Stock selection using machine learning techniques
Eugenio Martínez, José Manuel
Ferreiro Castilla, Albert, dir. (Universitat Autònoma de Barcelona. Departament de Matemàtiques)
Universitat Autònoma de Barcelona. Facultat de Ciències

Fecha: 2017
Descripción: 50 pag.
Resumen: The main objective of this research is to challenge classic portfolio management theories such as Markovitz's Portfolio Selection Theory [1] or Sharpe Diagonal Model [2], where after making a small presentation of them and foundations on which they are based, we will discuss depthly about what other factors affect when reasoning about the paradigm "the greater risk, the greater profitability" or "high risk, high return". We review quantitative investment strategies or factors that are commonly used in practice, including quantitative factors which are classified into four categories; low volatility, value,quality, momemtum. In this research, we explore the fundamental underpinnings of these factors, along with the relevant academic literature. All these previous arguments are based on the empirical irregularity known as low volatility anomaly, where it is documented how the assets with low implicit risk overperform in terms of profitability those with an implicit higher risk. In the process, we introduce the concept, Smart Beta, whose basis is how to combine these factors in a multi-factor [17] investment process in order to improve profitability or neutralize exposure to stressors and therefore extract a cleaner factor premium. For this we will create a factor that tries to gather all these positive characteristics but in an elementary way. Next, we will introduce advanced techniques of statistics known as machine learning which will construct a new factor under different variables trying to optimize the best results which is the main objective of the research.
Resumen: El principal objetivo de este trabajo es desafiar las teorías clásicas de gestión de cartera más conocidas como la Teoría de la Selección de Cartera de Markovitz [1] o Sharpe Diagonal Model [2], donde después de exponer los fundamentos en los que se basan, discutiremos en profundidad sobre qué otros factores afectan al razonar sobre el paradigma a mayor riesgo, mayor rentabilidad o alto riesgo, alto rendimiento. Revisaremos estrategias de inversión cuantitativa y los factores que se utilizan comúnmente en inversiones reales. En este trabajo, los factores que utilizamos se pueden agrupar en cuatro categorías: low risk, value, quality y momemtum, en los que profunduzaremos apoyándonos en la literatura académica más relevante. Todos estos argumentos expuestos hasta este punto son la base para introducir la irregularidad empírica conocida como anomalía de baja volatilidad, donde el concepto principal trata de demostrar cómo los activos con bajo riesgo implícito obtienen un rendimiento superior en términos de rentabilidad, que aquellos con un riesgo implícito mayor. A continuación, también presentaremos el concepto Smart Beta, cuya idea principal es cómo conseguir una combinación óptima de factores fundamentales a través de un proceso de inversión multi-factorial [17] con el objetivo de conseguir mejorar la rentabilidad y/o neutralizar la exposición a factores de estrés y por tanto extraer una prima de factor más eficiente. Para conseguirlo, crearemos un factor que intente reunir todas estas fortalezas donde en primer lugar, de una manera elemental, utilizaremos ponderaciones bajo nuestro criterio basadas en el comportamiento de cada uno de los factores de manera individual, y por otro lado, crearemos un nuevo factor basado en técnicas avanzadas de estadística conocidas como machine learning techniques, con el objetivo de optimizar los resultados obtenidos bajo el criterio elemental, y tratando de demostrar el objetivo principal del trabajo.
Resumen: El principal objectiu d'aquest treball és desafiar les teories clàssiques de gestió de cartera més conegudes com pot ser la Teoria de la Selecció de Cartera de Markovitz [1] o Sharpe Diagonal Model [2], on després d'exposar els fonaments en què es basen, discutirem en profunditat sobre quins altres factors afecten al raonar sobre el paradigma a major risc, major rendibilitat o alt risc, alt rendiment. Revisarem estratègies d'inversió quantitativa i els factors que s'utilitzen comunment en inversions reals. En aquest treball els factors que utilitzem es poden agrupar en quatre categories: low risk, value, quality i momemtum, agafant com a suport la literatura acadèmica més rellevant. Tots aquests arguments exposats fins aquest punt són la base perintroduir la irregularitat empírica coneguda com anomalia de baixa volatilitat, on el concepte principal tracta de demostrar com els actius amb baix risc implícit obtenen un rendiment superior en termes de rendibilitat, és a dir, aquells amb un risc implícit més gran. A continuació, també introduïrem el concepte Smart Beta, la idea principal és com aconseguir una combinanació òptima de factors fonamentals a través d'un procés d'inversió multi-factorial [17] amb l'objectiu d'aconseguir millorar la rendibilitat i/o neutralitzar l'exposició a factors d'estrès, i per tant, extraure una prima de factor més eficient. Per aconseguir-ho, farem servir un nou factor que intenti reunir, en primer lloc, totes aquestes fortaleses d'una manera elemental, utilitzant ponderacions mitjantçant el nostre criteri. Un cop visualitzat el comportament de cadascun dels factors de manera individual, crearem un nou factor basat en tècniques avançades d'estadística conegudes com machine learning, amb l'objectiu d'optimitzar els resultats obtinguts sota el criteri elemental, i tractant de demostrar l'objectiu principal del treball.
Derechos: Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades. Creative Commons
Lengua: Anglès.
Titulación: Estadística Aplicada [2501919]
Plan de estudios: Graduat o Graduada en Estadística Aplicada [973]
Documento: bachelorThesis ; Text
Materia: Portfolio management ; Risk ; Profiability ; Fundamental factors ; Smart beta ; Machine learning



50 p, 940.0 KB

El registro aparece en las colecciones:
Documentos de investigación > Trabajos de Fin de Grado > Facultat de Ciencias. TFG

 Registro creado el 2018-05-04, última modificación el 2019-07-21



   Favorit i Compartir