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

Journal Title

Journal ISSN

Volume Title

Program

Ingeniería Civil Industrial

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

Citation