Des del desenvolupament de la teoria moderna de carteres de Markowitz l'any 1952, s'han dut a terme numerosos avenços per a millorar-ne les tècniques originals, fins al punt que la recerca actual en aquest àmbit es centra en construir models d'aprenentatge profund que distribueixin el capital de manera òptima entre els actius considerats en un sol pas. Malgrat que l'aprenentatge profund ha ajudat a resoldre un gran nombre de problemes en altres àrees, encara no s'ha demostrat que sigui prou exitós en algunes branques del camp de les finances com és el cas del disseny de carteres.
Després de comprovar que mètodes més heurístics no funcionen com a estratègies d'inversió activa, l'objectiu d'aquesta tesi esdevé explorar com l'aprenentatge profund pot servir per abordar el problema de l'optimització de carteres. S'analitza si les idees clàssiques de la teoria de carteres han d'ésser reemplaçades completament per xarxes neuronals que integrin tot el procés, o si bé és més adequat incorporar-les dins de l'arquitectura dels models. Es discuteix també l'impacte que té la freqüència de les dades amb què treballen els models en el seu rendiment.
Per aquests motius, s'han implementat i posat a prova diversos models d'aprenentatge profund que treballen únicament amb els guanys històrics dels actius, entrenats principalment en dades d'alta freqüència de criptomonedes. Totes les proves s'han dut a terme sota el mateix marc d'inversió i els seus rendiments s'han comparat amb el d'altres carteres estàndard per tal de poder extreure conclusions significatives. Els results obtinguts indiquen els models d'aprenentatge profund implementats són capaços de detectar patrons en les dades que són invisibles pels models financers clàssics. No obstant, aquesta predictibilitat no es pot aprofitar completament en les inversions a temps real ja que les carteres han de ser reoptimizades sovint i això provoca que els costs que les plataformes imposen a cada transacció neutralitzin els guanys.
Desde el desarrollo de la teoría moderna de carteras de Markowitz en el año 1952, se han llevado a cabo numerosas mejoras sobre las técnicas originales, hasta el punto que la investigación actual en este ámbito se centra en construir modelos de aprendizaje profundo que distribuyan el capital de manera óptima entre los activos en un solo paso. Aunque el aprendizaje profundo ha ayudado a resolver un gran número de problemas en otras áreas, aún no se ha demostrado que sea suficientemente exitoso en algunas ramas del campo de las finanzas como el diseño de carteras.
Después de verificar que métodos más heurísticos no funcionan como estrategias de inversión activa, el objetivo de esta tesi es explorar cómo el aprendizaje profundo puede usarse para abordar el problema de la optimización de carteras. Se analiza si las ideas clásicas de la teoría de carteras deben ser reemplazadas completamente por redes neuronales que integren todo el proceso, o si conviene incorporarlas dentro de la arquitectura de los modelos. Se discute también el impacto que tiene la frecuencia de los datos con que trabajan los modelos en su rendimiento.
Por estos motivos, se han implementado y puesto a prueba varios modelos de aprendizaje profundo que trabajan únicamente con las ganancias históricas de los activos, entrenados principalmente con datos de alta frecuencia de criptomonedas. Todas las pruebas se han llevado a cabo bajo el mismo marco de inversión y sus rendimientos se han comparado con el de otras carteras estándar. Los resultados obtenidos indican que los modelos de aprendizaje profundo implementados son capaces de detectar patrones en los datos que son invisibles para los modelos financieros clásicos. Sin embargo, esta predictibilidad no se puede aprovechar completamente en las inversiones a tiempo real ya que las carteras deben ser reoptimizadas a menudo y esto provoca que los costes que las plataformas imponen a cada transacción neutralicen todos los beneficios.
Since Markowitz's work on portfolio theory in 1952, numerous developments have been carried out to improve the original techniques of portfolio optimization, to the point that the current research on the topic focuses on building deep learning models that design the whole portfolio in only one step. Even though deep learning has helped to solve a wide range of problems in different areas, it has not proven successful enough yet in some branches of finance such as portfolio design.
After verifying that heuristic or more simple methods do not work as active trading strategies, the goal of this thesis becomes to explore how the portfolio optimization problem can be approached via deep learning. We analyze whether the classical portfolio theory ideas should be either completely replaced by end-to-end neural networks or incorporated into the architectures, and we discuss the impact that the frequency of the data has on the performance of the models.
For this reason, multiple deep learning architectures that take as input only asset returns have been implemented and extensively backtested, mainly on high-frequency cryptocurrency data. All backtests have been carried out under the same trading framework and their performances have been compared to some standard benchmarks in order to extract significant conclusions. Our results indicate that, on high-frequency data, deep learning models are capable of detecting features that are invisible to the classical financial methods. Nevertheless, this predictability can not be exploited in real-life trading as the portfolios need to be largely reoptimized often and therefore the transaction costs imposed by the exchanges cancel out all the profits.
gmail.com
