IMPORTANTE Evaluación de Portafolio de Inversión en Acciones Utilizando Markowitz, Redes Neuronales e Indicadores Técnicos PDF

UNIVERSIDAD SIMÓN BOLÍVAR
DECANATO DE ESTUDIOS DE POSTGRADO

COORDINACIÓN DE POSTGRADOS EN GERENCIA
ESPECIALIZACIÓN EN FINANZAS DE LA EMPRESA
TRABAJO ESPECIAL DE GRADO
EVALUACIÓN DE PORTAFOLIO DE INVERSIÓN EN ACCIONES

UTILIZANDO MARKOWITZ, REDES NEURALES
E INDICADORES TÉCNICOS
HÉCTOR MIGUEL BEJARANO DABOÍN
Caracas, Mayo de 2008


Informe Final de la evaluación de un portafolio de inversión en acciones

utilizando Markowits, Redes Neurales e Indicadores técnicos presentado a la
Universidad Simón Bolívar por:
HÉCTOR MIGUEL BEJARANO DABOÍN
Como requisito parcial para optar al título de
Especialista en Finanzas de la Empresa
Realizado con la tutoría del Profesor

TOMÁS RODRÍGUEZ
Caracas, Mayo de 2008

ii


Este Trabajo Especial de Grado ha sido aprobado en nombre de la

Universidad Simón Bolívar por el siguiente jurado examinador:
____________________________
Jurado
(Nombre y firma)
____________________________
Tutor
(Nombre y firma)
Fecha: ___________________
iii
DEDICATORIA
En primer lugar, quiero dedicar este trabajo a la memoria de mi papá quien, con
recursos muy escasos, hizo su mayor esfuerzo para que sus hijos tuvieran acceso a
una educación de calidad.
A mi mamá, quien con trabajo arduo y constante continuó con este esfuerzo en la
ausencia de mi papá.
A mi esposa y mis hijos, quienes son el motivo para haber emprendido este
postgrado.
iv
AGRADECIMIENTOS
En primer lugar, debo agradecer a mi esposa por el apoyo y la paciencia que ha

tenido para conmigo durante la realización de esta especialización
A mi tutor, Ing. Tomás Rodríguez, por haber compartido sus conocimientos

conmigo y la compresión que ha tenido con respecto a los inconvenientes que
tuve para cumplir los lapsos previstos.
A todo aquel que de alguna manera colaboró para la culminación exitosa de este
trabajo.
v
RESUMEN
El propósito del presente trabajo fue evaluar un portafolio de inversión en

acciones construido utilizando el procedimiento de selección de cartera de
inversión de Harry Markowitz, redes neurales e indicadores técnicos.
Con el software Matlab, se determinaron las 10 mejores acciones de las 30

que conforman el índice industrial Dow Jones para cada uno de los periodos
evaluados. Con el software Matlab y junto con el software Braincel, el cual
emplea un modelo de redes neurales para el análisis de procesos estocásticos
o aleatorios que permiten predecir los precios de las acciones escogidas, se
calculó el portafolio óptimo o la combinación óptima de tales acciones
usando la metodología de selección de cartera de inversión de Harry
Markowitz. Este procedimiento se realizó para todo el año 2007 y así poder
comparar los resultados obtenidos con lo que realmente pasó en ese año. El
año fue dividido en periodos iguales de cuatro semanas y se calculó un
portafolio nuevo para cada uno de estos periodos. Con la ayuda de dos
indicadores técnicos se determinó el momento apropiado de entrada o de
compra de las acciones en cada uno de los periodos. La rentabilidad total
obtenida al final del año 2007 con todos estos portafolios, se comparó con la
rentabilidad de un portafolio constituido sólo por el índice de mercado
industrial Dow Jones con el fin de determinar la efectividad de la
metodología empleada
La metodología desarrollada resultó ser efectiva en tanto que la rentabilidad

total de los portafolios resultó ser casi tres veces la rentabilidad alcanzada
con el índice industrial Dow Jones, lo que nos permite concluir que la
metodología empleada representa una herramienta valiosa para todos
aquellos inversionistas que deseen invertir en el mercado de capitales.
Palabras claves: Markowitz, redes neurales, Braincel, Anatolyev y Gerko,

indicadores técnicos.
vi
ÍNDICE GENERAL
Hoja de aprobación.......……………………………………………….......… ii
Dedicatoria.............…………………………………………………….……..iii
Agradecimiento...…………………………………………………….……….iv
Resumen.....………………………………………………………….………...v
Índice General.…………………………………...……………….....………..vi
Índice de tablas, figuras y gráficos ................................................................ix
INTRODUCCIÓN..............................................................................................1
FASE DE PLANIFICACIÓN
CAPITULO I PROYECTO DE TRABAJO DE GRADO ...................... 2
1.1. Justificación .............................................................................. 2
1.2. Objetivos
1.2.1. Objetivo general ..................................................... 3
1.2.2. Objetivos específico ................................................. 3
1.3. Metodología
1.3.1. Marco Conceptual .................................................. 4
1.3.2. Marco Metodológico .............................................. 4
1.4. Cronograma de ejecución ............ .......................................... 6
FASE DE EJECUCIÓN
CAPITULO II. MARCO CONCEPTUAL REFERENCIAL ................. 7
2.1. Metodología de selección de cartera de inversión de
Harry Markowitz
2.1.1. Introducción ............................................................. 7
2.1.2. Suposiciones iniciales del Modelo de Markowitz .... 8
2.1.3. El rendimiento esperado ........................................... 8
2.1.4. El riesgo o desviación estándar de la cartera ............. 9
2.1.5. Teorema del conjunto eficiente ................................. 9
vii
2.1.6. Selección de la cartera óptima ................................. 10

2.2. Índice de Dow Jones ................................................................... 11
2.3. Redes Neurales ........................................................................... 12
2.3.1. Braincel .................................................................... 13
2.4. Test de predictibilidad de Anatoyev y Gerko ............................. 14
2.5. Análisis Técnico
2.5.1. Introducción ............................................................ 15
2.5.2. Fundamentos del análisis técnico .......................... 17
2.5.3. Gráficos empleados en el análisis técnico .............. 18
2.5.4. Tendencias ............................................................. 21
2.5.5. Indicadores Técnicos ............................................. 22
2.5.5.1. Medias móviles ......................................... 22
2.5.5.2. MACD ........................................................ 24
2.5.5.3. Oscilador Estocástico rápido %K%D ....... 25
CAPITULO III. EL PROCESO DE LA APLICACIÓN DE LA

METODOLOGÍA ........................................................ 28
3.1. Obtención y organización los datos históricos ....................... 28
3.2. Selección de las acciones del portafolio .................................. 29
3.3. Cálculo del Portafolio óptimo ................................................ 31
3.4. Uso del Programa Braincel ................................................... 31
3.5. Compra del portafolio ........................................................... 43
3.6. Parámetros de Braincel ......................................................... 49
FASE DE EVALUACIÓN
CAPITULO IV. EVALUACION DEL PROCESO DE TRABAJO
ESPECIAL DE GRADO ........................................... 51
4.1. Resultados .............................................................................. 51
4.2. Comparación entre lo planeado y lo ejecutado ....................... 55
CAPITULO V. CONCLUSIONES Y RECOMENDACIONES .......... 57

viii
REFERENCIAS ......................................................................................... 59
ANEXOS .................................................................................................. 61
ix
ÍNDICE DE TABLAS, FIGURAS Y GRÁFICOS

TABLAS
Tabla No. 1. Cronograma de actividades ....................................................... 6
Tabla No. 2. Lista de empresas que componen el Índice Industrial del Dow
Jones ........................................................................................ 11
Tabla No. 3. Ejemplo de hoja de cálculo preparada para usarla en Braincel
con datos históricos y retorno para una acción ......................... 32
Tabla No. 4. Rango de datos para el entrenamiento (train set) en verde ...... 35
Tabla No. 5. Rango de datos de prueba (test set) en amarillo ..................... 36
Tabla No. 6. Precios reales y predichos ...................................................... 40
Tabla No. 7. Hoja de cálculo usando Anatolyev ....................................... 40
Tabla No. 8. Predicción del retorno de la acción para el periodo siguiente 42
Tabla No. 9. Las acciones escogidas con sus valores de “Prob” y las
predicciones de Braincel ..................................................... 42
Tabla No. 10. Selección y compra del portafolio óptimo ........................... 44
Tabla No. 11 Cálculos para obtener el indicador técnico MACD para la
acción AT&T Inc. (T) ......................................................... 46
Tabla No. 12 Cálculos para obtener el indicador técnico %K%D para
la acción AT&T Inc. (T) .................................................... 47
Tabla No. 13. Resultados de los portafolios del Índice Dow Jones y de
acciones usando Braincel e indicadores técnicos MACD
y %K%D ............................................................................. 52
FIGURAS
Figura No. 1 Conjunto Factible ..................................................................... 9
Figura No. 2. Red Neural Artificial ............................................................... 14
Figura No. 3. Diagrama de flujo de los pasos de la metodología ................. 30
Figura No. 4. Nuevo Experto (New Expert) ................................................. 34
Figura No. 5. Tipos de Nodos (Node Type) .................................................. 34
Figura No. 6. Selección del rango de trabajo para el entrenamiento (train set) 37
ii
Figura No. 7. Parámetro para el entrenamiento en Braincel ........................ 37

Figura No. 8. Parámetro para el entrenamiento en Braincel ........................ 38
Figura No. 9. Opciones para visualizar el gráfico durante el entrenamiento .. 38
Figura No. 10. Selección del rango de trabajo para la prueba (test set) ....... 39
Figura No. 11. Selección del rango de trabajo para la predicción (new set) 41
GRÁFICOS
Gráfico No. 1. Gráfico de línea ................................................................... 19
Gráfico No. 2. Grafico de barras ................................................................. 19
Gráfico No. 3. Gráfico de velas japonesas .................................................. 20
Gráfico No. 4. Volumen ............................................................................ 21
Gráfico No. 5. Medias móviles simples ................................................... 22
Gráfico No. 6. Media móvil exponencial .................................................. 24
Gráfico No. 7. MACD ................................................................................ 25
Gráfico No. 8. Oscilador estocástico %K%D .......................................... 27
Gráfico No. 9. Indicador técnico MACD para la acción AT&T Inc. (T) ... 46
Gráfico No. 10. Oscilador Estocástico %K%D para la acción AT&T ...... 48
Gráfico No. 11. Media móvil simple de la diferencia %K-%D para
la acción AT&T .......................................................... 48
Grafico No. 12. Ganancia relativa en cada periodo ................................... 53
Gráfico No. 13. Ganancia absoluta o acumulada ...................................... 53
Gráfico No. 14. Valor de los portafolios ................................................... 54
1
INTRODUCCIÓN
El presente Informe Final del Trabajo Especial de Grado está conformado por tres
fases: planificación, ejecución y evaluación.
En la fase de planificación se muestra el Proyecto de Trabajo Especial de Grado

presentado a las instancias correspondientes donde se exponen las justificaciones
para la realización de este trabajo, sus objetivos, la metodología empleada y el
cronograma de ejecución.
La fase de ejecución está compuesta por dos partes: el Marco Conceptual

