Please use this identifier to cite or link to this item: http://hdl.handle.net/2445/178707
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorOrtiz Gracia, Luis-
dc.contributor.authorForero Carreño, Juan Carlos-
dc.date.accessioned2021-06-29T20:24:10Z-
dc.date.available2021-06-29T20:24:10Z-
dc.date.issued2021-
dc.identifier.urihttp://hdl.handle.net/2445/178707-
dc.descriptionTreballs Finals del Màster de Ciències Actuarials i Financeres, Facultat d'Economia i Empresa, Universitat de Barcelona, Curs: 2020-2021, Tutor: Luis Ortiz Graciaca
dc.description.abstractEl pronóstico de series financieras siempre ha sido un tópico de gran interés, ya que modelar los precios de los activos implica un gran reto. Esto se debe a que, en general, las series financieras tienen un comportamiento aleatorio y desde un punto de vista estrictamente econométrico, en muchas ocasiones, no podemos pronosticar los precios de los activos, pues es ruido blanco. De acuerdo con lo anterior, lo que busca este trabajo final de máster es realizar un montaje exploratorio de series financieras en periodos de muy corto tiempo y aplicar técnicas de deep learning como redes neuronales, para predecir el precio de los activos desde una perspectiva de clasificación y regresión y hacer el despliegue de esta estrategia de trading de alta frecuencia un entorno lo más real posible. De igual manera, se desea introducir el cálculo de medidas de riesgo como el valor en riesgo VaR y la pérdida esperada —ES— (expected shortfall) en cada uno de los instantes, para la gestión activa de riesgos de este portafolio. También se espera utilizarlo como una medida de riesgo para los stop loss. Abstract The forecast of financial time series has always been a topic of great interest since modeling asset prices implies a great challenge. This is because, in general, financial series have a random behavior and in an econometric point of view, in many occasions, we cannot foresee asset prices, as it is white noise. In accordance with the above, what this final master's thesis seeks is to carry out an exploratory study of financial series in very short periods of time and apply deep learning techniques such as neural networks, to predict the price of assets from a classification and regression perspective and make the deployment of this high frequency trading strategy as realistic as possible. Similarly, we want to introduce the calculation of risk measures such as Value at Risk (VaR) and the expected Shortfall —ES— at each moment, to actively manage the risks of this portfolio. It is also expected to be used as a risk measure for stop losses.ca
dc.format.extent54 p.-
dc.format.mimetypeapplication/pdf-
dc.language.isospaca
dc.relation.isbasedonMàster Oficial - Ciències Actuarials i Financeres (CAF)-
dc.rightscc-by-nc-nd (c) Forero Carreño, 2021-
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/es/*
dc.subject.classificationTeoria de la predicciócat
dc.subject.classificationXarxes neuronals (Informàtica)cat
dc.subject.classificationRisc (Assegurances)cat
dc.subject.classificationTreballs de fi de màstercat
dc.subject.otherPrediction theoryeng
dc.subject.otherNeural networks (Computer science)eng
dc.subject.otherRisk (Insurance)eng
dc.subject.otherMaster's theseseng
dc.titlePredicción de precios de activos financieros con deep learning en un entorno de trading de Alta Frecuencia y una gestión activa de riesgosca
dc.typeinfo:eu-repo/semantics/masterThesisca
dc.rights.accessRightsinfo:eu-repo/semantics/openAccessca
Appears in Collections:Màster Oficial - Ciències Actuarials i Financeres (CAF)

Files in This Item:
File Description SizeFormat 
TFM-CAF_ForeroCarreño_2021.pdf2.51 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons