El valor temporal del dinero siempre ha empujado a los poseedores de capital a invertir para conseguir rentabilidad. Estas inversiones generalmente buscan maximizar la rentabilidad minimizando la cantidad de riesgo, lo cuál ha sido estudiado ampliamente. Los mercados de capital han crecido enormemente durante el último siglo y la información que se tiene de las empresas y el mercado además de tener un gran volumen, no deja de crecer. Para poder reducir está ingente cantidad de datos a información que pueda usarse para tomar decisiones numerosos estudios han identificado lo que denominan factores. Un factor busca identificar una característica común entre activos de manera que permita identificar cuales producen mayor rentabilidad. Actualmente, un estilo de inversión cada vez más frecuente son los fondos que replican un índice (gestión pasiva), generando una exposición a un mercado en concreto (Ej: SP500 ) que históricamente en su conjunto siempre ha producido rentabilidad, reduciendo el riesgo mediante la diversificación, al estar el índice compuesto por numerosos activos. Además este estilo de gestión tiene unos costes bajos que la hacen atractiva para los inversores. Por otro lado, tenemos la gestión activa, donde los fondos son gestionados de manera que mediante análisis y criterios propios buscan conseguir una rentabilidad mayor que la del mercado a cambio de mayores costes de gestión. La evolución tecnológica reciente (tanto hardware como software) permite resolver problemas y generar modelos estadísticos de aprendizaje automático complejos que utilicen gran cantidad de datos. Mediante estas técnicas se pueden buscar patrones comunes en los factores para facilitar de forma automática el análisis de los activos óptimos para una cartera de inversión. Estos modelos se utilizan a día de hoy para automatizar el proceso de seleccionar los activos lo que se denomina Smart Beta y que tienen menores costes que la gestión activa y mayores rentabilidades que la inversión en índices. El propósito de este proyecto es utilizar aprendizaje automático para realizar un modelo que seleccione, a partir de las características de los activos (reflejadas en los factores presentes en la literatura), los que tendrán mejor desempeño para añadirlos a la cartera.

El valor temporal dels diners sempre ha empès als posseïdors de capital a invertir per a aconseguir rendibilitat. Aquestes inversions generalment busquen maximitzar la rendibilitat minimitzant la quantitat de risc, la qual cosa ha estat estudiat àmpliament. Els mercats de capital han crescut enormement durant l'últim segle i la informació que es té de les empreses i el mercat a més de tenir un gran volum, no deixa de créixer. Per a poder reduir està ingent quantitat de dades a informació que pugui usar-se per a prendre decisions nombrosos estudis han identificat el que denominen factors. Un factor busca identificar una característica comuna entre actius de manera que permeti identificar els quals produeixen major rendibilitat. Actualment, un estil d'inversió cada vegada més freqüent són els fons que repliquen un índex (gestió passiva), generant una exposició a un mercat en concret (Ex.: SP500) que històricament en conjunt sempre ha produït rendibilitat, reduint el risc mitjançant la diversificació, en estar l'índex compost per nombrosos actius. A més aquest estil de gestió té uns costos baixos que la fan atractiva per als inversors. D'altra banda, tenim la gestió activa, on els fons són gestionats de manera que mitjançant anàlisis i criteris propis busquen aconseguir una rendibilitat major que la del mercat a canvi de majors costos de gestió. L'evolució tecnològica recent (tant maquinari com programari) permet resoldre problemes i generar models estadístics d'aprenentatge automàtic complexos que utilitzin gran quantitat de dades. Mitjançant aquestes tècniques es poden buscar patrons comuns en els factors per a facilitar de manera automàtica l'anàlisi dels actius òptims per a una cartera d'inversió. Aquests models es fan servir avui dia per a automatitzar el procés de seleccionar els actius el que es denomina Smart Beta i que tenen menors costos que la gestió activa i majors rendibilitats que la inversió en índexs. El propòsit d'aquest projecte és usar aprenentatge automàtic per a realitzar un model que seleccioni, a partir de les característiques dels actius (reflectides en els factors presents en la literatura), els que tindran millor acompliment per a afegir-los a la cartera.

The time value of money has always driven holders of capital to invest for profitability. These investments generally seek to maximize returns while minimizing the amount of risk, which has been studied extensively. The capital markets have grown enormously over the last century and the amount of information held on companies and the market, in addition to its sheer volume, continues to grow. In order to reduce this enormous amount of data to information that can be used to make decisions, numerous studies have identified what they call factors. A factor seeks to identify a common characteristic among assets in order to identify which produce the highest returns. Currently, an increasingly common investment style are funds that replicate an index (passive management), generating exposure to a particular market (e.g. SP500) that historically as a whole has always produced returns, reducing risk through diversification, as the index is composed of numerous assets. In addition, this management style has low costs that make it attractive to investors. On the other hand, we have active management, where funds are managed in such a way that through analysis and their own criteria they seek to achieve a higher return than the market in exchange for higher management costs. Recent technological developments (both hardware and software) make it possible to solve problems and generate complex statistical machine learning models using large amounts of data. These techniques can be used to search for common patterns in the factors to automatically facilitate the analysis of the optimal assets for an investment portfolio. These models are currently used to automate the process of selecting assets called Smart Beta, which have lower costs than active management and higher returns than index investing. The purpose of this project is to use machine learning to make a model that selects, from the characteristics of the assets (reflected in the factors present in the literature), those that will have better performance to add to the portfolio.