Referencial y el Proceso de Aplicación de la Metodología. En la primera se
exponen todos los temas relacionados con la metodología empleada, y en la
segunda, la manera cómo se aplicó tal metodología.
La última fase, la de Evaluación, consta de dos capítulos: Evaluación del Proceso

de Trabajo Especial de Grado, donde se muestran los resultados y se compara lo
planificado con lo ejecutado, y el segundo capítulo corresponde a las
Conclusiones y Recomendaciones.
2
CAPITULO I.
PROYECTO DE TRABAJO DE GRADO

A continuación, se expone el Proyecto de trabajo Especial de Grado
presentado a las instancias correspondientes. Se expone la justificación, los
objetivos, la metodología establecida, concluyendo con el cronograma de
ejecución.
1.1. JUSTIFICACION.
Gracias al auge que ha tenido Internet en los últimos años, el acceso a los
mercados de capitales del mundo se ha facilitado grandemente. Actualmente,
existe una gran cantidad de casas de bolsa en el mundo que les permiten a sus
clientes disfrutar de sus plataformas tecnológicas para tener acceso a los
mercados financieros globales (mercados secundarios) las 24 horas del día,
todos los días del año. Entre esos servicios están la compra y venta de
acciones, así como el acceso a información en tiempo real del precio de las
acciones y otros datos importantes necesarios para que el inversionista tome su
mejor decisión a la hora de invertir en el mercado de capitales, y todo desde su
computadora personal en la comodidad de su casa u oficina. Esto ha permitido
que el pequeño inversionista, el que cuenta con poco capital, pueda invertir en
acciones de casi cualquier empresa en el mundo a un bajo costo y con la
facilidad de monitorearlas desde cualquier computadora alrededor del mundo.
Este inversionista que desea ingresar a este mundo del mercado de capitales, se
encuentra con una gran cantidad de opciones a la hora de invertir: un
numeroso grupo de casas de bolsas con los cuales abrir una cuenta, miles de
empresas que cotizan en una variedad de bolsas de valores, una inmensa
cantidad de información relacionada con cada una de esas acciones. Todo esto
3
hace que sea muy difícil el proceso de decisión sobre la creación de un

portafolio de inversión de acciones. Debido a la complejidad que puede
significar toda esta labor, el inversionista puede estar propenso a tomar
decisiones equivocadas que pueden representar una pérdida importante del
capital invertido.
Con el presente trabajo se pretende crear y evaluar una metodología que le

permita al inversionista contar con una guía en el proceso de conformación de
un portafolio de inversión rentable. Una serie de pasos lógicos que le permitan
basar sus decisiones en un proceso racional y no meramente intuitivo o
emocional.
Los tres elementos considerados para el diseño de esta metodología tales como
el procedimiento de selección de cartera de inversión de Harry Markowitz, el
uso de redes neurales para la predicción de precios y los indicadores técnicos
como señales de compra o venta, podrían representar una combinación
especial e interesante. Además, el uso de dos software, Matlab y Braincel, para
hacer los cálculos de Markowitz y las predicciones con redes neurales
respectivamente, permiten una mayor exactitud y pulcritud en los resultados.
1.2. OBJETIVOS DEL ESTUDIO.

En ese contexto, como objetivos del Proyecto de Trabajo Especial de Grado
se formularon los siguientes:
1.2.1 General: Evaluar un portafolio de inversión utilizando Markowitz,

redes neurales e indicadores técnicos.
1.2.2 Específicos:
• Predecir el valor de las acciones que conformarán el portafolio por
medio del uso del Software “Braincel” que emplea un modelo de redes
neurales.
4
• Conformar un portafolio de inversión usando la metodología de

selección de cartera de inversión de Harry Markowitz, con la ayuda del
software Matlab.
• Determinar cuándo comprar o vender y en qué cantidad cada una de las
acciones escogidas para conformar el portafolio.
• Comparar el valor del portafolio al final del periodo considerado con el
valor del índice del mercado para medir la efectividad del método
empleado.
1.3. METODOLOGÍA.
Para el logro de los objetivos propuestos se siguieron los siguientes pasos:
1.3.1. Marco Conceptual Referencial. El Marco Conceptual comprendió

temas como: metodología de selección de cartera de inversión de Harry
Markowitz, redes neurales como modelo para el análisis de procesos
estocásticos o aleatorios, Índice de mercado Dow Jones.
1.3.2. Marco Metodológico: La Metodología de trabajo estuvo conformada

por las siguientes etapas:
• Escogencia de las acciones que integran el índice industrial del Dow
Jones que conformarán nuestro portafolio.
• Predicción del precio de las acciones escogidas con la ayuda del
Software “Braincel” en base al historial de precios de tales acciones.
Esta predicción se hará para el mes inmediato siguiente, comenzando
el 1ro de enero de 2006 hasta el 31 de diciembre del mismo año,
realizando, por tanto, 12 predicciones para cada una de las 15
acciones que conformarán el portafolio.
• Determinación de la proporción de las acciones escogidas en el
portafolio, empleando el modelo de selección de cartera de inversión
de Harry Markowitz usando el software Matlab.
5
• Selección de la operación a realizar para el mes inmediato siguiente

con respecto a cada una de las acciones escogidas: comprar, vender
(si se había comprado anteriormente, ya que no se considerará
“ventas en corto”) y en qué cantidad, o simplemente no hacer nada.
En este punto se conformarían dos opciones de portafolio con las
acciones escogidas de acuerdo a la información que servirá de base
para seleccionar la operación a realizar. Así:
o Una opción en la que sólo se considerarían los resultados
obtenidos hasta ahora, es decir, la relación de proporción y las
predicciones.
o Otra opción en la que se considerarían la relación de
proporción, las predicciones más las señales de compra o
venta que nos proporcionen tres indicadores técnicos.
• Evaluación de las opciones de portafolio creadas.
Como se mencionó, el periodo de análisis corresponde a todo el año 2006.

Nos imaginamos que estamos en el 1ro de Enero de 2006 y comenzamos a
realizar nuestras predicciones y a crear el portafolio. Como se conoce la data
histórica de precios para ese año, podremos comparar lo que estimamos que
iba a pasar con lo que realmente pasó.
Cada una de las dos opciones de portafolio irá cambiando mensualmente. El

1ro de Enero de 2006 hacemos nuestras predicciones para el final del mes de
Enero y compramos, vendemos o no hacemos ninguna operación; al mes
siguiente, de acuerdo a los resultados obtenidos y a las predicciones para el
mes siguiente, hacemos nuevas operaciones de compra o venta y así
sucesivamente hasta el final del año 2006.
Se contará con un monto inicial ficticio de $10.000 para invertir en cada una
de las opciones de portafolio, por lo tanto, se espera que al final del año el
valor de cada portafolio supere este monto.
6
1.4. CRONOGRAMA DE EJECUCION.

Para el cumplimiento de los pasos establecidos en la metodología se esperaba
cumplir el siguiente cronograma:
Tiempo
Actividad Fecha Probable
Estimado
Elaboración del Marco Conceptual
1 semana 23-29 Julio
Referencial.
Elaboración del Marco del Sector. 1 semana 30 Jul-05 Ago
Examen de la Situación. 1 semana 06-12 Ago
Diseño de la Propuesta 2 semanas 13-26 Ago
Ejecución 2 semanas 27 Ago-09 Sep
Evaluación. 2 semanas 10-23 Sep
Elaboración de Conclusiones y
1 semana 24-30 Sep
Recomendaciones.
Entrega del Informe Final 1ra Versión 1 semana 01-05 Oct
Tabla 1. Cronograma de actividades
Hasta aquí la descripción del Proyecto del Trabajo Especial de Grado

presentado a la Coordinación de Programa de Gerencia. En las páginas
siguientes se expone el proceso cumplido para la realización de lo aquí
señalado.
7
CAPITULO II.
MARCO CONCEPTUAL REFERENCIAL
En este capítulo abordaremos los fundamentos conceptuales y temas relacionados

con la metodología empleada para la construcción del portafolio de inversión
propuesto, tales temas incluyen: metodología de selección de cartera de inversión
de Harry Markowitz, Redes Neurales, Braincel, Índice Dow Jones, Test de
predictibilidad de Anatoyev y Gerko, análisis técnico e indicadores técnico.
2.1. METODOLOGÍA DE SELECCIÓN DE CARTERA DE INVERSIÓN

DE HARRY MARKOWITZ
2.1.1. Introducción
Harry Markowitz es un economista norteamericano que se dio a conocer a raíz de
la publicación de un artículo, “Portfolio Selection”, en la revista “The Journal of
Finance” publicada por “The American Finance Association” en 1952. Este
documento es considerado el origen de la teoría moderna de la cartera.
Antes del trabajo de Markowitz, los inversionistas se concentraban en analizar la

relación riesgo-rendimiento de acciones individuales. Después de hacer este
análisis, el inversionista conformaba una cartera de inversión con aquellas
acciones cuya relación riesgo-rendimiento fuera la más alta; así, si, por ejemplo,
las acciones de las compañías de ferrocarriles eran las que tenían este valor más
alto en comparación con las de otro sector de la industria, el inversionista
conformaba un portafolio de inversión con acciones de varias compañías
ferrocarrileras. Intuitivamente, esto no parecía lo correcto y Markowitz formalizó
esta intuición. Lo que él propuso fue que el inversionista debía encontrar la mejor
relación riesgo-rendimiento de un portafolio de inversión y no la mejor relación
de acciones individuales.
8
A través del retorno esperado, de la desviación estándar y de la correlación

existente entre un grupo cualquiera de acciones, se puede determinar la relación
riesgo-rendimiento de un portafolio. De un universo de posibles portafolios con
ese grupo de acciones se puede determinar el portafolio óptimo con la mejor
relación riesgo-rendimiento, y en esto consiste el trabajo de Harry Markowitz.
2.1.2. Suposiciones iniciales del Modelo de Markowitz

El modelo de Markowitz parte de varios supuestos:
o El inversionista cuenta con un capital determinado para invertir durante un
periodo de tenencia único. Al final de este periodo, el inversionista decidirá
qué hacer con su capital, gastarlo o reinvertirlo aplicando nuevamente el
modelo.
o El rendimiento asociado de la cartera durante el periodo de tenencia es una
variable aleatoria que puede describirse a través de: el valor esperado ( o
media o esperanza matemática) y la desviación estándar. El valor esperado
sería una medida del rendimiento de la cartera y la desviación estándar de su
riesgo.
o El inversionista se debate entre dos fuerzas: el deseo de obtener la mayor
ganancia y su aversión al riesgo.
2.1.3. El rendimiento esperado

El rendimiento esperado de una cartera es el promedio ponderado de los
rendimientos esperados de los valores que la componen. Así:
N
rp = ∑ X i ri , donde:
i =1
rp = rendimiento esperado de la cartera
Xi = proporción del valor inicial invertido en el valor i de la cartera

ri = rendimiento esperado del valor i
N = número de valores de la cartera
9
2.1.4. El riesgo o desviación estándar de la cartera

La desviación estándar de la cartera viene dada por:
⎡ N N ⎤
σ p = ⎢∑∑ X i X j σ ij ⎥ , donde:
⎣ i =1 j =i ⎦
σij = ρijσiσj denota la covarianza de los rendimientos entre el valor i y el valor j
ρij = coeficiente de correlación entre el rendimientos del valor i y el valor j
N = número de valores de la cartera
2.1.5. Teorema del conjunto eficiente

Dado un número determinado de acciones o valores, el inversionista podría
formar un número infinito de carteras al variar la proporción de cada valor dentro
de la cartera; el conjunto de todas estas carteras posibles es lo que se conoce como
conjunto factible (o conjunto de oportunidad). Ver figura No. 1
Figura No. 1 Conjunto Factible
Sin embargo, el inversionista no necesita evaluar todas las carteras posibles para
determinar la mejor cartera. El teorema del conjunto eficiente le permite reducir
este número infinito de carteras a un número finito que representan las mejores
carteras posibles del conjunto factible. Estas carteras forman lo que se llama el
conjunto eficiente y cumplen con las dos condiciones del teorema el cual
10
establece que: un inversionista elegirá su cartera óptima del conjunto de carteras

que:
1. Ofrezcan el máximo rendimiento esperado para niveles variables de
riesgo, y
2. Ofrezcan un riesgo mínimo de niveles variables de rendimiento esperado
El conjunto eficiente, que cumple con las dos condiciones anteriores, es el que
está en la frontera del conjunto factible entre los puntos E y S, los cuales
representan los puntos de menor riesgo y mayor rendimiento esperado,
respectivamente. Esta frontera es la que se conoce como frontera eficiente.
Así, para un determinado valor de rendimiento esperado (que debe estar entre los
valores de rendimiento G y S, los cuales representan respectivamente los valores
mínimo y máximo de rendimiento posible), la mejor cartera será la que tiene el
menor riesgo y es la que esté más a la izquierda justamente sobre la frontera
eficiente mencionada. Para un determinado valor de riesgo o desviación estándar
(que debe estar entre los valores de E y H, los cuales representan respectivamente
los valores mínimo y máximo de riesgo posible), la mejor cartera es la que tenga
el mayor rendimiento y, por tanto, será la que esté más hacia arriba, justamente
también sobre la frontera eficiente.
2.1.6. Selección de la cartera óptima

Pero de todas esas mejores carteras que conforman la frontera eficiente, ¿cuál es
la mejor?, ¿cuál es la que debe escoger el inversionista?. Para escoger la cartera
óptima hacemos uso del cociente o razón de Sharpe (Sharpe Ratio). Este cociente
representa una medida del comportamiento de cada portafolio y resulta de dividir
el retorno del portafolio entre el riesgo o desviación estándar del mismo:
Sharpe ratio = Retorno / Riesgo
Entonces, el portafolio óptimo será aquel cuyo valor del Sharpe Ratio sea el más
alto.
11
2.2. ÍNDICE DOW JONES

El Índice bursátil Dow Jones es un servicio de información financiera que muestra
un conjunto de diferentes índices bursátiles de los mercados de Estados Unidos,
calculados por la empresa Dow Jones & Company. Por su importancia a veces se
habla como índice Dow Jones sin especificar al referirse al más importante de
ellos que es el industrial (DJIA), pero es una forma incorrecta de expresarlo, ya
que existe una diversidad de índice Dow Jones.
Entre los varios índices bursátiles del Dow se encuentran cuatro principales:
El Promedio Industrial Dow Jones también conocido como Dow Jones

Industrial Average (DJIA) es el más importante de todos y refleja el
comportamiento del precio de la acción de las 30 compañías industriales
más importantes y reconocidas de Estados Unidos. Este es el índice que
utilizaremos en este trabajo para comparar nuestro portafolio. A
continuación la lista de estas 30 compañías:
Símbolo Nombre de la empresa Símbolo Nombre de la empresa

AA ALCOA INC JNJ JOHNSON AND JOHNS DC
AIG AMER INTL GROUP INC JPM JP MORGAN CHASE CO
AXP AMER EXPRESS INC KO COCA COLA CO THE
BA BOEING CO MCD MCDONALDS CP
C CITIGROUP INC MMM 3M COMPANY
CAT CATERPILLAR INC MO ALTRIA GROUP INC
DD DU PONT E I DE NEM MRK MERCK CO INC
DIS WALT DISNEY-DISNEY C MSFT MICROSOFT CP
GE GEN ELECTRIC CO PFE PFIZER INC
GM GEN MOTORS PG PROCTER GAMBLE CO
HD HOME DEPOT INC T AT&T INC.
HON HONEYWELL INTL INC UTX UNITED TECH
HPQ HEWLETT PACKARD CO VZ VERIZON COMMUN
IBM INTL BUSINESS MACH WMT WAL MART STORES
INTC INTEL CP XOM EXXON MOBIL CP
Tabla 2. Lista de empresas que componen el Índice Industrial del Dow Jones
12
• El Promedio de Utilidades Dow Jones conocido como Dow Jones Utility

Average (DJUA) donde se reflejan los títulos valores de las 15 mayores
corporaciones de mercados como el gas o la energía eléctrica.
• El Promedio de Transportes Dow Jones conocido como Dow Jones

Transportation Average (DJTA), que incluye las 20 mayores empresas de
transporte y distribución.
• El Promedio Compuesto Dow Jones conocido como Dow Jones
Composite Average (DJCA) es el índice que mide el desempeño de las
acciones de 65 compañías miembros de cualquiera de estos tres índices
principales anteriores.
Las empresas que componen el Promedio Compuesto Dow Jones pueden variar
dependiendo de ciertos criterios, pero la mayoría de ellas son de gran
capitalización. 56 de sus 65 componentes se transan en la bolsa de valores de
Nueva York (NYSE) y otras 9 son operadas en el NASDAQ.
2.3. REDES NEURALES

La inteligencia artificial es una rama de la informática que desarrolla procesos que
imitan a la inteligencia de los seres vivos. Dentro del campo de la inteligencia
artificial, se han desarrollado distintos modelos para el procesamiento de
información, uno de estos modelos son las llamadas Redes Neurales Artificiales
(RNA) o simplemente Redes Neurales.
El modelo de Redes Neurales se inspira en la manera como el sistema nervioso

biológico de los seres vivos más evolucionados procesa la información. Lo que
distingue a este modelo es la estructura del sistema de procesamiento de
información compuesta por una gran cantidad de elementos procesadores
altamente interconectados (neuronas) trabajando al unísono para resolver
determinado problema. Este sistema le proporciona al modelo una gran habilidad
para obtener significados o sentido a un conjunto de datos imprecisos o
complicados y le permite extraer patrones o determinar tendencias que son muy
difíciles de obtener por el ser humano u otra técnica computacional.
13
Las Redes Neurales aprenden a través del ejemplo o la experiencia tal como lo
hacen las personas, y para resolver un problema deben pasar por un proceso de
aprendizaje. Después de este proceso de aprendizaje o entrenamiento (training,
término empleado en inglés), las Redes Neurales pueden considerarse “expertas”
(expert, término empleado en inglés) en relación al conjunto de datos analizados y
pueden usarse para proyectar o predecir determinadas situaciones nuevas que nos
interesen. En este trabajo, se usara esta habilidad del programa para hacer
predicciones de precios para calcular el portafolio óptimo que nos genere una
rentabilidad, pero, sin embargo, esta habilidad de predecir o establecer tendencias
es usada para otros muchos campos como la predicción del tiempo atmosférico,
predicciones de ventas, mercadeo, reconocimiento de palabras escritas,
reconocimiento facial, predicciones de niveles de inventario, reconocimiento de
voz, etc.
2.3.1. Braincel
El software que vamos a usar para las predicciones de precios será Braincel. Este
software es un modelo de redes neurales que trabaja con una gran cantidad de
elementos procesadores (neuronas), agrupados en capas e interconectadas entre sí
(sinapsis) que necesita de un grupo de valores conocidos de entrada (inputs) y de
salida (outputs). Con estos datos de entrada y de salida, el programa calcula la red
y realiza el entrenamiento, como se dijo anteriormente, de tal manera que ante
nuevos valores de entrada pueda predecir nuevos valores de salida.
Las redes neurales se basan en el uso de funciones no lineales suavizadas. Estas

funciones se aplican a combinaciones lineales que avanzan progresivamente a
través de las variables en cada una de las capas, incluso la de entrada, hasta llegar
a la capa de salida que se aproximará al valor real de salida según la capacidad de
la red. La función no lineal, que enlaza las capas a través de los nodos, va
asignando ponderaciones o pesos de tal manera que, a medida que va avanzando a
través de las capas, va convergiendo al valor del nodo en la salida de la red.
Figura No. 2
14
Figura No. 2. Red Neural Artificial
Las funciones no lineales vienen dadas por Yi, los coeficientes wi y ai representan
los pesos o ponderaciones, Xi los valores de entrada y Zi el valor de salida.
Braincel define la relación no lineal a emplear y determina los valores de los
pesos, realiza los cálculos y compara el valor de salida obtenido (Z) con el real. Si
el valor de salida no se aproxima al valor de salida real, el programa realiza un
nuevo ciclo de cálculos asignando nuevos valores a los pesos. Este proceso
iterativo continua hasta que la diferencia entre el valor de salida obtenido sea tan
cercano al valor real, según lo haya establecido el usuario en un parámetro de
error mínimo, o hasta que se cumpla un número determinado de ciclos también
definido por el usuario.
2.4. TEST DE PREDICTIBILIDAD DE ANATOLYEV Y GERKO

El test de predictibilidad de Anatolyev y Gerko, es una descripción estadística que
mide la precisión en el acierto direccional y magnitudinal de un predictor y los
sintetiza en dos parámetros llamados respectivamente Excess Profitability o “EP”
y Probability of Prediction o “Prob.”, la cual es la probabilidad de que una
variable normal centrada en cero y con desviación estándar igual a uno, cubre un
15
valor ubicado dentro del intervalo que va de –EP a +EP, es decir, la probabilidad
de no-independencia de las predicciones y las observaciones.
En este trabajo no haremos una descripción detallada del análisis matemático

realizado por Anatolyev y Gerko para desarrollar este test de predictibilidad. Solo
haremos mención al uso de una hoja de cálculo que nos permite aplicar este test a
los resultados obtenidos con el programa Braincel y determinar si esos resultados
obtenidos son confiables. Sólo usaremos el parámetro “Prob” y mientras más
cercano esté el valor de este parámetro cercano a 1, más confiable serán los
resultados de la predicción evaluados.
Aquellos resultados que al aplicarle el test de predictibilidad arrojaban un valor

del “Prob” por encima de 0,75 eran considerados aceptables; si estaban por
debajo, se ejecutaba de nuevo Braicel cambiando algunos parámetros hasta
obtener un valor del “Prob” por encima de 0,75. Algunas veces esto no se
conseguía tras varias iteraciones, por lo que se aceptaban esos resultados; sin
embargo, la mayoría de las predicciones pasaban el test de predictibilidad.
2.5. ANÁLISIS TÉCNICO

