Estudio de las posibles mejoras en la gestión de carteras de valores mediante la aplicación de técnicas de aprendizaje por refuerzo

Este proyecto transcurre en el campo donde la Inteligencia Artificial y los mercados financieros convergen. Se compone del estudio teórico junto con un caso práctico de un algoritmo de inversión. El proyecto consta de dos partes - por un lado un análisis teórico de todos los conceptos que intervienen en la gestión de carteras y las técnicas de aprendizaje por refuerzo y por el otro la ejecución de un caso de uso en el que se construye un algoritmo de aprendizaje por refuerzo para evaluar la capacidad de estas técnicas para mejorar la gestión de carteras de valores.

En cuanto a la parte teórica, en primer lugar se realiza un estudio en profundidad de las características de distintos mercados financieros, haciendo especial énfasis en las técnicas de gestión de carteras de valores. Posteriormente, se lleva a cabo un estado del arte del aprendizaje por refuerzo, con el foco puesto en los últimos avances conseguidos en su aplicación a la gestión de carteras.

Finalmente, el caso práctico se diseña en un mercado sintético de criptodivisas. El agente artificial gestiona una cartera con tres activos, y su objetivo es aprender una política de toma de decisión que le permita batir a ciertas estrategias de referencia - benchmarks. Dicho agente artificial está construido bajo el marco del aprendizaje por refuerzo.

This project takes place in the field where Artificial Intelligence and financial markets converge. It consists of a theoretical study together with a practical case of an investment algorithm. The project consists of two parts - on the one hand a theoretical analysis of all the concepts involved in portfolio management and the reinforcement learning techniques and on the other hand the execution of a use case in which a reinforcement learning algorithm is built to evaluate the capacity of these techniques to improve portfolio management.

As for the theoretical part, first an in-depth study of the characteristics of different financial markets is carried out, with special emphasis on portfolio management techniques. Subsequently, a state-of-the-art of reinforcement learning is presented, focusing on the latest advances in their application to portfolio management.

Finally, the case study is designed in a synthetic crypto-currency market. The artificial agent manages a portfolio with three assets, and its objective is to learn a decision making policy that allows it to beat certain reference strategies - benchmarks. This artificial agent is built under the framework of reinforcement learning.