Bandidos multibrazo para selección de cartera
Use this link to cite
http://hdl.handle.net/2183/31265
Except where otherwise noted, this item's license is described as Atribución-NoComercial-CompartirIgual 3.0 España
Collections
Metadata
Show full item recordTitle
Bandidos multibrazo para selección de carteraAuthor(s)
Directors
Parapar, JavierBarreiro García, Álvaro
Date
2022Center/Dept./Entity
Enxeñaría informática, Grao enDescription
Traballo fin de grao. Enxeñaría Informática. Curso 2021/2022Abstract
[Resumen] Este proyecto consiste en la implementación y validación de modelos para recomendación
de cartera (portfolio recommendation). Para ello será necesario el estudio, diseño, desarrollo e
implementación de un software capaz de asistir al usuario en la selección de valores bursátiles
en los que invertir. Nos centraremos en un los modelos denominados como “Bandidos Bayesianos”
para poder estimar qué valores ofrecen mejor rentabilidad al usuario combinando explotación
y exploración. Dichos modelos seleccionarán valores en función de una estimación
de probabilidades construida a partir de conjuntos de datos que describen el comportamiento
de dichos valores en el pasado. Los valores más prometedores serán usualmente recomendados
al usuario, con la esperanza de obtener un resultado positivo en la inversión futura. Las
recomendaciones dadas por el algoritmo tenderán a variar a medida que nuevos datos son
integrados en el modelo, ya que estos usualmente revelarán cambios en el comportamiento
de los valores observados. [Abstract] This project revolves around the implementation and validation of models meant for portfolio
recommendation. To accomplish this, the investigation, design, development and implementation
of a demonstrative application will be necessary. The resulting tool will assist the
user in making decisions over stock values. This project will focus on a series of models based
on the Bayesian Bandit agent to estimate which values are likely to be promising. Said models
will choose values based on a collection of likelihood random variables which are constructed
from datasets that describe the historic behaviour of the considered values. The most promising
values will be usually recommended to the user. That is, hoping to obtain a positive result
in the future investment. Recommendations given by the algorithm will tend to change over
new data additions to the model. Those additions will often reveal changes in the behaviour
of the observed stock values.
Keywords
Bandido Bayesiano
Aprendizaje por refuerzo
Mercado de valores
Sistema de recomendación
Bandidos con contexto
Tensorflow
Aprendizaje por refuerzo
Mercado de valores
Sistema de recomendación
Bandidos con contexto
Tensorflow
Rights
Atribución-NoComercial-CompartirIgual 3.0 España