2.5.1. Introducción
El análisis bursátil clásico tiene como objetivo el estudio de los mercados
financieros y de los valores que lo constituyen. Con este análisis se pretende
conseguir información relevante que ayude en las decisiones de inversión en
situaciones de incertidumbre.
Se divide en dos categorías, en ocasiones contrapuestos:

o Análisis fundamental, también conocido como análisis financiero
o Análisis técnico de valores
Ambas categorías parten de suposiciones diferentes a la hora de interpretar el

comportamiento de los mercados financieros. Pueden ser utilizados tanto en los
mercados al contado como en los mercados de futuros, tanto de activos
16
financieros como de materias primas o bienes tangibles, y pretenden, en líneas

generales, determinar qué valores, activos, mercados pueden ser más atractivos en
nuestro afán de invertir.
El análisis fundamental consiste en recabar información, organizarla en una

estructura lógica y utilizarla después para determinar el valor intrínseco de una
acción. Dada una tasa de retorno deseado y una evaluación del grado de riesgo
implícito en cierta transacción, el valor intrínseco representa un cálculo del valor
básico de una acción. Este valor intrínseco se calcula a partir de estimaciones
futuras acerca del entorno económico y político, así como del desempeño y de los
flujos de caja futuros de la empresa en estudio. Este valor constituye una norma a
partir de la cual el inversionista puede juzgar si una emisión particular está
subvaluada, valuada de manera correcta o sobrevaluada. Este concepto general de
valuación se funda en la idea de que todos los títulos de inversión poseen un valor
inherente o intrínseco al que su precio de mercado o comercialización pretende
aproximarse en un momento determinado. El inversionista entonces comprará
aquella acción cuyo valor en el mercado esté subvaluada, ya que se espera que
esta acción alcance su valor intrínseco en el tiempo. Las herramientas empleadas
para realizar el análisis fundamental son: razones financieras calculadas en base a
la información que suministran los estados financieros periódicos de la empresa a
evaluar, técnicas de valuación de empresas, previsiones económicas (análisis del
entorno), información económica en general y cualquier tipo de información
adicional que afecte al valor de un título.
El análisis técnico es el estudio de los movimientos del mercado, principalmente

mediante el uso de gráficos, con el propósito de pronosticar las futuras tendencias
de los precios. Las tres fuentes principales de información disponibles para el
estudio de los movimientos del mercado son: precio, volumen e interés abierto (el
interés abierto se usa sólo en futuros y opciones y, por tanto, no será tema de
estudio en este trabajo).
17
Ambas categorías del análisis bursátil tratan de dar respuesta a la misma pregunta:
¿en qué dirección se moverá el precio de la acción?, pero cada una de ellas lo
considera desde una posición diferente. El análisis fundamental estudia la causa
del movimiento del mercado, mientras que el análisis técnico estudia el efecto. En
el análisis fundamental, al calcular el valor intrínseco de la acción se determinará
en qué dirección debería ir el precio del mercado, ya que éste debería acercarse a
aquél en el tiempo; si el precio actual del mercado es menor que el valor
intrínseco calculado, el precio del mercado debería subir hasta alcanzar ese valor.
En el análisis técnico, a través de gráficos y de ciertos indicadores técnicos,
basados ambos en el precio de la acción en el pasado, se determina la dirección en
la que probablemente se moverá el precio.
2.5.2. Fundamentos del análisis técnico

El análisis técnico se basa en tres premisas:
1. Los movimientos del mercado lo descuentan todo
Esta premisa señala que cualquier cosa que pueda afectar el precio de una acción
(razones económicas, políticas, psicológicas, etc.) se refleja realmente en el precio
de ese mercado. El analista técnico o chartista cree que los movimientos del
precio reflejan los cambios de la oferta y la demanda: si la demanda supera la
oferta, los precios deberían subir; si la oferta supera la demanda, los precios
deberían bajar. Él sabe que existen esas razones por las cuales los mercados suben
o bajan, pero no cree que sea necesario conocer esas razones para realizar su
propósito.
2. Los precios se mueven por tendencias.
El análisis técnico considera que los precios de una acción se moverán con una
tendencia (ya sea alcista o bajista), en una misma dirección, durante un tiempo
hasta que dé muestras de un cambio en la tendencia. De esta manera, identificada
una tendencia en el precio, el inversionista deberá seguir esa tendencia hasta que
dicha tendencia termine. Por ejemplo, si el analista observa una tendencia alcista
en el precio de una acción, deberá comprar esa acción. Si la tendencia supuesta
fue la correcta, el precio subirá y por tanto comenzará a ganar dinero. Cuando se
observen las señales de que la tendencia alcista esté terminando y que comenzará
18
a bajar el precio, el inversionista deberá vender la acción para conservar las

ganancias de capital alcanzadas.
3. La historia se repite.
En el análisis técnico se han identificado una gran cantidad de patrones gráficos
que dan señales de un movimiento determinado del precio en el futuro. Son
imágenes que reflejan la psicología alcista o bajista del mercado y como han dado
muestras de que han funcionado de manera satisfactoria en el pasado para predecir
los precios, se supone que seguirán funcionando en el futuro. Se supone que
seguirán funcionando porque están basados en la psicología humana, la cual tiene
tendencia a no cambiar.
2.5.3. Gráficos empleados en el análisis técnico

Los gráficos de precios son la herramienta principal del análisis técnico. En ellos
se representa el tiempo en el eje horizontal y el precio en el eje vertical. De
acuerdo al periodo de tiempo representado, los gráficos pueden ser anuales,
mensuales, semanales, diarios o intradía, donde el tiempo considerado puede ser
de horas o minutos.
Existe una variedad de gráficos de precios entre los que se destacan:

o Gráfico de línea. Es el más simple de todos los gráficos. Se construye
uniendo con una línea el precio de cierre de la acción para el periodo
considerado. Ver Gráfico No.1.
o Grafico de barras. Es el gráfico más empleado. En cada barra, dibujada
como una línea vertical, se representan cuatro puntos importantes del
movimiento del precio en cada unidad de tiempo del periodo considerado.
Así, el extremo superior de la barra representa el precio máximo alcanzado
por la acción en la unidad de tiempo; el extremo inferior, el precio mínimo;
una pequeña marca a la derecha de la barra, el precio de cierre; y una
pequeña marca a la izquierda de la barra, el precio de apertura de la acción.
Gráfico No. 2.
o Gráfico de velas japonesas. Es muy parecido al gráfico anterior. En este
caso el precio de apertura y cierre se representan con los extremos superior e
19
inferior de una barra sólida. Si la barra se muestra blanca o con un color

claro, significa que el precio de cierre fue mayor que el de apertura. Si la
barra se muestra negra o con un color oscuro, significa que el precio de
cierre fue menor que el de apertura. Adicionalmente, una línea vertical sobre
la barra anterior representa el precio máximo alcanzado en la sesión y una
línea vertical por debajo de la barra, el precio mínimo alcanzado en la
sesión. Ver Gráfico No. 3.
Gráfico No. 1. Gráfico de línea
Gráfico No. 2. Grafico de barras

20
Gráfico No. 3. Gráfico de velas japonesas

Existen otros tipos de gráficos como los de Punto y Figura, Equivolumen, Kagi,
que no consideraremos en el presente trabajo.
Otro elemento importante de información que debe incluirse en los gráficos es el

volumen. Éste representa la suma total de operaciones de un mercado en un día
determinado, el número de acciones comunes que cambian de mano en un día
concreto en el mercado de valores. El volumen se registra por medio de barras
verticales en la parte inferior del gráfico, debajo de la barra de precios de ese día.
Mientras más alta la barra de volumen, mayor habrá sido el número de
operaciones ese día. Ver Gráfico No. 4.
21
Volumen
Gráfico No. 4. Volumen
2.5.4. Tendencias
Como se dijo anteriormente, una de las premisas del análisis técnico es que el
mercado se mueve por tendencias. Una tendencia es la dirección en la cual se
mueve el precio. Sin embargo, el mercado nunca se mueve en una dirección en
línea recta sino en una serie de zigzas, una sucesión de valles y picos. La dirección
en que se mueven estos valles y picos es lo que determina la dirección de la
tendencia, por ejemplo, una tendencia alcista o ascendente se caracteriza por una
sucesión de picos y valles cada vez más altos.
La tendencia puede tener tres direcciones: ascendente, descendente y lateral. La

tendencia lateral a veces no se considera una tendencia, sino más bien una falta de
tendencia; sin embargo, esta clasificación nos permite establecer la acción a seguir
por un inversionista para cada una de las tendencias. El inversionista ante el
comportamiento del mercado puede tomar una de tres decisiones: comprar, vender
o simplemente no hacer nada y apartarse. Dependiendo de la tendencia del
mercado, el inversionista deberá comprar si el mercado es alcista, vender si es
bajista o apartarse si la tendencia es lateral.
22
2.5.5. Indicadores Técnicos

Los indicadores técnicos son cálculos matemáticos realizados en base al precio de
una acción. Los resultados de estos cálculos se usan para anticipar un cambio
futuro o simplemente para determinar la dirección de la tendencia del precio. Las
señales que nos den estos indicadores nos permitirán tomar una decisión con
respecto a si comprar, vender o no hacer nada con respecto a determinada acción.
Los indicadores técnicos que emplearemos en este trabajo son: las medias móviles
(simple y exponencial), el MACD y el oscilador estocástico rápido %K%D.
2.5.5.1. Medias móviles

Una media móvil simple o aritmética (en inglés: simple moving average, SMA) es
un indicador técnico que muestra el promedio del precio de una acción en un
número “n” determinado de periodos de tiempo, ya sea de horas, días o semanas;
a medida que cambia el precio, este promedio se mueve hacia arriba o hacia abajo.
La expresión móvil se usa porque sólo se usan los precios de los últimos “n”
periodos para hacer el cálculo; por lo tanto, el bloque de información que se ha de
promediar se traslada hacia delante con cada nuevo periodo.
Si se desea calcular una media móvil simple a 10 días, por ejemplo, se toman los
precios de cierre de la acción de los últimos 10 días y se calcula el promedio (se
suman todos los precios y se divide entre 10). Al haber otro precio de cierre, se
descarta el valor del precio de cierre de 11 días atrás y se toma el nuevo precio de
cierre para calcular el promedio. En el Gráfico No. 5 podemos ver la línea de
precios (negro y rojo) y la línea de la media móvil a 10 días (línea azul).
Precios
Media
Móvil
Gráfico No. 5. Medias móviles simples

23
La media móvil es esencialmente una forma de seguir una tendencia. Por su

naturaleza, la línea de la media móvil va por detrás del mercado, por lo que es un
seguidor y no un líder. Nunca anticipa, sólo reacciona y su respuesta, por tanto,
tiene un retraso. Pero la media móvil es un mecanismo que suaviza, facilitando la
visión de la tendencia subyacente. Una crítica que se le hace a la media móvil
simple es que le da el mismo peso a todos los precios en el periodo considerado lo
que puede traer distorsiones en cuanto a lo que está pasando actualmente con el
precio.
La otra media móvil que usaremos es la media móvil exponencial (en inglés:
exponential moving average, EMA). Esta media móvil le da mas peso a los
valores más recientes y menos a los más lejanos. Para esto se le aplica un
porcentaje al precio de cierre de hoy con respecto al valor de la media móvil de
ayer. Así:
Mmeh9% = Ch * 0.09 + Mmea * 0.91 donde:
Mmeh9% = Media móvil exponencial de hoy al 9%
Ch = Cierre de hoy
Mmea = media móvil exponencial de ayer
Como los analistas prefieren el uso de periodos de tiempo en vez de porcentajes,

se hace una transformación a través de la fórmula:
2
Porcentaje exponencial =
(Periodo de tiempo + 1)
Si sustituimos en la primera fórmula y haciendo algunos ajustes, obtenemos:

⎛ ⎞
Mmeh = Mmea + (Ch − Mmea ) * ⎜
2
⎟ , donde:
⎝ Periodo + 1 ⎠
Mmeh = media móvil exponencial de hoy
Mmea = media móvil exponencial de ayer
Ch = Cierre de hoy
24
En el Gráfico No. 6 vemos un gráfico de precios de una acción mostrando la

media móvil simple y la exponencial ambas a 10 días. Podemos apreciar cómo la
exponencial se acerca más a los movimientos de los precios que la media móvil
simple.
Media móvil exponencial
Media móvil
simple
Gráfico No. 6. Media móvil exponencial
Cuando se usan dos medias móviles, las señales de compra y venta de la acción se
dan cuando la más rápida (de menos periodos) corta a la más lenta (mas periodos).
Si la media móvil rápida corta a la media móvil rápida en sentido ascendente se da
una señal de compra de la acción; si la corta en sentido descendente, se da la señal
de venta.
2.5.5.2. MACD
El MACD (del inglés: Moving Average Convergente/Divergence) o
Convergencia/Divergencia de la media móvil es un indicador de tendencia que
muestra la relación entre dos medias móviles de los precios de una acción. Es la
diferencia entre una media móvil exponencial de 26 periodos y otra de 12. Esta
diferencia se grafica como una línea. Adicionalmente, se grafica otra línea
(llamada la línea de señal) que es una media exponencial a 9 periodos de los
valores de la diferencia (MACD) calculada anteriormente. Cuando la línea del
25
MACD cruza la línea de señal de manera ascendente nos sugiere que se debe
comprar la acción; si la cruza de manera descendente, debemos vender.
MACD
Línea de señal
Gráfico No. 7. MACD
En la Gráfico No. 7. se puede apreciar en la parte inferior del gráfico la línea del
MACD (negra) y la línea de señal (roja). Por ejemplo, el 12 de Marzo se dio una
señal de compra cuando la línea negra corta la línea roja en sentido ascendente.
Adicionalmente, vemos unas barras azules que representan la diferencia entre el
valor de la línea negra y el de la línea roja. Cuando la barra está por encima de 0,
se da una señal de compra y si está por debajo de 0, una señal de venta.
Como el MACD se construye en base a medias móviles sus señales tienen cierto
retraso con el mercado.
2.5.5.3. Oscilador Estocástico rápido %K%D

Este indicador compara el precio de cierre de una acción con respecto al rango de
precios (máximos y mínimos) que ha tenido en un periodo de tiempo
26
determinado. El periodo de tiempo más usado es el de catorce y es el que

usaremos en este trabajo.
En este indicador se usan dos líneas: la %K y la %D. La fórmula para calcular la

primera es la siguiente:
⎡ (Pc − L ) ⎤
% K = 100 * ⎢ ⎥
⎣ ( H − L) ⎦
Pc = Precio de cierre de hoy

L = El menor de los mínimos del valor del precio en el periodo
H = El mayor de los máximos del valor del precio en el periodo
La fórmula mide, en una base porcentual de 0 a 100, dónde está el precio de cierre
en relación con la banda de precios total de un periodo determinado.
La segunda línea a graficar, %D, es una media móvil simple de 3 periodos de la

línea %K. En el Gráfico No. 8. se muestran las líneas %K (negra) y la %D (roja)
debajo de la curva de precios de la acción de American Express (AXP).
Los métodos que se emplean para establecer las señales de compra o venta son las
siguientes:
Cuando la línea %K (más rápida) cruza la línea %D (más lenta) de manera
ascendente nos sugiere que se debe comprar la acción; si la cruza de manera
descendente, debemos vender.
Cuando la línea %K o la %D caen por debajo del valor de 20 y luego suben
por encima de este valor, comprar. Cuando la línea %K o la %D suben por
encima del valor de 80 y luego caen por debajo de este valor, vender.
Observar las divergencias entre la línea D y el precio del mercado cuando la
línea %D está en las zona sobrecomprada (por encima de 80) o
sobrevendida (por debajo de 20). Existe una divergencia bajista cuando la
27
línea %D está por encima de 80 y forma dos picos descendentes mientras

que los precios continúan moviéndose al alza: entonces se debe vender.
%K
%D
Gráfico No. 8. Oscilador estocástico %K%D

28
CAPITULO III.
EL PROCESO DE LA APLICACIÓN DE LA METODOLOGÍA
En el presente capítulo, haremos una descripción de cada uno de los pasos que
conforman la metodología empleada para la selección del portafolio de inversión.
En la figura No. 3 se muestra un diagrama de flujo de todos los pasos de la

metodología. Como podemos ver, todos los pasos se pueden agrupar en cuatro
actividades principales (distinguidas con diferentes colores): obtener y organizar
los datos históricos (pasos 1 y 2), escoger las acciones que conformarán nuestro
portafolio (pasos del 3 al 7), calcular el portafolio óptimo que se podría obtener
con las acciones escogidas (pasos del 8 al 12) y comprar el portafolio (pasos 13 y
14).
3.1. OBTENCIÓN Y ORGANIZACIÓN DE LOS DATOS HISTÓRICOS

El primer paso de la metodología consistió en obtener los datos históricos de las
acciones que conforman el índice Dow Jones. Para que el programa de predicción
tuviera suficientes datos para trabajar, se decidió bajar los datos de 10 años atrás,
desde 1996. En la página web http://parisinet.com, en la sección “downloads”, se
consigue un programa que permite bajar el historial de precios de las acciones que
conforman el Dow Jones desde el portal financiero de yahoo:
http://finance.yahoo.com/. Este programa, basado en el entorno de Microsoft
Excel, baja los precios diarios dentro de un rango establecido por el usuario, pero
posteriormente deben ser ajustados (este ajuste lo calcula el programa), tanto
diarios como semanales, para corregir desajustes ocasionados por días feriados y
uniformizar todos los datos para su uso adecuado con los programas a emplear:
Matlab y Braincel.
29
El segundo paso fue organizar los datos semanales tomando sólo los datos cada 4
semanas.
3.2. SELECCIÓN DE LAS ACCIONES DEL PORTAFOLIO

Con el tercer paso, entramos en la segunda actividad principal que nombramos al
principio: la escogencia de las acciones que conformarán el portafolio. En este
paso se calculó, con la ayuda del Matlab, el retorno de todas las acciones del Dow
Jones para los últimos 40 períodos (de 4 semanas cada uno) anteriores a Enero de
2007. Como cada período es de 4 semanas, equivale a unas 160 semanas atrás,
abarcando hasta principios de 2004. El haber tomado 40 períodos fue simplemente
considerado como un valor razonable para evaluar el comportamiento que venían
presentando las acciones antes del 2007. El cálculo del retorno en Matlab se
realiza con la función “price2ret” y para ello se escribe:
[RetSeries,RetIntervals] = price2ret(TickSeries, [],‘Periodic’), donde:
TickSeries es la matriz (40 x 30) de precios de todas las acciones para los 40
períodos
RetSeries es la matriz de retorno (39 x 30) o rendimiento de las acciones.
Aunque se menciona en la Fase de Evaluación, el autor considera importante

señalar en este momento que las predicciones se realizarán para el año 2007 y no
para el 2006 como está pensado inicialmente
En el cuarto paso, con la función “ewstats” de Matlab, calculamos el retorno

esperado de las acciones y la matriz de covarianza esperada. En Matlab
escribimos:
[ExpReturn, ExpCovariance, NumEffObs] = ewstats(RetSeries, DecayFactor,
WindowLength), donde:
ExpReturn es la matriz de retorno esperado
ExpCovariance es la matriz de covarianza esperada.
RetSeries es la matriz de retorno que obtuvimos en el paso anterior.
DecayFactor es un factor de cálculo, usamos 0,9.
WindowLength es un factor de cálculo, usamos 20.
30
1 2 3 4
Retorno 5
Bajar Agrupar Retorno esperado 6
últimos
datos a 4 sem
40 datos Matriz Covarianza Desv.
esperada Sharpe Ratio
estándar
7 8 10 11 12
Selección 10 Nueva matriz de Retorno del portafolio Selección de
Sharpe Ratio
acciones covarianza Portafolio
del portafolio
Riesgo o desviación óptimo
9 estándar del portafolio
Retorno esperado
con BRAINCEL Combinación de
acciones en el portafolio
Sólo con resultados 13

de Braincel
Compra de acciones
de portafolio óptimo
Con resultados de Braincel e 14
indicadores técnicos
Figura No. 3. Diagrama de flujo de los pasos de la metodología

31
Calculamos la desviación estándar o riesgo de las acciones con la matriz de

covarianza esperada obtenida en el paso anterior y la función “STDVec” de
Matlab para cumplir con el quinto paso. Escribimos:
STDVec = sqrt(diag(ExpCovariance))
En el sexto paso calculamos el Sharpe Ratio = ExpReturn / STDVec para cada

una de las acciones.
Con el séptimo paso escogemos las 10 acciones que usaremos en nuestro

portafolio, esto lo hacemos tomando aquellas 10 acciones que tengan el valor de
Sharpe Ratio más alto.
3.3. CÁLCULO DEL PORTAFOLIO ÓPTIMO

En el octavo paso, conformamos la matriz de covarianza esperada de las 10
acciones escogidas. Para ello, tomamos la matriz de covarianza esperada
calculada en el cuarto paso y eliminamos las filas y columnas de todas las
acciones que no correspondan con las acciones escogidas; esta matriz resultante
debe ser de 10 x 10.
El noveno paso es el más importante, el más largo y el que le imparte a este

trabajo especial de grado su característica distintiva. En este paso calcularemos el
retorno esperado para el período siguiente de cada una de las acciones escogidas
usando el programa de predicciones Braincel.
3.4. USO DEL PROGRAMA BRAINCEL
El programa Braincel es un programa que funciona como complemento dentro del

ambiente de Microsoft Excel, lo que nos facilita el manejo de los datos históricos
así como la realización ciertos cálculos necesarios que serán utilizados por el
programa para realizar las predicciones.
32
Para usar el programa Braincel se organizó la información para cada una de las
acciones escogidas, según se muestra en la hoja de Excel de la Tabla No. 3:
Tabla No. 3. Ejemplo de hoja de cálculo preparada para usar con Braincel con los
datos históricos y retornos para una acción.
En la columna B, numeramos cada uno de los períodos partiendo de la

