M03- Selección de Criptoactivos para Construir un Portafolio de Inversión
Tutora: María de los Ángeles Martínez Arraigada
mmartinez@unc.edu.ar
En el mundo de las finanzas tradicionales, el rendimiento de los activos puede variar bajo diferentes condiciones de mercado, es entonces cuando entra en juego la diversificación. La finalidad de la exposición a diferentes clases de activos es equilibrar el riesgo y el rendimiento de una cartera.
Cuando hablamos de cripto activos, la diversificación también es una de las formas de gestionar la exposición al riesgo. Sin embargo, la alta correlación entre algunos activos y su volatilidad, dificulta la selección de una cartera equilibrada. A pesar de ello, con un portafolio cuidadosamente seleccionado de monedas alternativas, junto con algunas monedas estables, se podría invertir en el mercado de manera más efectiva con un riesgo manejable.
El objetivo principal de este proyecto es determinar una forma de seleccionar algunos activos para nuestra cartera, tomados de un conjunto más amplio, según los momentos de mercado. Para ello echaremos mano del análisis técnico, que nos ayudará a estudiar el comportamiento del precio de los activos.
Hablamos de un mercado con una alta volatilidad, por lo cual es necesario comprender los riesgos de la exposición y poder cubrirse de posibles pérdidas significativas. Además, contar con un portafolio acorde a cada inversor (según su aversión al riesgo) permite una participación más heterogénea en este tipo de mercados.
Desde el punto de vista de los datos, se trabajará con series de tiempo, y veremos que este tipo de datos requieren un tratamiento específico.
– ¿Hay activos con comportamientos muy similares?¿O están interrelacionados? En tal caso, ¿se mantiene en el tiempo? ¿Hay señales de que el comportamiento del mercado está cambiando?
– ¿Existen características (features), quizás provenientes del análisis técnico, que nos ayuden a tomar decisiones?
– En el dataset bajo estudio, ¿encontramos alguna metodología que arroja mejores resultados que otras?
Para inspeccionar el conjunto de datos sobre el cual trabajaremos pueden ir al siguiente link.
Como podrán ver, contamos con varios datasets, conformados por los precios de cierre, apertura, mayor y menor valor del activo por sesión y volumen. Contamos con un subconjunto heterogéneo de activos, que cubren aquellos de mayor maduración y más populares como Bitcoin, Ethereum entre otros y algunos tokens de proyectos más recientes.
Entrega 20/5 – Práctico de análisis y visualización, que consistirá en explorar los datos a partir de gráficos que muestran la evolución temporal de las series, el cálculo de algunas medidas descriptivas y correlaciones entre las series (tanto de los precios como de las características que surjan de los mismos).
Entrega 17/6 – Práctico de análisis exploratorio y curación de datos, que consistirá en analizar si existen datos faltantes y en tal caso cómo proceder a su imputación a partir de diferentes técnicas de aproximación. Discutir sobre outliers en nuestro contexto.
Entrega 24/6 – Video de presentación intermedia del proyecto y dataset.
Práctico de introducción al aprendizaje automático, que consistirá en determinar los conjuntos de entrenamiento, validación y tests, utilizando metodologías adecuadas para las series temporales. Luego, podremos aplicar métodos sencillos de machine learning, como árboles de decisión para el armado de carteras de inversión.
Entrega 29/7 – Práctico aprendizaje supervisado, que consistirá en determinar los conjuntos de entrenamiento, validación y tests, utilizando metodologías adecuadas para las series temporales. Luego podremos aplicar métodos de machine learning como árboles de decisión y métodos más complejos como boosting, random forest y comparar los resultados obtenidos. Además trataremos con redes neuronales específicas para series de tiempo.
Entrega 26/8 – Práctico aprendizaje no supervisado, que consistirá en intentar mejorar la selección de los features calculados al comienzo de la mentoría, de manera de eliminar aquellos que producen ruido o que no aportan más información de la ya obtenida. Se compararán los resultados obtenidos anteriormente con aquellos resultantes del mismo procedimiento pero con menos features.
Entrega 23/9 – Video de presentación final de mentoría.
Jornadas 11/11 y 12/11 – Presentación de mentorías.