En la entrega de la semana pasada hacía referencia a "Cómo las TICs pueden ayudar en la tarea diaria". En el comentario de la entrega hacía referencia a que iba a agregar un tema que iba de la mano del análisis fundamental y del análisis técnico, se refiere a la teoría de cartera.
La teoría de cartera
La teoría de cartera apunta a tomar decisiones de composición de los portafolios de los inversores, partiendo de un análisis del comportamiento pasado de las cotizaciones, para predecir el futuro y elegir aquellos valores que permitan una mejor diversificación del riesgo, acorde al rendimiento que se quiere obtener. Algunas de las alternativas más comúnmente seguidas son: el criterio de media-varianza de Markowitz, el criterio de media-semivarianza de Markowitz, el CAPM basado en la relación entre el coeficiente beta de las acciones y el índice de referencia, el índice de atractividad utilizado en el modelo de Elton, Gruber y Padberg; el momento parcial inferior como medida de diversificación del riesgo, el modelo de la dominancia estocástica, etc.
En alguna medida la evolución de la teoría de cartera tuvo que ver con el comportamiento que tenían las distintas acciones, bonos e índices en los mercados bursátiles. La teoría de cartera es simplemente una caja de herramientas estadísticas y matemáticas que intentan mejorar las decisiones de inversiones que se hacen bajo riesgo o incertidumbre. Bajo los supuestos correctos, proporciona decisiones emocionalmente imparciales en forma consecuente. Esto es importante ya que para la mayoría de las personas es difícil separar sus emociones del proceso de decisión de la cartera de inversión. La teoría de la cartera podría permitirle a un gerente de inversión proporcionar un consejo profesional consistente a cada cliente.
Pero existen una serie de problemas que afectan a la teoría de cartera y algunos de ellos han sido posibles de solucionar utilizando herramientas más sofisticadas. Entre ellos se encuentran los problemas de asimetría, curtosis, no linearidad, discontinuidad y no estacionariedad y estos en alguna medida estaban presentes en el trabajo clásico de Markowitz de 1959 de la teoría de la varianza-covarianza, ya que esta última se puede aplicar cuando existen problemas de asimetría positiva o negativa en el comportamiento de las acciones, mientras que si la distribución se aproxima a la normal se aplica la varianza.
La teoría de cartera
La teoría de cartera apunta a tomar decisiones de composición de los portafolios de los inversores, partiendo de un análisis del comportamiento pasado de las cotizaciones, para predecir el futuro y elegir aquellos valores que permitan una mejor diversificación del riesgo, acorde al rendimiento que se quiere obtener. Algunas de las alternativas más comúnmente seguidas son: el criterio de media-varianza de Markowitz, el criterio de media-semivarianza de Markowitz, el CAPM basado en la relación entre el coeficiente beta de las acciones y el índice de referencia, el índice de atractividad utilizado en el modelo de Elton, Gruber y Padberg; el momento parcial inferior como medida de diversificación del riesgo, el modelo de la dominancia estocástica, etc.
En alguna medida la evolución de la teoría de cartera tuvo que ver con el comportamiento que tenían las distintas acciones, bonos e índices en los mercados bursátiles. La teoría de cartera es simplemente una caja de herramientas estadísticas y matemáticas que intentan mejorar las decisiones de inversiones que se hacen bajo riesgo o incertidumbre. Bajo los supuestos correctos, proporciona decisiones emocionalmente imparciales en forma consecuente. Esto es importante ya que para la mayoría de las personas es difícil separar sus emociones del proceso de decisión de la cartera de inversión. La teoría de la cartera podría permitirle a un gerente de inversión proporcionar un consejo profesional consistente a cada cliente.
Algunos programas de optimización de cartera permiten hacer suposiciones acerca del futuro, o sea que los mismos programas le piden al usuario que tenga una cierta capacidad para prever el futuro, hacen análisis de sensibilidad acerca de “qué pasa si algunos hechos fundamentales cambian", intentando mostrar el grado de sensibilidad de la cartera a los cambios en las condiciones económicas.
Quien escribe este blog empezó en 1987 a trabajar con los distintos modelos de teoría de cartera existentes a esa fecha con programas que funcionaban bajo el sistema operativo DOS, hoy en día, toda una antigüedad. Sin embargo, algunos programas de administración de carteras mediante la optimización hoy en día perduran y son muy eficaces para la toma de decisiones. Después se fueron agregando simulaciones efectuadas con el Excel y otras alternativas de programas.
Todas estas alternativas, análisis fundamental, chartista, técnico y teoría de cartera, buscan que la persona que tenga que tomar las decisiones de inversión lo realice de una manera en que se sigan criterios en cierta forma alejados de las emociones, lo que desearía que sucediera en el mercado como puede ser una corazonada.