última semana del 2006, tanto hacia delante como hacia atrás (esto nos
servirá más adelante para determinar el número de períodos a usar con
Braincel). Vemos como en el año 2007 habrá 13 períodos o iteraciones.
En la columna D están los precios de la acción en cuestión como la
organizamos en un principio, cada 4 semanas.
En la columna E se calculó el porcentaje de variación de la acción o retorno
con respecto al período anterior. El programa Braincel no predecirá precios
en sí, sino porcentaje de variación o retorno esperado.
33
En las columnas de la F a la I, se calculó el porcentaje de variación para

distintos intervalos, a 2, 5, 10 y 15, a partir de la columna E. Las columnas
de la E a la I serán las entradas o “inputs” para Braincel.
La columna J es la salida o “output” que usará Braincel para realizar sus
cálculos internos y hacer la predicción del período siguiente. Esta columna
está representada por el porcentaje de variación de la acción para el período
inmediato siguiente, como conocemos los datos pasados podemos
conocerla: así por ejemplo, la casilla J140 es E141.
La columna K representa la columna de predicciones o “calculated output”
que hará Braincel.
Después de preparar los datos, “inputs” y “outputs” que usará Braincel,

procedemos a hacer la primera predicción. Detallemos cada uno de los pasos para
correr el programa:
Después de instalarlo, desde Excel, abrimos el menú “Braincel” y luego
activamos “Braincel Menu”.
En el menú File, creamos un “New Expert”. Saldrá una ventana como la
mostrada en la figura No.4. Colocamos nombre al archivo, número de
“inputs” (5 = columnas de la E a la I) y número de “outputs” (1 = columna
J). Podemos ver que la ventana nos sugiere usar como mínimo 72 filas para
el “train set” y 28 para el “test set”. El “train set” es el conjunto de datos que
usa el programa para “entrenarse” o analizar la relación entre los datos. El
“test set” es el conjunto de datos que usa el programa para probar si ese
“entrenamiento” ha sido correcto. Después de varias pruebas iniciales, antes
de comenzar todas las iteraciones de cada acción, usé distintos valores para
el “train set” y para el “test set” y observé que los mejores valores se
obtenían precisamente con 72 y 28 respectivamente. Aceptamos la ventana
seleccionando OK.
34
Figura No.4. Nuevo Experto (New Expert)

En la próxima ventana seleccionamos “Linear (funtion modeling)” y
aceptamos.
Figura No. 5. Tipos de Nodos (Node Types)
Ahora crearemos en Excel los conjuntos de datos “train set”, “test set” y
“new”:
o “train set”: es el conjunto de datos (verde) que va desde el 01/12/06
fila 1 numerada (fila 145 de Excel) hasta 72 filas hacia atrás
22/06/01 (fila 74 de Excel), abarcando las columnas de la E a la J.
35
Ver Tabla No.4. Para la acción T, llamaremos a este conjunto de

datos T_TR72
Tabla No.4. Rango de datos para el entrenamiento (train set) en verde
o “test set”: es el conjunto de datos (amarillo) que va desde el

01/12/06 fila 1 numerada (fila 145 de Excel), hasta 28 filas hacia
atrás 05/11/04 (fila 118 de Excel), abarcando las columnas de la E
a la K (sin incluir la J). Ver Tabla No. 5. Para la acción T,
llamaremos a este conjunto de datos T_TE28
36
Tabla No. 5. Rango de datos de prueba (test set) en amarillo
o “new set”: es el conjunto de datos (gris) de la fila 0 (fila 146 de

Excel) que utiliza el programa para hacer la predicción del período
inmediato siguiente que queremos. Esta predicción la coloca en la
casilla K146 y esperamos que se parezca al valor de la casilla
E147. Ver Tabla No. 5. Para la acción T, llamaremos a este
conjunto de datos T_NEW1
En el menú “Expert” seleccionamos “New Train” y aparece una ventana
como en la figura No. 6. Seleccionamos la hoja de Excel donde estamos
trabajando y luego seleccionamos el “train set” que creamos en el paso
anterior (T_TR72) y seleccionamos “Add” y luego OK.
37
Figura No. 6. Selección del rango de trabajo para el entrenamiento (train set)
En la ventana de la figura No. 7 colocamos el número máximo de ciclos, el

“learning rate” y seleccionamos la opción para mostrar el gráfico durante el
“training”. Más adelante veremos los valores que usé para estos parámetros
para que convergieran los resultados. Seleccionamos OK
Figura No. 7. Parámetros para el entrenamiento en Braincel
En la ventana de la figura No. 8 colocamos los valores de “Outlier error cap

multiplier” y el de “Outlier factor”. Seleccionamos OK.
38
Figura No. 8. Parámetros para el entrenamiento en Braincel
En las ventanas siguientes de la figura No. 9 selecciono las opciones que se

muestran. Selecciono OK. Ahora comienza el “training” o análisis de los
datos por parte del programa
Figura No. 9. Opciones para visualizar el gráfico durante el entrenamiento
Después que el programa termina el proceso del “training”, procedemos a

realizar el “test”. Para ello, vamos al menú “Expert”, escogemos la opción
39
“Ask Expert” y aparece una ventana como de la figura No. 10 y escogemos

el rango “test set” que preparamos previamente para la acción en cuestión y
aceptamos.
Figura No. 10. Selección del rango de trabajo para la prueba (test set)
Aceptamos “Standard display”
Con los resultados (calculated output) del test, en términos de retorno,

calculamos el precio de la predicción y los agrupamos junto con los valores
reales, como se muestra en la tabla de la Tabla No. 6. La columna D son los
resultados del “test”, la columna E los valores de la acción en el periodo
inmediato siguiente y la columna F los valores de la predicción de la acción
en términos de precio. Las columnas E y F son las que usamos en el archivo
Excel de Anatolyev (Tabla No. 7, columnas A y B respectivamente) para
determinar que tan buenos son los resultados del “test”. Si el valor PROB
(casillo J8) estaba por encima de 0.75, lo consideramos aceptable; sin
embargo, aceptamos algunos valores por debajo de 0.75 si después de varias
40
corridas no superaba este valor. La mayoría de las corridas convergía, al

cambiar los parámetros adecuadamente.
Tabla No. 6. Precios reales y predichos
Tabla No. 7. Hoja de cálculo usando Anatolyev

41
Después de aceptar el valor del PROB obtenido, procedemos a realizar la

predicción para el periodo inmediato siguiente que es la que deseamos
realmente. Para ello, vamos al menú “Expert”, escogemos la opción “Ask
Expert” y aparece una ventana como de la figura No. 11 y escogemos el
rango “new set” que preparamos previamente para la acción en cuestión y
aceptamos.
Figura No. 11. Selección del rango de trabajo para la predicción (new set)
Aceptamos “Standard display” y obtenemos el valor de la predicción para la

acción para el período inmediato siguiente. Ver Tabla No. 8.
42
Tabla No. 8. Predicción del retorno de la acción para el periodo siguiente
Luego estos valores se llevaban a la Tabla No. 9, donde la columna Q

representa el vector de retorno esperado de las 10 acciones escogidas y que
usaremos en el próximo paso para calcular el portafolio óptimo.
Tabla No. 9. Las acciones escogidas con sus valores de “Prob” y las predicciones
de Braincel
43
En el paso décimo, calculamos la frontera eficiente del conjunto factible de

posibles portafolios que se podrían construir con las acciones escogidas. Para ello
calculamos el riesgo o la desviación estándar del portafolio, el retorno del
portafolio y la combinación óptima de acciones que debe tener el portafolio:
PortRisk, PortReturn y PortWts respectivamente. Esto lo conseguimos usando la
función “Frontcon” del Matlab. Así, escribimos en Matlab:
[PortRisk, PortReturn, PortWts] = frontcon(ExpReturn, ExpCovariance,
NumPorts) donde:
ExpReturn: Vector de retorno esperado obtenido del Braincel
ExpCovariance: la matriz de covarianza obtenida en el octavo paso.
NumPorts: número de portafolios o combinaciones a obtener con nuestras
diez acciones. Colocamos 10 combinaciones.
En el paso undécimo calculamos el Sharpe Ratio como en el sexto paso:

Sharpe Ratio del portafolio = PortReturn / PortRisk
En el paso duodécimo escogemos el portafolio óptimo que será el que tenga el

valor de Sharpe Ratio más alto. Ver Tabla No. 10, fila No. 8.
3.5. COMPRA DEL PORTAFOLIO

En el paso décimo tercero, compramos las acciones que conforman el portafolio
óptimo obtenido con los resultados de Braincel y evaluamos su valor al final del
período en cuestión. Las acciones se compran al precio al inicio al periodo y se
venden al precio al final del periodo. En la Tabla No.10 se muestra el portafolio
para el primer mes o período de 4 semanas.
Para construir el portafolio para el nuevo periodo, se realizan los pasos

nuevamente desde el tercer paso, pero los rangos de datos que usaremos en
Braincel para el “train set”, “test set” y “new” se desplazan una fila hacia abajo.
44
Tabla No. 10. Selección y compra del portafolio óptimo
Así, por ejemplo, para la primera predicción, los datos correspondientes a los
datos de “new” están en la fila 0 para predecir el precio para el mes o periodo 1,
para la segunda predicción tomamos ahora los datos de “new” en la fila 1 para
predecir el precio para el mes o periodo 2 y así sucesivamente hasta llegar al
periodo 13 para completar todo el año 2007. Este desplazamiento es
independiente si las acciones del siguiente periodo no correspondan con las del
periodo anterior, es decir, si para el segundo periodo las acciones no son las
mismas que el periodo anterior tomamos los datos de las nuevas acciones
correspondientes a la fila 1.
En el décimo cuarto paso usaremos las señales de entrada que nos sugieran los
indicadores técnicos para comprar las acciones del portafolio óptimo en el
momento apropiado, que no necesariamente será el primer día de cada periodo.
Los indicadores técnicos usados fueron el MACD y el oscilador estocástico rápido
%K%D. Probaremos con la señal de entrada del MACD solamente, luego con las
del oscilador estocástico rápido %K%D solamente y, por último, con las señales
de los dos indicadores. En este último caso, el punto de entrada será cuando
ambos indicadores den la señal de compra simultáneamente.
45
Venderemos las acciones el último día del periodo. Esto último lo hacemos así
porque Braincel hizo una predicción de precio para el final del periodo y debemos
respetarla, ya que se supone que la predicción del precio de la acción nos dará el
mejor rendimiento al final del periodo.
En la Tabla No. 11 se muestran los cálculos realizados para obtener el indicador

técnico MACD para la acción AT&T Inc. (T) durante el tercer periodo (26-02-07
al 26-03-07). En la columna G están los valores del MACD, en la H los de la
línea de señal y en la J la diferencia entre ambas. Cuando esta diferencia es
positiva indica que el MACD está por encima de la línea de señal y se debe
comprar la acción. La columna K nos indica lo que debemos hacer de acuerdo al
valor de esa diferencia. En el Gráfico No. 9 se muestran las líneas del MACD
(azul), la línea de señal (magenta) y la diferencia de ambas (amarilla).
Entonces, podemos notar que el día 14-03-07 se nos da la señal de compra para
esta acción, la cual mantendremos hasta el final del periodo (en este ejemplo
26-03-07) sin importar lo que nos diga el indicador posteriormente.
En la Tabla No. 12 se muestran se muestran los cálculos realizados para obtener el

