Abstract

REYES SANTIAGO, Adán  and  GONZALEZ MAIZ JIMENEZ, Jaime. Portafolios de machine learning para precios accionarios estadounidenses: pronósticos direccionales antes y durante la pandemia del COVID-19. Contad. Adm [online]. 2024, vol.69, n.4, e475.  Epub Nov 14, 2025. ISSN 0186-1042.  https://doi.org/10.22201/fca.24488410e.2024.5191.

En este estudio, evaluamos el rendimiento de cinco portafolios de Machine Learning (ML) (regresión logística, bosque aleatorio, árbol de decisión, aumento de gradiente y aumento adaptativo) en comparación con un enfoque pasivo del Dow Industrial Average. Consideramos un enfoque de gestión de portafolios activo, empleando pruebas de backtesting fuera de la muestra para simular el desempeño de la estrategia como un enfoque categórico. Empleamos como predictores el precio de apertura, el precio más alto, el precio más bajo, el precio de cierre, el %R de Williams y las T-bills a 13 semanas. Durante todo los escenarios considerados -incluido el periodo del COVID-19-, al menos un portafolio de ML fue superior al índice. Estos resultados sugieren que, en general, los inversores pueden obtener resultados positivos si utilizan carteras de ML, obteniendo los mayores beneficios en momentos de mayor incertidumbre, como el pico de la pandemia.

Keywords : machine learning; COVID-19; backtesting.

        · abstract in English     · text in English     · English ( pdf )