Thesis Optimización de cartera basada en predicción del valor en riesgo utilizando algoritmos de regresión de Machine Learning para mercados bursátiles
| dc.contributor.correferente | Canessa Rich, Diego Carlos | |
| dc.contributor.department | Departamento de Industrias | |
| dc.contributor.guia | Kristjanpoller Rodríguez, Werner David | |
| dc.coverage.spatial | Campus Santiago Vitacura | |
| dc.creator | Calderón Beiza, Steve Ignacio | |
| dc.date.accessioned | 2026-11-19T18:23:54Z | |
| dc.date.available | 2026-11-19T18:23:54Z | |
| dc.date.issued | 2026-10-07 | |
| dc.description.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. | es |
| dc.description.program | Ingeniería Civil Industrial | |
| dc.format.extent | 65 páginas | |
| dc.identifier.barcode | 3560900293232 | |
| dc.identifier.uri | https://repositorio.usm.cl/handle/123456789/79802 | |
| dc.language.iso | es | |
| dc.publisher | Universidad Técnica Federico Santa María | |
| dc.rights | Attribution-NonCommercial-ShareAlike 4.0 International | en |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-sa/4.0/ | |
| dc.subject | Optimización de portafolios | |
| dc.subject | Machine Learning | |
| dc.subject | Predicción de retornos | |
| dc.subject | Gestión de riesgos | |
| dc.subject | Inteligencia artificial | |
| dc.subject.ods | 9 Industria, innovación e infraestructura | |
| dc.title | Optimización de cartera basada en predicción del valor en riesgo utilizando algoritmos de regresión de Machine Learning para mercados bursátiles | |
| dspace.entity.type | Tesis |