indicador técnico %K%D para la acción AT&T Inc. (T) durante el tercer periodo
(26-02-07 al 26-03-07). En las columna P, se indica la señal de compra o venta
cuando la línea %K cruza la línea %D; la columna Q y R, las señales de compra o
venta si se está sobrecomprado o sobrevendido respectivamente. Como las señales
de la columna P eran muy volátiles y las señales de las columnas Q y R muy
espaciadas lo que hacía difícil coincidir las señales con las del otro indicador, se
decidió crear otra forma de emitir señales de compra y venta.
46
Tabla No. 11 Cálculos para obtener el indicador técnico MACD

para la acción AT&T Inc. (T)
AT&T. 1er Trimestre 2007

1,50
MACD
1,00
EMA 9 Señal de
compra
0,50
MACD
EMA 9
0,00 Difer
20/12/2006
03/01/2007
17/01/2007
31/01/2007
14/02/2007
28/02/2007
14/03/2007
28/03/2007
-0,50
Diferencia
-1,00
-1,50
Gráfico No. 9. Indicador técnico MACD para la acción AT&T Inc. (T)
47
La metodología para generar estas nuevas señales con el %K%D es la siguiente:

calculamos la diferencia entre los valores de las líneas %K y %D (columna N) y
con estos resultados calculamos una media móvil simple a 10 periodos (columna
O). La nueva señal de compra se da cuando los valores de la media móvil son
positivos y la nueva señal de venta se da cuando es negativo. Estas señales se
muestran en las columnas S y T respectivamente. De esta manera, suavizamos los
movimientos de las señales dadas en la columna P y se generan unas señales más
seguidas. En el Gráfico No. 11 se muestra la media móvil simple a 10 periodos
(magenta)
Tabla No. 12. Cálculos para obtener el indicador técnico %K%D

para la acción AT&T Inc. (T)
48
Oscilador Estotástico de AT&T. 1er Trimestre 2007

100
90
%K
80
70
60 %K
50 %D
%D
40
30
20
10
0
03/01/2007
17/01/2007
31/01/2007
14/02/2007
28/02/2007
14/03/2007
28/03/2007
Gráfico No. 10. Oscilador Estocástico %K%D para la acción AT&T
Media móvil simple de la diferencia (%K-%D) para la acción AT&T
60
40
Media
móvil (%K - %D)
simple
20
Serie1
0
SMA10
22/11/06
29/11/06
06/12/06
13/12/06
20/12/06
27/12/06
03/01/07
10/01/07
17/01/07
24/01/07
31/01/07
07/02/07
14/02/07
21/02/07
28/02/07
07/03/07
14/03/07
21/03/07
28/03/07
-20
-40
-60
Gráfico No. 11. Media móvil simple de la diferencia %K-%D

para la acción AT&T
Cuando sólo analizamos las señales del %K%D para entrar, la señal se da el día
27-02-07. Pero cuando usamos ambos indicadores, la señal de compra que
debemos tomar es la del día 14-03-07 que, como vimos en la Tabla No. 11 , es la
primera que se de con el MACD.
49
3.6. PARÁMETROS DE BRAINCEL

Los cuatro parámetros del proceso de entrenamiento en el Braincel (Train
parameters) que se modificaban para que los resultados convergieran, es decir,
para que el valor del “Prob” nos diera por encima de 0.75, fueron los siguientes:
“Maximun cycles”: esta es una de las opciones que tiene el programa para
detener el entrenamiento. Se escogió ésta porque nos permite uniformizar el
proceso para todas las acciones. Al principio se usaron 500.000 ciclos
máximos pero después de varias pruebas se determinó que con 250.000
ciclos se obtenían resultados iguales.
“Learning rate”: es el tamaño de los pasos que usa el programa para
converger a una solución. Mientras más grandes los pasos, más rápido
converge, pero puede dar respuestas equivocadas; mientras más pequeños,
puede demorarse mucho, pero el aprendizaje será más confiable. El
programa los clasifica en pasos pequeños (0,1), medianos (0,4) y grandes
(1). El autor usó, en la mayoría de los casos, el valor por defecto de 0,14 o la
mitad de éste 0,07.
“Outlier factor”: este es un parámetro que hace que el programa trabaje más
en aquellas zonas de datos “ruidosas”, es decir, con muchos puntos
(“outliers”) alejados de la mayoría del resto de datos. Si no existen tales
puntos, usar 0 para el parámetro “Outlier factor”; pero si existen, usar 0,1 o
0,2
“Outlier error cap multiplier”: este parámetro es lo contrario al anterior, en
vez de considerar los “outliers”, los ignora. Mientras más pequeño su valor,
más disminuye los efectos del “outlier” en el entrenamiento. Un valor
pequeño sería 1, un valor grande, 10.
Este proceso de selección de los parámetros adecuados era un tanteo, para cada
entrenamiento se colocaban unos parámetros iniciales, se corría el programa para
realizar el entrenamiento, luego se ejecutaba el “test” y se evaluaba el valor del
“Prob”. Si el valor de éste, estaba por encima de 0.75 se aceptaba ese
entrenamiento; pero si estaba por debajo, se volvía a realizar el entrenamiento con
nuevos parámetros. Como para cada acción había que hacer varias iteraciones, al
50
principio el tiempo promedio necesario para predecir cada acción estaba cercano a
una hora, lo que implicaba unas 130 horas. Sin embargo, este tiempo disminuyó
con la práctica.
51
CAPITULO IV.
EVALUACIÓN DEL PROCESO DEL TRABAJO ESPECIAL

DE GRADO.
En este capítulo mostraremos los resultados obtenidos con el presente trabajo y

comentaremos las diferencias entre los planificado y lo ejecutado.
4.1. Resultados
A continuación mostramos una tabla con los resultados finales si invirtiéramos el

dinero ficticio de $10,000 en el Índice Industrial del Dow Jones y si lo
hubiéramos invertido en los portafolios que obtuvimos usando Matlab, Braincel e
Indicadores técnicos.
52
Tabla No. 13. Resultados de los portafolios del Índice Dow Jones y de acciones usando Braincel e indicadores técnicos
MACD y %K%D
53
A continuación se muestran tres gráficos comparativos basados en la tabla

anterior donde se muestra la ganancia o rendimiento relativo en cada periodo, la
ganancia absoluta o acumulada hasta el periodo en cuestión y el valor de los
portafolios: del índice y en acciones
Ganancia Relativa
12,00%
1 Solo Braincel
10,00% 2 Braincel y MACD
3 Braincel y %K%D
8,00% 4 Braincel MACD Y %K%D
5 Dow Jones
6,00%
4,00%
%
2,00%
0,00%
1 2 3 4 5 6 7 8 9 10 11 12 13
-2,00%
-4,00%
-6,00%
Periodos
Gráfico No. 12. Ganancia relativa en cada periodo
Ganancia Absoluta
30,00%
1 Solo Braincell
2 Braincel con MACD
25,00% 3 Braincel con %K%D
4 Braincel MACD y %K%D 2
20,00% 5 Dow Jones
4
3
15,00%
1
%
10,00%
5
5,00%
0,00%
1 2 3 4 5 6 7 8 9 10 11 12 13
-5,00%
-10,00%
Periodos
Gráfico No. 13. Ganancia absoluta o acumulada

54
Portafolios
13000,00
12500,00
3
2
12000,00
4
11500,00
1
%
11000,00
5
10500,00
1 Solo Braincel
10000,00 2 Braincel con MACD
3 Braincel con %K%D
9500,00 4 Braincel MACD y %K%D
5 Dow Jones
9000,00
1 2 3 4 5 6 7 8 9 10 11 12 13
Periodos
Gráfico No. 14. Valor de los portafolios

De estos datos podemos destacar los siguientes puntos:
Todos los portafolios usando Braincel e indicadores técnicos están por
encima del valor del portafolio del Dow Jones.
El mayor porcentaje de ganancia total fue el del portafolio usando Braincel
y MACD: 18.85% contra 6.43 % del Dow Jones.
La ganancia o rendimiento relativo en el portafolio de acciones, en la
mayoría de los periodos, tenía la misma dirección que la del portafolio del
índice: cuando ganaba el portafolio del índice también lo hacía el de
acciones, de igual manera cuando perdía.
A pesar de que la ganancia total o final del portafolio usando Braincel y
MACD fue mayor que la de los demás, la ganancia del portafolio usando
Braincel y %K%D estuvo por encima de ese portafolio durante los 10
primeros periodos.
La ganancia final del portafolio usando Braincel, MACD y %K%D fue
levemente menor que la del portafolio usando Braincel y MACD
55
4.2. Comparación entre lo planeado y lo ejecutado

En el proyecto del trabajo de grado se dijo que las predicciones se realizarían para
el año 2006, pero como al momento de comenzar a realizar las corridas de los
programas ya se contaba con los datos de todo el año 2007, se decidió tomar estos
últimos y no los de 2006 para comparar entre los valores reales de las acciones y
las predicciones realizadas por Braincel.
Como se comentó en el proyecto del trabajo de grado, las predicciones y la

construcción del portafolio se haría mes a mes; sin embargo, aquí se hizo un
pequeño cambio. Debido a que el trabajo que realiza el programa Braincel se basa
en el análisis de datos pasados en períodos iguales de tiempo y la predicción
resultado es para el siguiente período con igual magnitud de tiempo, los resultados
no serían confiables si consideramos los datos mes a mes ya que no todos los
meses tienen la misma cantidad de días: no tienen períodos iguales de tiempo. El
cambio consistió en organizar los datos semanales y tomar sólo los datos cada 4
semanas, de esta manera se parecen a datos mensuales y representan períodos
iguales de tiempo. Con esto se necesitarían hacer 13 predicciones para el año 2007
y no 12 como corresponderían a los meses del año.
Debemos hacer notar que en el proyecto de trabajo de grado se dijo que se

escogerían 15 acciones para conformar nuestro portafolio, pero debido al tiempo
necesario para organizar los datos, el tiempo que se tarda el programa Braincel en
la predicción de cada acción y al número de cálculos por realizar (15 acciones por
13 iteraciones = 195 cálculos) se decidió reducir el número de acciones del
portafolio a 10, un valor razonable, disminuyendo así el número de cálculos a 130.
Inicialmente se pensó en utilizar tres indicadores técnicos, pero se decidió que con
2 era suficiente: los resultados fueron positivos con 2 y el incluir otro indicador
llevaría más tiempo.
El cronograma de ejecución no pudo ser llevado a cabo por el autor debido a

ciertas complicaciones familiares que le impidieron cumplirlo.
56
A pesar de los cambios realizados al proyecto de trabajo de grado durante su

ejecución, podemos decir que se cumplió el objetivo general de evaluación de un
portafolio de inversión utilizando Markowitz, redes neurales e indicadores
técnicos. También podemos decir que el resultado de tal evaluación fue positiva
en términos de la rentabilidad obtenida por el portafolio, lo que nos sugiere que la
metodología empleada puede resultar muy útil a cualquier inversionista que la
utilice.
57
CAPITULO V.
CONCLUSIONES Y RECOMENDACIONES
La finalidad de todo inversionista es maximizar la rentabilidad de su capital al

