Alberto Antonio Agudelo Aguirre, Ricardo Alfredo Rojas Medina
, Néstor Darío Duque Méndez
Objetivo: Este artículo propone para la literatura sobre inversión de activos de renta variable una metodología aplicada a través de Algoritmos Genéticos (AG) y su implementación en el sector empresarial de inversión. Método: El estudio se desarrolló mediante simulación de las estrategias de inversión B&H, AT y AG sobre el índice accionario. El proceso de maximización del rendimiento de inversión para los activos financieros se realizó mediante Algoritmos Genéticos, los cuales se basaron en ecuaciones definidas en la tipificación cromosómica con operaciones inmersas en los genes. Se inició con una población aleatoria de individuos con cromosomas representando una solución para lograr el mayor rendimiento posible. Resultados: La aplicación de algoritmos con el RSI generó rendimientos superiores al 9 y 16% respecto a B&H y el análisis técnico, lo que quiere decir, mayor riesgo de inversión para B&H con volatilidad 17,6% pero comparable a las exhibidas por algoritmos genéticos y análisis técnico. Conclusiones: Mejor relación rendimiento-riesgo y eficiencia en los parámetros fundamentales de la Teoría de Portafolio es posible a través de estrategias de inversión basadas en algoritmos genéticos incluyendo el oscilador RSI. Este estudio sugiere que un mejoramiento del rendimiento de inversión puede ser anticipado mediante los parámetros stop loss y take profit y un rango de movimiento del precio del activo previo la toma de posición.
Objective: This article proposes a methodology for the literature on equity asset investment applied through Genetic Algorithms and their implementation in the business investment sector. Method: The study was carried out through a simulation of B&H, AT, and AG investment strategies on the equity index. The investment return maximization process for financial assets was developed by means of genetic algorithms, which were based on equations defined in chromosome classification with gene-immersive operations. It began with a random population of individuals with chromosomes representing a solution to achieve the greatest return possible. Results: The application of algorithms with the RSI generated returns that were 9% and 16% higher than with B&H and technical analysis means a greater investment risk for B&H with a volatility of 17.6%, but comparable to those shown by genetic algorithms and technical analysis. Conclusions: An improved risk-return ratio and efficiency in the key parameters of the Portfolio Theory is possible through investment strategies based on genetic algorithms including the RSI oscillator. This study suggests that an improvement of the return on investment may be expected through the stop loss and take profit parameters and a range of motion of the asset price prior to taking position.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados