Construcción de carteras eficientes a partir de los pronósticos de la rentabilidad de las criptomonedas

Memoria:
Construcción de carteras eficientes a partir de los pronósticos de la rentabilidad de las criptomonedas

dc.contributor.advisor	Romero-Romero, Rodrigo Edgardo	es
dc.contributor.advisor	Linfati-Medina, Rodrigo Carlos Eugenio	es
dc.contributor.author	González-Saavedra, Rubén Matías	es
dc.date.accessioned	2023-11-30T14:15:51Z
dc.date.available	2023-11-30T14:15:51Z
dc.date.issued	2023
dc.description	Memoria (Ingeniero Civil Industrial)	es
dc.description.abstract	Realizar predicciones de las rentabilidades de las criptomonedas es un elemento fundamental para la construcción de portafolios de inversión, debido a la naturaleza extremadamente volátil de estas. Esta investigación se basó en proponer una metodología para formar portafolios eficientes con ocho criptomonedas, usando como base sus datos históricos y añadiendo pronósticos de la rentabilidad. En primer lugar, se analizaron los antecedentes de las criptomonedas, como su origen y características, con el fin de obtener una comprensión más precisa de su naturaleza como activos financieros y su comportamiento altamente volátil. Luego, se realizó una revisión bibliográfica sobre dos métodos de predicción para series de tiempo, el primero basado en machine learning, una Red Neuronal del tipo Autorregresiva y un modelo econométrico combinado ARIMA-GARCH. Ambos métodos han sido utilizados con éxito en la predicción de series de tiempo en diferentes áreas como finanzas, economía y medio ambiente. Por otro lado, también se revisaron artículos sobre el modelo matemático de Markowitz, donde se encontraron numerosos estudios que destacan la importancia de esta teoría en la gestión de carteras de inversión. La investigación consta de proponer la utilización de los modelos ARIMA-GARCH y NNETAR, para predecir los retornos de las criptomonedas, donde se seleccionó el mejor modelo para cada una de ellas. Los desempeños de los modelos de predicción fueron evaluados en una prueba fuera de muestra, utilizando la Raíz Del Error Cuadrático Medio. Los resultados indicaron que los pronósticos de la Red Neuronal Autorregresiva fueron superiores para las ocho criptomonedas. Para construir los portafolios eficientes se utilizó el modelo de Markowitz, también conocido como la teoría moderna de carteras, que propone que los inversores al construir una cartera diversificada que combine diferentes activos pueden minimizar el riesgo sujeto a una rentabilidad esperada. Finalmente, se realizó una comparación entre la frontera eficiente obtenida a partir de los pronósticos de rentabilidad y la frontera eficiente generada con los datos reales, tanto para el conjunto de la muestra como con datos fuera de muestra. Debido a que gráficamente fue difícil encontrar diferencias en las fronteras eficientes, Se empleó una prueba t para comparar las medias de los portafolios pronosticados con los reales. Los resultados obtenidos muestran que, para ambos conjuntos hay una diferencia estadísticamente significativa entre las medias de los retornos, con un nivel de significancia del 1%.	es
dc.description.call-number	M(E) 621.7 G5891 2023	es
dc.format	application/pdf
dc.identifier.uri	https://repositorio.ubiobio.cl/handle/123456789/4158
dc.language	spa	es
dc.publisher	Universidad del Bío-Bío. Departamento de Ingeniería Industrial	es
dc.rights	info:eu-repo/semantics/acceso abierto
dc.subject	Bitcoin	es
dc.subject	Redes neurales (ciencia de la computación)-aplicaciones industriales	es
dc.subject	Control automático-aplicaciones industriales	es
dc.subject	Administración del portafolio	es
dc.subject	Arima-Garch	es
dc.subject	Criptomonedas	es
dc.subject	Frontera eficiente heterocedasticidad	es
dc.subject	Markowitz	es
dc.subject	Optimización de portafolio	es
dc.subject	Portafolios eficientes	es
dc.subject	Redes neuronales autorregresivas	es
dc.title	Construcción de carteras eficientes a partir de los pronósticos de la rentabilidad de las criptomonedas	es
dc.title.alternative	Building efficient portfolio based on cryptocurrency return forecasts	en
dc.type	tesina	es
dspace.entity.type	memoria
ubb.Carrera	Ingeniería Civil Industrial
ubb.Departamento	Departamento de Ingeniería Industrial
ubb.Facultad	Facultad de Ingeniería
ubb.Sede	Concepción