Thesis Optimización de cartera basada en predicción del valor en riesgo utilizando algoritmos de regresión de Machine Learning para mercados bursátiles
No Thumbnail Available
Date
2026-10-07
Authors
Journal Title
Journal ISSN
Volume Title
Program
Ingeniería Civil Industrial
Departament
Campus
Campus Santiago Vitacura
Abstract
El presente trabajo desarrolla un sistema de optimización de portafolios aplicado al índice S&P 500, diseñado para maximizar la rentabilidad esperada y controlar el riesgo de pérdidas. La metodología integra la predicción de retornos mensuales mediante seis algoritmos de regresión de Machine Learning (Random Forest, SVR, AdaBoost, XGBoost, KNN y ANN) con el modelo de optimización matemática Mean-Value-at-Risk (MVaR). Utilizando el historial de cotizaciones de 465 acciones (2016-2025), se implementó una simulación Walk-Forward Validation con recalibración trimestral para el período 2024-2025. Las predicciones out-of-sample alimentaron al algoritmo MVaR para distribuir el capital en posiciones long-only, maximizando el Ratio de Sharpe. Los resultados evidencian que aplicar un filtro de Coeficiente de Determinación ($R^2$) es clave para depurar activos impredecibles. Durante la validación, el portafolio basado en ANN obtuvo el mayor retorno acumulado (109,41%) y riesgo ajustado (Sharpe de 2,37), superando holgadamente al benchmark. Asimismo, SVR (Sharpe de 1,47) y KNN (Sharpe de 1,51) demostraron un desempeño financiero robusto y superior al mercado, mientras que los ensambles basados en árboles (exceptuando XGBoost) presentaron rendimientos inferiores o sobreajuste severo. Se concluye que la precisión predictiva requiere de una estricta gestión de riesgo, y que la integración de algoritmos no lineales continuos y basados en distancias (ANN, SVR, KNN), respaldados por ventanas móviles, constituye el enfoque más robusto para la selección de carteras en mercados dinámicos.
Description
Keywords
Optimización de portafolios, Machine Learning, Predicción de retornos, Gestión de riesgos, Inteligencia artificial
