Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/11531/32047
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorZamora Macho, Juan Luises-ES
dc.contributor.advisorMartinez Olondo, Juanes-ES
dc.contributor.authorMartínez Esteban, Martaes-ES
dc.contributor.otherUniversidad Pontificia Comillas, Escuela Técnica Superior de Ingeniería (ICAI)es_ES
dc.date.accessioned2018-10-01T17:43:53Z-
dc.date.available2018-10-01T17:43:53Z-
dc.date.issued2019es_ES
dc.identifier.urihttp://hdl.handle.net/11531/32047-
dc.descriptionGrado en Ingeniería en Tecnologías Industriales y Grado en Administración y Dirección de Empresases_ES
dc.description.abstractEste proyecto consiste en el análisis de estrategias de inversión basado en el aprendizaje no supervisado. El aprendizaje automático consiste en diseñar algoritmos que encuentren una tendencia natural en los datos de un proceso para evaluar su comportamiento futuro. El aprendizaje no supervisado es un tipo de aprendizaje automático en el que el sistema no dispone de los datos de salida previamente y tiene que agrupar los datos de entradas para predecir su comportamiento futuro. Una de las técnicas más importantes de aprendizaje no supervisado es el clustering el cual agrupa los datos que se parecen de alguna manera siendo K-means y GMM dos técnicas de clustering muy importantes. El objetivo del proyecto es detectar inversiones rentables a partir de la evolución del precio de un gran volumen de acciones pertenecientes a diferentes mercados internacionales y de los que se dispone de datos de precio de cierre, apertura, volumen, etc durante el periodo de 2009-2019. Para ello, se integrarán en una aplicación de Matlab los modelos de predicción K-means y GMM. El objetivo es desarrollar una estrategia de inversión basada en la predicción de estos modelos y optimizar la rentabilidad conjunta del modelo de predicción y de la estrategia de inversión.es-ES
dc.description.abstractThis project consists of the analysis of investment strategies based on unsupervised machine learning. Machine learning consists of designing algorithms that find a natural tendency in the data of a process to evaluate its future behavior. Unsupervised machine learning is a type of machine learning in which the system does not have the output data previously and has to group the input data to predict its future behavior. One of the most important unsupervised machine learning techniques is clustering which groups together data that are somehow similar, with K-means and GMM being two very important clustering techniques. The objective of the project is to detect profitable investments based on the price evolution of a large volume of stocks belonging to different international markets. These stocks have data on closing price, opening price, volume, etc. during the 2009-2019 period. To this end, the prediction models K-means and GMM will be integrated into a Matlab application. The objective is to develop an investment strategy based on the prediction of these models and to optimize the joint profitability of the prediction model and the investment strategy.en-GB
dc.format.mimetypeapplication/pdfes_ES
dc.language.isoen-GBes_ES
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Stateses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/es_ES
dc.subject.otherGITI-O (KTI-organizacion)es_ES
dc.titleAnálisis de estrategias de inversión basadas en aprendizaje no supervisadoes_ES
dc.typeinfo:eu-repo/semantics/bachelorThesises_ES
dc.rights.accessRightsinfo:eu-repo/semantics/closedAccesses_ES
dc.keywordsAprendizaje no supervisado, clustering, K-means, GMM, estrategia de inversiónes-ES
dc.keywordsUnsupervised machine learning, clustering, K-means, GMM, investment strategyen-GB
Aparece en las colecciones: KIA-Trabajos Fin de Grado
KTI-Trabajos Fin de Grado

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
TFG-Martinez Esteban,Marta.pdfTrabajo Fin de Grado7,3 MBAdobe PDFVista previa
Visualizar/Abrir
AnexoI- Martinez Esteban, Marta.pdfAutorización70,58 kBAdobe PDFVista previa
Visualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.