Optimización de carteras de inversión: un benchmark con modelos clásico, de computación cuántica y de hibridación AI /QC

Autores
Braña, Juan Pablo; Litterio, Alejandra; Fernández, Alejandro
Año de publicación
2021
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
La optimización de carteras de inversión representa un desafío para el inversor al momento de seleccionar la combinación correcta de acciones a efectos de maximizar los retornos esperados y minimizar los riesgos. Es así que en contraste con el paradigma de la computación tradicional, la computación cuántica no sólo acelera de manera sustancial el proceso de las computadoras tradicionales si no que optimiza la performance del método que determina cuáles acciones deben ser incluidas en las carteras de inversión y cuáles no. En este trabajo presentamos un estudio de comparación y referencia entre el resultado obtenido por tres diferentes metodologías de optimización de cartera: a) aproximación clásica, b) aproximación cuántica, c) un híbrido entre la aproximación cuántica incorporando criterios de Inteligencia Artificial. Para el primero de los casos utilizamos el modelo de Markowitz, el cual es un algoritmo clásico para determinar carteras eficientes, para nuestra aproximación cuántica hemos trabajado con un algoritmo de optimización cuántico llamado Variational Quantum Eigensolver (VQE) y por último hemos intentado mejorar este último criterio de optimización con un índice de sentimiento calculado con procesamiento de lenguaje natural (NLP) y una métrica de forecasting multivariado basado en Machine Learning.
Eje: Agentes y sistemas inteligentes.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Computación Cuántica
Procesamiento de Lenguaje Natural Cuántico
Optimización de Cartera de Inversión
Finanzas
Machine learning
AI
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/119966
Acceder
id SEDICI_3327ffde7f4fb014a3f3cbe44d06554f
oai_identifier_str oai:sedici.unlp.edu.ar:10915/119966
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Optimización de carteras de inversión: un benchmark con modelos clásico, de computación cuántica y de hibridación AI /QCBraña, Juan PabloLitterio, AlejandraFernández, AlejandroCiencias InformáticasComputación CuánticaProcesamiento de Lenguaje Natural CuánticoOptimización de Cartera de InversiónFinanzasMachine learningAILa optimización de carteras de inversión representa un desafío para el inversor al momento de seleccionar la combinación correcta de acciones a efectos de maximizar los retornos esperados y minimizar los riesgos. Es así que en contraste con el paradigma de la computación tradicional, la computación cuántica no sólo acelera de manera sustancial el proceso de las computadoras tradicionales si no que optimiza la performance del método que determina cuáles acciones deben ser incluidas en las carteras de inversión y cuáles no. En este trabajo presentamos un estudio de comparación y referencia entre el resultado obtenido por tres diferentes metodologías de optimización de cartera: a) aproximación clásica, b) aproximación cuántica, c) un híbrido entre la aproximación cuántica incorporando criterios de Inteligencia Artificial. Para el primero de los casos utilizamos el modelo de Markowitz, el cual es un algoritmo clásico para determinar carteras eficientes, para nuestra aproximación cuántica hemos trabajado con un algoritmo de optimización cuántico llamado <i>Variational Quantum Eigensolver</i> (VQE) y por último hemos intentado mejorar este último criterio de optimización con un índice de sentimiento calculado con procesamiento de lenguaje natural (NLP) y una métrica de <i>forecasting</i> multivariado basado en <i>Machine Learning</i>.Eje: Agentes y sistemas inteligentes.Red de Universidades con Carreras en Informática2021-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf139-143http://sedici.unlp.edu.ar/handle/10915/119966spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-24611-3-3info:eu-repo/semantics/altIdentifier/isbn/978-987-24611-4-0info:eu-repo/semantics/reference/hdl/10915/119487info:eu-repo/semantics/reference/hdl/10915/119490info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-03T11:00:28Zoai:sedici.unlp.edu.ar:10915/119966Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-03 11:00:28.399SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Optimización de carteras de inversión: un benchmark con modelos clásico, de computación cuántica y de hibridación AI /QC
title Optimización de carteras de inversión: un benchmark con modelos clásico, de computación cuántica y de hibridación AI /QC
spellingShingle Optimización de carteras de inversión: un benchmark con modelos clásico, de computación cuántica y de hibridación AI /QC
Braña, Juan Pablo
Ciencias Informáticas
Computación Cuántica
Procesamiento de Lenguaje Natural Cuántico
Optimización de Cartera de Inversión
Finanzas
Machine learning
AI
title_short Optimización de carteras de inversión: un benchmark con modelos clásico, de computación cuántica y de hibridación AI /QC
title_full Optimización de carteras de inversión: un benchmark con modelos clásico, de computación cuántica y de hibridación AI /QC
title_fullStr Optimización de carteras de inversión: un benchmark con modelos clásico, de computación cuántica y de hibridación AI /QC
title_full_unstemmed Optimización de carteras de inversión: un benchmark con modelos clásico, de computación cuántica y de hibridación AI /QC
title_sort Optimización de carteras de inversión: un benchmark con modelos clásico, de computación cuántica y de hibridación AI /QC
dc.creator.none.fl_str_mv Braña, Juan Pablo
Litterio, Alejandra
Fernández, Alejandro
author Braña, Juan Pablo
author_facet Braña, Juan Pablo
Litterio, Alejandra
Fernández, Alejandro
author_role author
author2 Litterio, Alejandra
Fernández, Alejandro
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Computación Cuántica
Procesamiento de Lenguaje Natural Cuántico
Optimización de Cartera de Inversión
Finanzas
Machine learning
AI
topic Ciencias Informáticas
Computación Cuántica
Procesamiento de Lenguaje Natural Cuántico
Optimización de Cartera de Inversión
Finanzas
Machine learning
AI
dc.description.none.fl_txt_mv La optimización de carteras de inversión representa un desafío para el inversor al momento de seleccionar la combinación correcta de acciones a efectos de maximizar los retornos esperados y minimizar los riesgos. Es así que en contraste con el paradigma de la computación tradicional, la computación cuántica no sólo acelera de manera sustancial el proceso de las computadoras tradicionales si no que optimiza la performance del método que determina cuáles acciones deben ser incluidas en las carteras de inversión y cuáles no. En este trabajo presentamos un estudio de comparación y referencia entre el resultado obtenido por tres diferentes metodologías de optimización de cartera: a) aproximación clásica, b) aproximación cuántica, c) un híbrido entre la aproximación cuántica incorporando criterios de Inteligencia Artificial. Para el primero de los casos utilizamos el modelo de Markowitz, el cual es un algoritmo clásico para determinar carteras eficientes, para nuestra aproximación cuántica hemos trabajado con un algoritmo de optimización cuántico llamado <i>Variational Quantum Eigensolver</i> (VQE) y por último hemos intentado mejorar este último criterio de optimización con un índice de sentimiento calculado con procesamiento de lenguaje natural (NLP) y una métrica de <i>forecasting</i> multivariado basado en <i>Machine Learning</i>.
Eje: Agentes y sistemas inteligentes.
Red de Universidades con Carreras en Informática
description La optimización de carteras de inversión representa un desafío para el inversor al momento de seleccionar la combinación correcta de acciones a efectos de maximizar los retornos esperados y minimizar los riesgos. Es así que en contraste con el paradigma de la computación tradicional, la computación cuántica no sólo acelera de manera sustancial el proceso de las computadoras tradicionales si no que optimiza la performance del método que determina cuáles acciones deben ser incluidas en las carteras de inversión y cuáles no. En este trabajo presentamos un estudio de comparación y referencia entre el resultado obtenido por tres diferentes metodologías de optimización de cartera: a) aproximación clásica, b) aproximación cuántica, c) un híbrido entre la aproximación cuántica incorporando criterios de Inteligencia Artificial. Para el primero de los casos utilizamos el modelo de Markowitz, el cual es un algoritmo clásico para determinar carteras eficientes, para nuestra aproximación cuántica hemos trabajado con un algoritmo de optimización cuántico llamado <i>Variational Quantum Eigensolver</i> (VQE) y por último hemos intentado mejorar este último criterio de optimización con un índice de sentimiento calculado con procesamiento de lenguaje natural (NLP) y una métrica de <i>forecasting</i> multivariado basado en <i>Machine Learning</i>.
publishDate 2021
dc.date.none.fl_str_mv 2021-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/119966
url http://sedici.unlp.edu.ar/handle/10915/119966
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-987-24611-3-3
info:eu-repo/semantics/altIdentifier/isbn/978-987-24611-4-0
info:eu-repo/semantics/reference/hdl/10915/119487
info:eu-repo/semantics/reference/hdl/10915/119490
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
139-143
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1842260499781124096
score 13.13397

Publicaciones similares