Pronóstico de la volatilidad del precio de las acciones usando Deep Learning para construcción de portafolios

Abstract

En este trabajo, se presenta un conjunto de simulaciones para evaluar los diferentes portafolios financieros creados con acciones del mercado financiero colombiano, bajo diferentes técnicas de modelado de la varianza; esto con el fin de evaluar si un portafolio financiero generado con técnicas de Deep Learning, genera mejores rendimientos que un portafolio calculado de la misma forma, con técnicas más sencillas de Machine Learning y tradicionales de series de tiempo. En la construcción de estos portafolios, se crearon modelos ARIMA para el pronóstico de la media de cada activo y de modelos ARCH/GARCH, XGBoost y redes neuronales con diferentes arquitecturas, para la estimación de la varianza. Cada portafolio, varía uno a otro en el modelo que utiliza para el pronóstico de la varianza, sin embargo, todos los portafolios se realizan bajo el modelo de Markowitz de mínima varianza; esto genera 3 escenarios diferentes, sobre los cuales se realiza la comparación de rendimientos al final del periodo en el cual se realizaron las simulaciones. El rendimiento del portafolio evaluado, es decir el portafolio con Deep Learning en el modelo de varianza, genera una rentabilidad del 21.24%, demostrando un mejor resultado que los portafolios generados con modelos ARCH/GARCH con un 7.36% y con XGBoost con una rentabilidad del 11.61%. Lo anterior, indica que estos modelos pueden ser útiles para el pronóstico de la varianza, pues su aplicación mejora los rendimientos de un portafolio financiero construido con acciones del mercado financiero colombiano. (Texto tomado de la fuente)

In this work, a set of simulations is presented to evaluate different financial portfolios created with shares of the Colombian financial market, under different variance modeling techniques, this, in order to evaluate whether a financial portfolio generated with Deep Learning techniques, generates better returns than a portfolio calculated in the same way, with simpler techniques of Machine Learning and traditional time series. In the construction of these portfolios, ARIMA models were created to forecast the mean of each asset and ARCH/GARCH models, XGBoost and neural networks with different architectures for variance estimation. Each portfolio varies from one to another in the model used for variance forecasting, however, all the portfolios are carried out under the Markowitz minimum variance model; this generates 3 different scenarios, on which the comparison of returns at the end of the period in which the simulations were performed is made. The performance of the evaluated portfolio, i.e. the portfolio with Deep Learning in the variance model, generates a return of 21.24%, showing a better result than the portfolios generated with ARCH/GARCH models with 7.36% and with XGBoost with a return of 11.61%. The above, indicates that these models can be useful for variance forecasting, since their application improves the returns of a financial portfolio built with shares of the Colombian financial market.