Por favor, use este identificador para citar o enlazar este ítem:
https://rinacional.tecnm.mx/jspui/handle/TecNM/5601| Título : | APRENDIZAJE POR REFUERZO PROFUNDO PARA TRADING ALGORITMICO |
| Autor : | RODRIGUEZ HERNANDEZ, IRVING OMAR |
| Fecha de publicación : | 2022-05-01 |
| Editorial : | Tecnológico Nacional de México |
| metadata.dc.publisher.tecnm: | Instituto Tecnológico de Ciudad Madero |
| Descripción : | El problema de asignación continua de recursos en mercados financieros o trading conlleva la construcción de portafolios de inversión a ejecutar en intervalos de tiempo discretos. La solución a este problema exige el desarrollo de estrategias de comercialización de bienes que tengan como objetivos el incremento sustancial del capital inicial y una baja volatilidad (riesgo) en comparación con métodos y técnicas ya conocidos tanto para la gestíón activa como pasiva de portafolios de inversión. Este trabajo presenta el método GA-DRL para la generación de estrategias de inversión con acciones de los mercados de valores. Por una parte, integra el algoritmo GenPo-Sharpe para la preselección de activos financieros cuya finalidad es proporcionar un portafolio de inversión con un número reducido de activos, de acuerdo a las preferencias del inversionista, y balanceado en cuanto a su rendimiento y riesgo esperados. En segundo lugar integra un agente de aprendizaje por refuerzo profundo para el rebalanceo diario del portafolio de inversiones obtenido en la primera etapa. La concatenación de estas dos técnicas, que constituyen al método presentado, se provee como una alternativa adicional para la gestión activa de portafolios de inversión con resultados prometedores en acciones de las bolsas de valores de Nueva York y Brasil. |
| metadata.dc.type: | info:eu-repo/semantics/masterThesis |
| Aparece en las colecciones: | Maestría en Ciencias de la Computación |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| G14071343_donacion_tesis_bib.pdf | 4.51 MB | Adobe PDF | Visualizar/Abrir | |
| G14071343_licencia.pdf Until 2050-01-01 | 206.03 kB | Adobe PDF | Visualizar/Abrir Request a copy |
Este ítem está protegido por copyright original |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons
