Doctorado en Ciencias de la Ingeniería (DOCI)
Permanent URI for this collection
Browse
Browsing Doctorado en Ciencias de la Ingeniería (DOCI) by Subject "Ciencias Sociales"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
Item Construcción de portafolios de inversión por medio de aprendizaje reforzado multiagente y aplicaciones de lógica difusa(Universidad de los Andes, 2025-07-01) Bonacic Martinic, MilenaEn los mercados financieros, la incertidumbre, la volatilidad y la falta de información no son excepciones, son la norma. Esta tesis se origina en la convicción de que los modelos clásicos de optimización de portafolios resultan insuficientes para enfrentar la complejidad de los mercados. ¿Qué caminos quedan entonces para construir estrategias de inversión robustas y adaptativas?. Se exploran aquí dos grandes aristas: La optimización multiobjetivo apoyada en la entropía y lógica difusa que permite modelar la ambigüedad, apoyada por un análisis multicriterio para la selección de portafolios y el aprendizaje reforzado profundo, en particular multiagente (MARL), donde 4 agentes especializados (RFN, RFI, RVN, RVI) de una AFP aprenden, maximizan sus retornos, eficiencia y minimizan sus movimientos alineados por un coordinador hacia un objetivo global, quien maximiza el retorno, eficiencia conjunta y favorece la diversificación a través de la reducción de las correlaciones y costos de transacción. El diseño no solo enfrenta a los agentes entre sí en la búsqueda de sus objetivos, sino que los incentiva a colaborar por un objetivo global. Se logra un equilibrio dinámico, donde cada uno maximiza su desempeño individual reconociendo que su mejor estrategia depende de las decisiones de sus compañeros, dando lugar a un portafolio donde la eficiencia emergente supera lo posible bajo enfoques puramente competitivos o cooperativos. Por otro lado, a través de los modelos multicriterio se revela el valor de modelar la incertidumbre desde múltiples ángulos. Los métodos basados en lógica difusa con funciones de pertenencia entrópicas, entregan portafolios menos frágiles que los modelos clásicos, capaces de enfrentar escenarios extremos y de responder a los matices de preferencias y restricciones reales. La evidencia numérica es elocuente, utilizando datos diarios de la plataforma bloomberg en el período julio 2018 a octubre 2024. El modelo MARL, logra un retorno acumulado(RA) de 2.21, reduce el drawdown máximo (DD) a un-14% y mejora el índice de Sharpe (SH) a 1.39, siendo notablemente superior a modelos de aprendizaje uniagente (RL), con un RA de 2.11, DD de-18% y un SH de 1.31.El modelo multicriterio entrópico difuso (MED) registra un RA de 2.15, un DD de-17% y un SH de 1.24. superando en gran medida a los modelos clásicos como Markowitz, con un RA de 1.63, DD de-22% y SH de 1,07, siendo comparable con modelos RL pero sin superar a MARL. Con base en los resultados, se plantea un modelo híbrido, a partir de una combinación de estrategias en la que los retornos de cada agente del Modelo RL, son vistos como activos de un portafolio a optimizar mediante un MED , los resultados son competitivos al nivel de MARL, con un RA de 2.18, un DD de-15% y un SH de 1.33. Se concluye que la rentabilidad, eficiencia y resiliencia del modelo MARL es sustancialmente mejor. La tensión entre competencia y cooperación se convierte en el motor de innovación y eficiencia en un entorno realista, inspirado en la teoría de juegos y la noción de equilibrio de Nash, se demuestra que la inteligencia distribuida, la competencia-cooperación supervisada y la incorporación explícita de la incertidumbre no solo mejoran los resultados, sino que transforman la propia filosofía de la gestión de capital, cuya metodología es extrapolable a diferentes tipos de problemas de optimización con asignación bajo incertidumbre.Item Modelos de pronóstico con machine learning para apoyar la toma de decisiones(Universidad de los Andes, 2023) Karmy Diban, Juan Pablo; Pérez, Juan; Vairetti, CarlaEl analisis de series de tiempo es una tarea fundamental dentro de la ciencia de datos. Ser capaces de almacenar, procesar, y entender los datos históricos nos permite utilizarlos como insumo para el proceso de toma de decisiones. Normalmente las series de tiempo poseen, ya sea implícita o explícitamente, características que permiten realizar su análisis en base a una estructura jerárquica. Esta tesis se centra en el estudio de estas series de tiempo, y en la posibilidad de obtener mejores estimaciones de las mismas, mediante el estudio de sus jerarquías. Este trabajo presenta cuatro investigaciones. Dos de ellas poseen una contribución científica aplicada, mediante la predicción de series de tiempo jerárquicas (HTS) en la industria del Travel Retail y en un Contact Center, respectivamente. Las otras dos investigaciones entregan una contribución metodológica, mediante la incorporación de la estructura jerárquica de las series en un algoritmo de Machine Learning, buscando generar nuevos modelos especializados en la estimación de este tipo de series temporales. En la primera contribución aplicada, se generan estimaciones de venta de productos en la industria del Travel Retail mediante el enfoque clásico ε-SVR, pero adaptado a tres propuestas de algoritmos para su utilización en HTS. En este caso, nuestra metodología propuesta, SVR-BU, obtiene los mejores resultados, superando incluso a las técnicas clásicas ARIMA y Holt-Winters en términos de mean absolute percentage error (MAPE). En la segunda contribución aplicada, se realiza la estimación del volumen de llamadas entrantes en un Contact Center mediante los mismos algoritmos propuestos en el trabajo anterior, y nuevamente nuestra metodología es la que obtiene los mejores desempeños en términos de MAPE. En este caso, la contribución corresponde a la utilización de estos resultados en un modelo de optimización estocástica de staffing propuesto. Las dos contribuciones metodológicas corresponden a nuestras propuestas θ-SVR y KAT-SVR. Ambos métodos pensados como una extensión de ε-SVR para HTS. La idea es agregar información a través de los niveles jerárquicos, previniendo que las series de los niveles inferiores se desvían mucho de las series de los niveles superiores. Buscamos construir un modelo capaz de lidiar con el ruido intrínseco de los niveles inferiores. La gran diferencia entre ambas propuestas radica en que KAT-SVR incorpora métodos de kernel a los modelos reviamente presentados, con el objetivo de otorgarles mayor flexibilidad, mediante la posibilidad de modelar de mejor manera problemas más complejos, con características no lineales. Los modelos presentados en ambos trabajos, θ-SVR y KAT-SVR, obtienen los mejores desempe˜nos en términos de MAPE al ser comparados con ε-SVR tradicional, ARIMA, y Holt-Winters.