Investigando modelos competentes de Aprendizaje por Refuerzo para la optimización de portafolios de acciones en un mercado con baja liquidez y altos costos de transacción: caso Bolsa de Valores de Lima

Recientemente han emergido varios modelos de Inteligencia Artificial basados en aprendizaje por refuerzo para la construcción y manejo de portafolios de inversiones. Se ha destacado que estos modelos ofrecen flexibilidad y capacidad de adaptarse a las variaciones del mercado y aprender continuamente de él. No obstante, la aplicación de estos modelos ha sido mayormente en mercados desarrollados, donde su liquidez es alta y los costos de transacción son bajos. Sin embargo, mercados emergentes como el peruano carecen de tales bondades, por lo que existe una laguna de conocimiento sobre si la aplicación de dichos modelos sería efectiva en nuestro mercado. En el presente proyecto de investigación se propone integrar de manera multidisciplinaria la teoría financiera con los recientes avances en Aprendizaje por Refuerzo para construir modelos de selección de activos que sean óptimos para mercados con características de baja liquidez y altos costos de transacción. Se aplicarán fundamentos sólidos de teoría financiera, una estructura de mercado que refleje la realidad y restricciones que nos permitan modelar adecuadamente el mercado de acciones peruano. Como objetivo principal se plantea desarrollar un modelo de aprendizaje por refuerzo para la optimización de portafolios de acciones en la Bolsa de valores de Lima. Para lograr este objetivo se definirá la función que maximiza la utilidad de un inversionista y se investigará modelos que permitan la maximización de esta utilidad ante las restricciones indicadas.