KRISTJANPOLLER, WERNER (Profesor Guía)MITCHELL, KEVIN (Profesor Correferente)SANTTIZ BARRÍA, ALEJANDRO ANDRÉSSANTTIZ BARRÍA, ALEJANDRO ANDRÉS2024-10-302024-10-302019-12https://repositorio.usm.cl/handle/123456789/60421Los inversionistas de todo el mundo se encuentran en una encrucijada a la hora de invertir, ya que tienen que analizar por una lado la rentabilidad que se espera por la compra de cierto activo, y por otro lado, tienen que analizar cuánto riesgo están dispuestos a asumir por la inversión en dicho activo. A pesar de la importancia de la cuantificación del riesgo, hasta el momento no existe un modelo que sea lo suficientemente robusto para poder cuantificarlo. Es por esto que este estudio tiene como objetivo comparar el análisis de tres modelos que calculan el valor en riesgo según un determinado enfoque. Para esto, se analizarán tres modelos, por una parte un modelo histórico, por otro lado se tomará una estrategia matemática basado en ajuste de curva y finalmente un modelo basado en redes neuronales artificiales. El mercado seleccionado para el estudio fue el Estadounidense, tomando las principales 30 acciones del mercado bursátil de ese país. Por un parte el modelo histórico tratará de predecir el Valor en Riesgo, basado en la hipótesis de que si una acción se ha comportado de una manera, lo seguirá haciendo en un futuro. Por otra parte la estrategia matemática ajustará una distribución de probabilidad conocida a los datos, apoyado por el complemento de excel Crystal Ball. Finalmente se propone un modelo de Redes Neuronales Artificiales GAN (Generative Adversarial Network), que se programará en Python, tal red se optimizará para asegurar su óptimo funcionamiento y posterior predicción. En este estudio se encontraron varios hallazgos, en primer lugar la red neuronal pudo generar distribuciones similares a las históricas, en segundo lugar la red neuronal no logró superar a los métodos tradicionales en la acertividad del cálculo del VaR y finalmente se pudo visualizar que para ajustar esta red es necesario una cantidad considerable de combinaciones de variación de hiperparámetros, por lo cual se deja abierta la posibilidad para que futuros trabajos puedan mejorar la red. Muchos son los modelos que tratan de resolver el problema de cuantificar el riesgo de inversión, pero este estudio es un pimer acercamiento a la predicción del VaR basado en una red neuronal.FINANZASINTELIGENCIA ARTIFICIALB3560900260511