Todas estas alternativas, análisis fundamental, chartista, técnico y teoría de cartera, buscan que la persona que tenga que tomar las decisiones de inversión lo realice de una manera en que se sigan criterios en cierta forma alejados de las emociones, lo que desearía que sucediera en el mercado como puede ser una corazonada.
Pero, justamente debido a que el mercado no se comporta de una manera lineal, sino que existen elementos que traen inconvenientes al momento de tomar decisiones, se han refinado los métodos y han aparecido nuevas alternativas, basadas en que no se puede conocer el grado de eficiencia del mercado, que existen costos asimétricos entre prestar y pedir prestado, que la información no es perfecta y que no está disponible de igual forma para todos los intervinientes en el mercado (presencia de mercados segmentados), que es muy difícil conocer las funciones de utilidad de los distintos inversores. Dentro de estas nuevas alternativas se encuentran aquellas basadas en la teoría del caos, los modelos fractales, los algoritmos genéticos y las redes neuronales.
Las redes neuronales
Unas de las múltiples técnicas que emplea la Inteligencia Artificial para simular el comportamiento inteligente de los seres humanos, son las denominadas Redes Neuronales Artificiales. Las mismas seducen a profesionales de distintas disciplinas por el gran potencial que ofrecen para resolver problemas complejos.
Hace ya unos años se empezaron a estudiar las redes neuronales (que solucionan uno de los problemas para trabajar con los datos de la bolsa, porque son redes no linealizables y que no se pueden trabajar con econometría. En el año 2003 presenté un trabajo en un Congreso Internacional de Finanzas realizado en Santiago de Chile, sobre la factibilidad de predecir el comportamiento de los Índices Merval y General de la Bolsa de Comercio de Buenos Aires con la ayuda de redes neuronales artificiales. Muchos años después, precisamente en el 2018, defendí mi tesis doctoral agregando una pregunta adicional, si era posible predecir el signo y el comportamiento de las acciones a través de las redes neuronales, pero aplicadas también a las principales acciones que cotizan en el BYMA (Bolsas y Mercados Argentinos, en su actual denominación, antes era la Bolsa de Comercio de Buenos Aires y el Mercado de Valores de Buenos Aires). El periodo bajo estudio es a partir del 3 de enero de 2012 y hasta el 24 de febrero de 2017 (último día de cotización del mes de febrero de 2017).
Las redes neuronales artificiales, son una forma de emular una de las características propias de los seres humanos: la capacidad de memorizar y asociar hechos pasados. Si se examina con atención, aquellos problemas que no pueden expresarse a través de un algoritmo, uno se da cuenta que todos ellos tienen una característica en común: la experiencia. El hombre es capaz de resolver estas situaciones acudiendo a la experiencia acumulada. De esta manera, parece claro que una forma de aproximarse al problema consiste en la construcción de sistemas que sean capaces de reproducir, en alguna medida, esta característica.
Las redes neuronales son un modelo artificial y simplificado del cerebro humano, que es el ejemplo más perfecto del que se dispone para un sistema que es capaz de adquirir conocimiento a través de la experiencia. Es así, como una red neuronal artificial puede ser definida como un nuevo sistema para el tratamiento de la información, cuya unidad básica de procesamiento está inspirada en la célula fundamental del sistema nervioso central: la neurona. También se puede definir una red neuronal artificial como un conjunto de algoritmos matemáticos que encuentran relaciones no lineales entre un conjunto de datos, denominándose algoritmos neuronales, porque están basados en el funcionamiento y características de una neurona biológica cuando ésta procesa la información.
El mercado bursátil se caracteriza por ser esencialmente dinámico, no lineal, no paramétrico y caótico, se encuentra información asimétrica en los participantes del mercado por razones de costos, las distribuciones de los rendimientos no se ajustan a la normal. Esto se produce debido a la interacción de diversos factores como son las condiciones económicas generales internacionales y las del propio país, las políticas de las empresas, las opciones de los inversores institucionales en donde se desarrolla el mercado bursátil, acontecimientos políticos, expectativas acerca del desarrollo futuro de la economía y de las empresas en particular en su adaptación rápida a condiciones cambiantes del mercado, la psicología de los inversores , a la interacción entre las distintas bolsas y a los efectos macroeconómicos entre países.
De allí que muchos investigadores trabajan sobre la previsibilidad del mercado bursátil con las distintas herramientas disponibles, desde el análisis técnico, el análisis fundamental, la predicción de las series de tiempo y en la creación de algunos modelos de decisión automáticos.
