![](https://i.postimg.cc/mDSGTpJh/Cabeza.jpg)
Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/5601
Title: | APRENDIZAJE POR REFUERZO PROFUNDO PARA TRADING ALGORITMICO |
Authors: | RODRIGUEZ HERNANDEZ, IRVING OMAR |
Issue Date: | 2022-05-01 |
Publisher: | Tecnológico Nacional de México |
metadata.dc.publisher.tecnm: | Instituto Tecnológico de Ciudad Madero |
Description: | 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 |
Appears in Collections: | Maestría en Ciencias de la Computación |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
G14071343_donacion_tesis_bib.pdf | 4.51 MB | Adobe PDF | View/Open | |
G14071343_licencia.pdf Until 2050-01-01 | 206.03 kB | Adobe PDF | View/Open Request a copy |
This item is protected by original copyright |
This item is licensed under a Creative Commons License