Thesis
Optimización de cartera basada en predicción del valor en riesgo utilizando algoritmos de regresión de Machine Learning para mercados bursátiles

dc.contributor.correferenteCanessa Rich, Diego Carlos
dc.contributor.departmentDepartamento de Industrias
dc.contributor.guiaKristjanpoller Rodríguez, Werner David
dc.coverage.spatialCampus Santiago Vitacura
dc.creatorCalderón Beiza, Steve Ignacio
dc.date.accessioned2026-11-19T18:23:54Z
dc.date.available2026-11-19T18:23:54Z
dc.date.issued2026-10-07
dc.description.abstractEl 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.es
dc.description.programIngeniería Civil Industrial
dc.format.extent65 páginas
dc.identifier.barcode3560900293232
dc.identifier.urihttps://repositorio.usm.cl/handle/123456789/79802
dc.language.isoes
dc.publisherUniversidad Técnica Federico Santa María
dc.rightsAttribution-NonCommercial-ShareAlike 4.0 Internationalen
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subjectOptimización de portafolios
dc.subjectMachine Learning
dc.subjectPredicción de retornos
dc.subjectGestión de riesgos
dc.subjectInteligencia artificial
dc.subject.ods9 Industria, innovación e infraestructura
dc.titleOptimización de cartera basada en predicción del valor en riesgo utilizando algoritmos de regresión de Machine Learning para mercados bursátiles
dspace.entity.typeTesis

Files

Original bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
3560900293232.pdf
Size:
8.48 MB
Format:
Adobe Portable Document Format

License bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description: