No ámbito financeiro, a xestión eficiente da carteira é unha tarefa crucial para investidores e xestores de activos, xa que busca maximizar os rendementos e minimizar os riscos asociados aos investimentos. Nos últimos anos, o campo da intelixencia artificial e a aprendizaxe automática experimentou un avance notable, o que permitiu a aplicación de técnicas innovadoras para mellorar o proceso de toma de decisións financeiras.
Este traballo céntrase na integración de dúas potentes ferramentas: redes neuronais artificiais e programación cuadrática, para abordar o reto da xestión de carteiras. A combinación destas técnicas ofrece un enfoque robusto e prometedor para a previsión de series temporais financeiras e a composición da carteira nun ambiente financeiro altamente dinámico e complexo.
O desenvolvemento do traballo estrutúrase en varios apartados fundamentais para abordar de forma integral o tema. En primeiro lugar, realízase unha caracterización detallada da serie temporal financeira, examinando as súas características e propiedades esenciais para comprender mellor o comportamento dos prezos dos activos.
A continuación, explorase o potencial das redes neuronais artificiais na previsión de series temporais. Preséntanse antecedentes sobre o uso destas redes neste contexto e destacan dúas arquitecturas moi utilizadas: redes neuronais convolucionais e redes de memoria a longo prazo (LSTM), ambas con capacidade para capturar patróns complexos en datos financeiros.
A sección sobre composición da carteira aborda o problema e presenta diversas técnicas aplicadas na xestión de activos. É aquí onde se introduce a programación cuadrática como unha ferramenta relevante e eficiente para a construción óptima de carteiras de investimento.
A obtención de datos precisos e relevantes é fundamental para calquera análise financeira e para traballar con algoritmos de Machine Learning. Descríbese a metodoloxía aplicada para obter datos e como se computaron algúns dos indicadores máis comúns empregados en finanzas para utilizar como variables descritivas do problema en conxunto cos datos históricos. Tamén se expón como se estruturan os vectores que se empregarán na modelización e adestramento de redes neuronais.
Nos últimos apartados abórdase o proceso de modelización e adestramento, que implica a correcta configuración das redes neuronais e a implantación de programación cuadrática para obter resultados óptimos. Finalmente, preséntanse os resultados obtidos, incluíndo as predicións xeradas polas redes neuronais e a composición de carteiras recomendadas, demostrando así a eficacia da metodoloxía proposta na xestión de carteiras financeiras.
En conxunto, este traballo busca ofrecer unha visión completa e actualizada do uso das redes neuronais artificiais e da programación cuadrática na xestión de carteiras, destacando o seu potencial como opción para mellorar a toma de decisións financeiras e proporcionar aos investidores unha valiosa ferramenta para optimizar as súas estratexias nun entorno cambiante e competitivo.