Integración de inteligencia artificial y teoría de portafolio en la evaluación y optimización de pronósticos para ETFS
Loading...
Date
2024
Authors
Director
Journal Title
Journal ISSN
Volume Title
Publisher
Pontificia Universidad Javeriana Cali
Abstract
Ante un mercado financiero global en constante evolución, los Exchange Traded Funds (ETFs) han surgido como herramientas versátiles de inversión, accesibles para diversificar portafolios a bajo costo y con alta flexibilidad. A continuación, esta investigación aborda la integración de la inteligencia artificial, especialmente el aprendizaje automático, para perfeccionar la evaluación y predicción de precios en 5 ETFs: SPDR S&P 500 ETF Trust (SPY), iShares Russell 2000 ETF (IWM), Invesco QQQ Trust (QQQ), Grayscale Bitcoin Trust (GBTC), Vanguard Total Stock Market ETF (VTI). A causa de la volatilidad y diversidad del mercado, existe una necesidad crítica de desarrollar estrategias de inversión que no solo optimicen los retornos, sino que también minimicen los riesgos asociados. Este estudio utiliza técnicas de aprendizaje automático, como el método KNN para la clasificación de tendencias de precios, combinadas con la teoría de portafolio de Markowitz, para formular enfoques de inversión que maximicen la rentabilidad ajustada al riesgo. Así pues, el análisis descriptivo inicial reveló patrones que influyen en el rendimiento de los ETFs, estableciendo una base sólida para la predicción precisa de movimientos de precios y la construcción de portafolios optimizados. Los resultados muestran que la integración de técnicas avanzadas de aprendizaje automático con principios fundamentales de inversión mejora notablemente la gestión de portafolios de ETFs, evidenciando una capacidad de predicción superior al 50% para tendencias de precios. Siendo así, esta capacidad para equilibrar el rendimiento y el riesgo es crucial en el entorno financiero actual, caracterizado por su rápida evolución y complejidad. Además, los hallazgos sugieren que adoptar enfoques tecnológicos avanzados puede superar las limitaciones de las estrategias de inversión tradicionales, ofreciendo a los inversores herramientas más robustas para navegar mercados financieros volátiles. En conclusión, este estudio subraya la importancia de combinar la inteligencia artificial con la teoría de portafolios para optimizar la gestión de inversiones en ETFs, proponiendo futuras investigaciones que extiendan estos métodos a otros tipos de activos financieros, lo que podría ampliar aún más las estrategias de inversión efectivas y seguras.
Description
item.page.descriptioneng
In the face of a constantly evolving global financial market, Exchange Traded Funds (ETFs) have emerged as versatile investment tools, accessible to diversify portfolios at low cost and with high flexibility. Next, this research addresses the integration of artificial intelligence, especially machine learning, to refine price evaluation and prediction in 5 ETFs: SPDR S&P 500 ETF Trust (SPY), iShares Russell 2000 ETF (IWM), Invesco QQQ Trust (QQQ), Grayscale Bitcoin Trust (GBTC), Vanguard Total Stock Market ETF (VTI). Because of market volatility and diversity, there is a critical need to develop investment strategies that not only optimize returns but also minimize associated risks. This study uses machine learning techniques, such as the KNN method for price trend classification, combined with Markowitz portfolio theory, to formulate investment approaches that maximize risk-adjusted returns. Thus, the initial descriptive analysis revealed patterns that influence the performance of the ETFs, establishing a solid foundation for the accurate prediction of price movements and the construction of optimized portfolios. The results show that the integration of advanced machine learning techniques with fundamental investment principles significantly improves the management of ETF portfolios, demonstrating a prediction capacity of more than 50% for price trends. Thus, this ability to balance performance and risk is crucial in the current financial environment, characterized by its rapid evolution and complexity. Additionally, the findings suggest that adopting advanced technological approaches can overcome the limitations of traditional investment strategies, offering investors more robust tools to navigate volatile financial markets. In conclusion, this study highlights the importance of combining artificial intelligence with portfolio theory to optimize investment management in ETFs, proposing future research that extends these methods to other types of financial assets, which could further expand investment strategies. effective and safe investments.
Keywords
Diversificación de portafolios, Inteligencia artificial, Aprendizaje automático, Predicción de precios, Gestión de portafolios, Tendencias de precios, Análisis descriptivo, Rendimiento de ETFs, Portfolio Diversification, Artificial Intelligence, Machine Learning, Price Prediction, Portfolio Management, Price Trends, Descriptive Analysis, ETF Performance