menor riesgo posible. La metodología empleada para la construcción de un
portafolio de inversión en acciones cumple con estos dos objetivos: por un lado
resultó ser rentable ya que, como vimos, la rentabilidad obtenida con la
metodología está muy por encima a la del mercado (nuestro costo de oportunidad)
alcanzando casi tres veces la rentabilidad de éste; por el otro, la metodología tiene
mucho cuidado con el manejo del riesgo, ya que se construye un portafolio óptimo
con aquellas acciones cuya relación riesgo-rentabilidad es la mejor y, además, con
el uso de los indicadores técnicos se determina si están dadas las condiciones para
adquirir las acciones escogidas.
Por otro lado, la metodología está conformada por una serie de pasos concretos y,
con la ayuda de los programas, se puede preparar un nuevo portafolio en poco
tiempo. Por ejemplo, con los resultados de las acciones para el cierre de un
viernes, el nuevo portafolio puede calcularse y adquirirse el lunes siguiente si
están dadas las condiciones de compra.
También podemos resaltar que la cantidad de acciones en las cuales se debe

invertir para construir el portafolio es relativamente pequeña, por lo que resulta
accesible para pequeños inversionistas
Se recomienda usar la metodología usando Braincel e incluyendo los dos

indicadores técnicos MACD y %K%D.
58
Se recomienda probar con otras acciones que no conformen el Índice Dow Jones,
ya que se podría incluir en el portafolio acciones cuya relación riesgo-rentabilidad
esté por encima de las del Índice y, por tanto, obtener una rentabilidad mayor.
59
REFERENCIAS
Achelis, Steven, (2001), Technical Analysis from A to Z, USA: McGrawHill
Brealey, R. y Myers, S. (2003), Principios de Finanzas Corporativas, España:

McGraw Hill
Emery, D. y Finnerty, J. (2000), Administración Financiera Corporativa,

México: Prentice Hall
Ferro, Michele, (2007), Evaluación de los métodos de Garch, Braincel y

Ewstats para la predicción de precios en acciones, Caracas, USB,
Trabajo Especial de Grado.
Murphy, John, (2000), Análisis Técnico de los Mercados Financieros,

España: Gestión 2000.
Van Horne, J. (1993), Administración Financiera, México: Prentice Hall
Stergiou, C. y Siganos, D. (1997), Neural Networks, Recuperado en enero 2008

de: http://www.doc.ic.ac.uk/~nd/surprise_96/journal/vol4/cs11/report.html
#Contents
Wikipedia (2008), Artificial Neural Network, Recuperado en enero 2008 de:

http://en.wikipedia.org/wiki/Artificial_neural_network#Background
Wikipedia (2008), Red Neuronal Artificial, Recuperado en enero 2008 de:

http://es.wikipedia.org/wiki/Red_neuronal_artificial#Aplicaciones
Portal Educativo Ciberconta (2008), Medias Móviles, Recuperado en enero 2008

de: http://ciberconta.unizar.es/LECCION/fin005/510.HTM
Portal Educativo Ciberconta (2008), Oscilador de Medias Móviles o MACD,

Recuperado en enero 2008 de: http://ciberconta.unizar.es/LECCION/
fin005/560.HTM
60
Portal Educativo Ciberconta (2008), Osciladores Estocasticos (%K y % D),

Recuperado en enero 2008 de: http://ciberconta.unizar.es/LECCION/
fin005/570.HTM
Portal financiero de Yahoo (2008), Historical Prices, Recuperado en febrero

2008 de: http://finance.yahoo.com/q/hp?s=hpq (abreviatura de acción en
cuestión)
Portal financiero Parisinet (2008), Software Complemento de Excel

Bajaacciones, Recuperado en febrero 2008 de: http://www.parisinet.com/
Cs/Parisinet/downloads.asp
Portal financiero de gráficos de precios de acciones (2008), Recuperado en

febrero 2008 de: http://stockcharts.com/h-sc/ui?s=hpq (abreviatura de
acción en cuestión)
61
ANEXOS
62
ESTADÍSTICAS DE LAS ACCIONES SELECCIONADAS (1-10)

Y LAS QUE CONFORMARON EL PORTAFOLIO EN LOS PERIODOS 1 Y 2 (CUADROS EN GRIS)
63

64

65

66

67

68

Y LAS QUE CONFORMARON EL PORTAFOLIO EN EL PERIODO 13 (CUADROS EN GRIS)
69
PORTAFOLIO ÓPTIMO OBTENIDO Y SU RENDIMIENTO EN EL PERÍODO 1 (ENE)

EMPLEANDO LOS INDICADORES TÉCNICOS MACD Y %K%D
70
PORTAFOLIO ÓPTIMO OBTENIDO Y SU RENDIMIENTO EN EL PERÍODO 2 (FEB)

71
PORTAFOLIO ÓPTIMO OBTENIDO Y SU RENDIMIENTO EN EL PERÍODO 3 (MAR)

72
PORTAFOLIO ÓPTIMO OBTENIDO Y SU RENDIMIENTO EN EL PERÍODO 4 (ABR)

73
PORTAFOLIO ÓPTIMO OBTENIDO Y SU RENDIMIENTO EN EL PERÍODO 5 (MAY)

74
PORTAFOLIO ÓPTIMO OBTENIDO Y SU RENDIMIENTO EN EL PERÍODO 6 (JUN)

75
PORTAFOLIO ÓPTIMO OBTENIDO Y SU RENDIMIENTO EN EL PERÍODO 7 (JUL)

76
PORTAFOLIO ÓPTIMO OBTENIDO Y SU RENDIMIENTO EN EL PERÍODO 8 (AGO)

77
PORTAFOLIO ÓPTIMO OBTENIDO Y SU RENDIMIENTO EN EL PERÍODO 9 (SEP)

78
79
PORTAFOLIO ÓPTIMO OBTENIDO Y SU RENDIMIENTO EN EL PERÍODO 10 (OCT)

80
PORTAFOLIO ÓPTIMO OBTENIDO Y SU RENDIMIENTO EN EL PERÍODO 11 (NOV)

81
PORTAFOLIO ÓPTIMO OBTENIDO Y SU RENDIMIENTO EN EL PERÍODO 12 (DIC1)

82
PORTAFOLIO ÓPTIMO OBTENIDO Y SU RENDIMIENTO EN EL PERÍODO 13 (DIC2)


IMPORTANTE Evaluación de Portafolio de Inversión en Acciones Utilizando Markowitz, Redes Neuronales e Indicadores Técnicos PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

IMPORTANTE Evaluación de Portafolio de Inversión en Acciones Utilizando Markowitz, Redes Neuronales e Indicadores Técnicos PDF

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD SIMÓN BOLÍVAR

DECANATO DE ESTUDIOS DE POSTGRADO

TRABAJO ESPECIAL DE GRADO

EVALUACIÓN DE PORTAFOLIO DE INVERSIÓN EN ACCIONES

HÉCTOR MIGUEL BEJARANO DABOÍN

Caracas, Mayo de 2008

EVALUACIÓN DE PORTAFOLIO DE INVERSIÓN EN ACCIONES

Informe Final de la evaluación de un portafolio de inversión en acciones

HÉCTOR MIGUEL BEJARANO DABOÍN

Como requisito parcial para optar al título de

Especialista en Finanzas de la Empresa

Realizado con la tutoría del Profesor

Caracas, Mayo de 2008

UNIVERSIDAD SIMÓN BOLÍVAR

EVALUACIÓN DE PORTAFOLIO DE INVERSIÓN EN ACCIONES

Este Trabajo Especial de Grado ha sido aprobado en nombre de la

En primer lugar, debo agradecer a mi esposa por el apoyo y la paciencia que ha

A mi tutor, Ing. Tomás Rodríguez, por haber compartido sus conocimientos

El propósito del presente trabajo fue evaluar un portafolio de inversión en

Con el software Matlab, se determinaron las 10 mejores acciones de las 30

La metodología desarrollada resultó ser efectiva en tanto que la rentabilidad

Palabras claves: Markowitz, redes neurales, Braincel, Anatolyev y Gerko,

2.1.6. Selección de la cartera óptima ................................. 10

CAPITULO III. EL PROCESO DE LA APLICACIÓN DE LA

CAPITULO V. CONCLUSIONES Y RECOMENDACIONES .......... 57

ÍNDICE DE TABLAS, FIGURAS Y GRÁFICOS

Figura No. 7. Parámetro para el entrenamiento en Braincel ........................ 37

En la fase de planificación se muestra el Proyecto de Trabajo Especial de Grado

La fase de ejecución está compuesta por dos partes: el Marco Conceptual

La última fase, la de Evaluación, consta de dos capítulos: Evaluación del Proceso

PROYECTO DE TRABAJO DE GRADO

hace que sea muy difícil el proceso de decisión sobre la creación de un

Con el presente trabajo se pretende crear y evaluar una metodología que le

1.2. OBJETIVOS DEL ESTUDIO.

1.2.1 General: Evaluar un portafolio de inversión utilizando Markowitz,

• Conformar un portafolio de inversión usando la metodología de

1.3.1. Marco Conceptual Referencial. El Marco Conceptual comprendió

1.3.2. Marco Metodológico: La Metodología de trabajo estuvo conformada

• Selección de la operación a realizar para el mes inmediato siguiente

Como se mencionó, el periodo de análisis corresponde a todo el año 2006.

Cada una de las dos opciones de portafolio irá cambiando mensualmente. El

1.4. CRONOGRAMA DE EJECUCION.

Tabla 1. Cronograma de actividades

Hasta aquí la descripción del Proyecto del Trabajo Especial de Grado

MARCO CONCEPTUAL REFERENCIAL

En este capítulo abordaremos los fundamentos conceptuales y temas relacionados

2.1. METODOLOGÍA DE SELECCIÓN DE CARTERA DE INVERSIÓN

Antes del trabajo de Markowitz, los inversionistas se concentraban en analizar la

A través del retorno esperado, de la desviación estándar y de la correlación

2.1.2. Suposiciones iniciales del Modelo de Markowitz

2.1.3. El rendimiento esperado

rp = rendimiento esperado de la cartera

Xi = proporción del valor inicial invertido en el valor i de la cartera

2.1.4. El riesgo o desviación estándar de la cartera

2.1.5. Teorema del conjunto eficiente

Figura No. 1 Conjunto Factible

establece que: un inversionista elegirá su cartera óptima del conjunto de carteras

2.1.6. Selección de la cartera óptima

Sharpe ratio = Retorno / Riesgo

2.2. ÍNDICE DOW JONES

 El Promedio Industrial Dow Jones también conocido como Dow Jones

Símbolo Nombre de la empresa Símbolo Nombre de la empresa

• El Promedio de Utilidades Dow Jones conocido como Dow Jones Utility

El Promedio Industrial Dow Jones también conocido como Dow Jones

En la columna B, numeramos cada uno de los períodos partiendo de la

En las columnas de la F a la I, se calculó el porcentaje de variación para

En la ventana de la figura No. 7 colocamos el número máximo de ciclos, el

En la ventana de la figura No. 8 colocamos los valores de “Outlier error cap