Pezo Vera, Bastián Alberto2025-05-082025-05-082025-01-16https://repositorio.usm.cl/handle/123456789/74782Este estudio evalúa la precisión predictiva de diversos modelos de valorización de activos, incluyendo el CAPM y los modelos multifactoriales de Fama-French, en comparación con técnicas de machine learning como Elastic Net y Random Forest. En un contexto de alta volatilidad y complejidad de mercado, la investigación adopta una metodología de rolling windows para validar los pronósticos fuera de muestra, aplicados en múltiples sectores económicos. Los resultados muestran que los métodos de regularización como Elastic Net ofrecen un equilibrio óptimo entre ajuste y generalización, especialmente en sectores con menor volatilidad, mientras que Random Forest enfrenta desafíos de sobreajuste en entornos predominantemente lineales. Este análisis sugiere que la combinación de enfoques tradicionales y machine learning en la valorización de activos mejora la capacidad de los modelos para capturar relaciones complejas y no lineales, proporcionando así herramientas más robustas para la gestión de carteras. La investigación contribuye a la literatura financiera demostrando que, aunque los modelos tradicionales siguen siendo relevantes, el machine learning complementa estos enfoques al ofrecer una alternativa flexible para enfrentar la dinámica cambiante de los mercados financieros.65 páginas.esModelos de valorización de activosEconomía3560903501884