Joaqui Barandica, OrlandoMurcia Piedrahita, Juan David2024-08-132024-08-132024https://vitela.javerianacali.edu.co/handle/11522/3755Ante 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.48 p.application/pdfspaDiversificación de portafoliosInteligencia artificialAprendizaje automáticoPredicción de preciosGestión de portafoliosTendencias de preciosAnálisis descriptivoRendimiento de ETFsPortfolio DiversificationArtificial IntelligenceMachine LearningPrice PredictionPortfolio ManagementPrice TrendsDescriptive AnalysisETF Performancehttp://purl.org/coar/resource_type/c_bdcchttps://creativecommons.org/licenses/by-nc-nd/4.0/http://purl.org/coar/access_right/c_abf2