Las redes neuronales han permitido solucionar problemas que presentaba la econometría tradicional que ha utilizado los modelos ARIMA. Las redes neuronales artificiales permiten captar y adaptar las redes para que aprendan de sus experiencias pasadas y de esta forma ayudar a la toma de decisiones actuales y futuras.
Los algoritmos genéticos y las redes neuronales proporcionan una nueva forma de enfocar problemas de optimización.
Las redes neuronales
Unas de las múltiples técnicas que emplea la Inteligencia Artificial para simular el comportamiento inteligente de los seres humanos, son las denominadas Redes Neuronales Artificiales. Las mismas seducen a profesionales de distintas disciplinas por el gran potencial que ofrecen para resolver problemas complejos.
Hace ya unos años se empezaron a estudiar las redes neuronales (que solucionan uno de los problemas para trabajar con los datos de la bolsa, porque son redes no linealizables y que no se pueden trabajar con econometría. En el año 2003 presenté un trabajo en un Congreso Internacional de Finanzas realizado en Santiago de Chile, sobre la factibilidad de predecir el comportamiento de los Índices Merval y General de la Bolsa de Comercio de Buenos Aires con la ayuda de redes neuronales artificiales. Muchos años después, precisamente en el 2018, defendí mi tesis doctoral agregando una pregunta adicional, si era posible predecir el signo y el comportamiento de las acciones a través de las redes neuronales, pero aplicadas también a las principales acciones que cotizan en el BYMA (Bolsas y Mercados Argentinos, en su actual denominación, antes era la Bolsa de Comercio de Buenos Aires y el Mercado de Valores de Buenos Aires). El periodo bajo estudio es a partir del 3 de enero de 2012 y hasta el 24 de febrero de 2017 (último día de cotización del mes de febrero de 2017).
Las redes neuronales artificiales, son una forma de emular una de las características propias de los seres humanos: la capacidad de memorizar y asociar hechos pasados. Si se examina con atención, aquellos problemas que no pueden expresarse a través de un algoritmo, uno se da cuenta que todos ellos tienen una característica en común: la experiencia. El hombre es capaz de resolver estas situaciones acudiendo a la experiencia acumulada. De esta manera, parece claro que una forma de aproximarse al problema consiste en la construcción de sistemas que sean capaces de reproducir, en alguna medida, esta característica.
Las redes neuronales son un modelo artificial y simplificado del cerebro humano, que es el ejemplo más perfecto del que se dispone para un sistema que es capaz de adquirir conocimiento a través de la experiencia. Es así, como una red neuronal artificial puede ser definida como un nuevo sistema para el tratamiento de la información, cuya unidad básica de procesamiento está inspirada en la célula fundamental del sistema nervioso central: la neurona. También se puede definir una red neuronal artificial como un conjunto de algoritmos matemáticos que encuentran relaciones no lineales entre un conjunto de datos, denominándose algoritmos neuronales, porque están basados en el funcionamiento y características de una neurona biológica cuando ésta procesa la información.
El mercado bursátil se caracteriza por ser esencialmente dinámico, no lineal, no paramétrico y caótico, se encuentra información asimétrica en los participantes del mercado por razones de costos, las distribuciones de los rendimientos no se ajustan a la normal. Esto se produce debido a la interacción de diversos factores como son las condiciones económicas generales internacionales y las del propio país, las políticas de las empresas, las opciones de los inversores institucionales en donde se desarrolla el mercado bursátil, acontecimientos políticos, expectativas acerca del desarrollo futuro de la economía y de las empresas en particular en su adaptación rápida a condiciones cambiantes del mercado, la psicología de los inversores , a la interacción entre las distintas bolsas y a los efectos macroeconómicos entre países.
De allí que muchos investigadores trabajan sobre la previsibilidad del mercado bursátil con las distintas herramientas disponibles, desde el análisis técnico, el análisis fundamental, la predicción de las series de tiempo y en la creación de algunos modelos de decisión automáticos.
Las redes neuronales han permitido solucionar problemas que presentaba la econometría tradicional que ha utilizado los modelos ARIMA. Las redes neuronales artificiales permiten captar y adaptar las redes para que aprendan de sus experiencias pasadas y de esta forma ayudar a la toma de decisiones actuales y futuras.
Los algoritmos genéticos y las redes neuronales proporcionan una nueva forma de enfocar problemas de optimización.
Esta obra de https://www.blogger.com/blogger.g?blogID=7546718442276157321#allposts/src=sidebar está bajo una Licencia Creative Commons Atribución – No Comercial – Sin Obra Derivada 4.0 Internacional.
No hay comentarios:
Publicar un comentario