Construcción de portafolios de inversión por medio de aprendizaje reforzado multiagente y aplicaciones de lógica difusa

Simple item page
dc.contributor.authorBonacic Martinic, Milena
dc.date.accessioned2025-09-11T15:19:22Z
dc.date.available2025-09-11T15:19:22Z
dc.date.issued2025-07-01
dc.description.abstractEn 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.
dc.identifier.citationBonacic Martinic, M. (2025). Construcción de portafolios de inversión por medio de aprendizaje reforzado multiagente y aplicaciones de lógica difusa (Tesis doctoral). Universidad de los Andes, Santiago, Chile.
dc.identifier.urihttps://repositorio.uandes.cl/handle/uandes/1003
dc.language.isoes
dc.publisherUniversidad de los Andes
dc.titleConstrucción de portafolios de inversión por medio de aprendizaje reforzado multiagente y aplicaciones de lógica difusa
dc.typeTesis
Files
Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
TESIS_M BONACIC_ CONSTRUCCIÓN DE PORTAFOLIOS DE INVERSIÓN.pdf
Size:
12.61 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Doctorado en Ciencias de la Ingeniería (DOCI)