calibration are measured. This idea is left as work after what is presented here.spa
dc.format.extent64 pp.spa
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_31245
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/31245
dc.language.isospaspa
dc.publisherUniversidad del Rosariospa
dc.publisher.departmentFacultad de Economíaspa
dc.publisher.programMaestría en Finanzas Cuantitativasspa
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto Completo)spa
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.spa
dc.source.bibliographicCitationAggarwal C.(2018), Neural Networks and Deep Learning. Springer. Yorktown Heights, New York.spa
dc.source.bibliographicCitationBellman R., (1957),Dynamic Programming. Princeton University Press. Princeton, New Jersey.spa
dc.source.bibliographicCitationBjörk T. (2009), Arbitrage Theory in Continuos Time 3th. Ed. OXFORD UNIVERSITY PRESS. Stockholm School of Economics.spa
dc.source.bibliographicCitationDesai R., Lele T., Viens F, (2003), A Monte Carlo method for portfolio optimization under partially observed stochastic volatility. IEEE/IAFE Conference on Computational Intelligence for Financial Engineering, Proceedings (CIFEr). pág. 257-263.spa
dc.source.bibliographicCitationDetemple J., García R., Rindisbacher M. (2003), A Monte Carlo Method for Optimal Portfolios. The Journal of Finance Vol. 58 pág. 401-446. Wiley for the American Finance Association.spa
dc.source.bibliographicCitationFreitas F., De Souza A., De Almeida A.(2009), Prediction-based portfolio optimization model using neural networks. Neurocomputación, Volumen 72, números 10–12, pág. 2155-2170.spa
dc.source.bibliographicCitationGerón A, (2019), Hands On Machine Learning with Scikit-Learn, Keras, TensorFlow, O'Reilly Media Inc, Canada.spa
dc.source.bibliographicCitationGiordano F., Fox W., Horton S.,(2014), A First Course in Mathematical Modeling, CENGAGE Learning.spa
dc.source.bibliographicCitationHirsa A. (2013) Computational methods in Finance. CRC Press Taylor \& Francis Group.spa
dc.source.bibliographicCitationKafash B., (2019), Approximating the Solution of Stochastic Optimal Control Problems and the Merton's Portfolio Selection Model. Springer: Computational Economics 54:763–782.spa
dc.source.bibliographicCitationKingma D,Lei J., (2014), Adam: A Method for Stochastic Optimization, published as a conference paper at the 3rd International Conference for Learning Representations, San Diego, 2015.spa
dc.source.bibliographicCitationKorn R., Korn E, (2010), Option Pricing and Portfolio Optimization. Amercan Mathematical Society. Graduate Studies in Mathematics Vol.31. Stelzenberg, Germany.spa
dc.source.bibliographicCitationKorn R., Korn E,. Kroisandt G., (2010), Monte Carlo methods and models in finance and insurance. CRC Press Taylor \& Francis Group.spa
dc.source.bibliographicCitationKrawczyk J. (2001). A Markovian approximated solution to a portfolio management problem. Information Technology and Management.spa
dc.source.bibliographicCitationKushner H, Dupois P.(2001). Numerical Methods for Stochastic Control Problems in Continuous Time. New York. Springer.spa
dc.source.bibliographicCitationMerton R., (1971), Optimum Consumption and Portfolio Rules in a Continuous-Time Model. J. Econom. Theory 3, 373-413.spa
dc.source.bibliographicCitationMoolayil J., (2019), Learn Keras for Deep Neural Networks. Vancouver, Canadá. APRESS.spa
dc.source.bibliographicCitationPham H (2009), Continuous-time Stochastic Control and Optimization with Financial Applications. New York. Springerspa
dc.source.bibliographicCitationPham H (2010), Stochastic control and applications in finance. University of Paris Diderot, LPMA, Paris.spa
dc.source.bibliographicCitationRamirez H. (2017), Numerical methods in finance course 2017. Universidad del Rosario, Bogotá.spa
dc.source.bibliographicCitationSteiner M., Wittkemper H., Portfolio optimization with a neural network implementation of the coherent market hypothesis, European Journal of Operational Research, Vol. 100, issue 1, pág. 27-40.spa
dc.source.bibliographicCitationYin G., Jin H., \& Jin, Z (2009), Numerical methods for portfolio selection with bounded constraints. Journal of Computational and Applied Mathematics, 233(2), 564-581.spa
dc.source.instnameinstname:Universidad del Rosariospa
dc.source.reponamereponame:Repositorio Institucional EdocURspa
dc.subjectPortafolio de Mertonspa
dc.subjectCadenas de Markovspa
dc.subjectMétodo Monte Carlospa
dc.subjectSimulación de mercados financierosspa
dc.subjectModelos de simulación financieraspa
dc.subjectSistemas de Redes Neuronales para la predicción en inversionesspa
dc.subjectRedes neuronales predictivas en finanzasspa
dc.subjectPredicción del comportamiento de los mercados bursátilesspa
dc.subject.ddcProbabilidades & matemáticas aplicadasspa
dc.subject.keywordMerton portfoliospa
dc.subject.keywordMarkov Chainsspa
dc.subject.keywordMonte Carlo Methodspa
dc.subject.keywordFinancial markets simulationspa
dc.subject.keywordFinancial simulation modelsspa
dc.subject.keywordNeural Network Systems for investment predictionspa
dc.subject.keywordPredictive neural networks in financespa
dc.subject.keywordPrediction of the behavior of the stock marketsspa
dc.titleSoluciones Numéricas al Problema de Selección de Portafolio de Mertonspa
dc.title.TranslatedTitleNumerical Solutions to the Problem of Selection of Portfolio of Mertonspa
dc.typemasterThesiseng
dc.type.documentMonografíaspa
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.type.spaTesis de maestríaspa
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
MorenoPirachican-WilsonFernando-1-2021.pdf
Tamaño:
1.42 MB
Formato:
Adobe Portable Document Format
Descripción:
Documento de Tesis de grado
Descargar
Colecciones
Maestría en Finanzas Cuantitativas