La Conformación y Organización de La Rama Ejecutiva – Credit Risk -Enhancing Sparse Index-Tracking
Esta nueva entrega del Boletín de Investigación, trae un estudio sobre la rama ejecutiva y el poder público, las consecuencias económicas en Colombia y Bolivia a causa del Covid-19 y el uso de técnicas de aprendizaje profundo (DL) para mejorar las carteras de seguimiento de índices dispersos para el índice Nasdaq.
Libro de investigación UEC:
La organización como presupuesto de la actividad administrativa. Tomo II, la conformación y organización de la rama ejecutiva del poder público
Editor: Julián A. Pimiento Echeverri
Editorial: Universidad Externado de Colombia
En dos partes, este libro explica, en la primera de ellas, la manera en que se estructura internamente el ejercicio del poder, los mecanismos propios que llevan a otorgar personalidad jurídica a las entidades públicas, su relacionamiento interno y sus mecanismos de colaboración. En la segunda parte se explican en detalle los mecanismos de distribución de competencias y sus especificidades y encuentran un lugar estelar la delegación y la desconcentración, así como los mecanismos asociativos de las entidades públicas llamados a racionalizar su gestión.
Artículo de revista internacional:
Credit risk. An analysis of the case of Bolivia and Colombia
Autor: German Combariza Gonzalez, et al.
Revista: Investigacion Operacional
Editorial: Universidad de La Habana
The objective of this document is to identify the impact generated by Covid-19 on the quality of the portfolios of financial entities in Bolivia and Colombia, for which a quantitative methodology was applied, performing an observation of the analysis of different elements considered principal, PCA (Principal Component Analysis), since it is one of the most used tools to identify patterns in highly complex data, reducing the number of variables.
Artículo en revista internacional:
Autor: Carlos Andrés Zapata Quimbayo, John Freddy Moreno Trujillo; et al.
Revista: SN Computer Science
Editorial: Springer Nature
This paper implements the use of deep learning (DL) techniques to enhance sparse index tracking portfolios for the Nasdaq 100 (NDX) index. Specifically, we use autoencoders (AEs) and variational autoencoders (VAEs) to construct sparse tracking portfolios under cardinality constraints, thereby reducing the number of required stocks while maintaining close performance to the NDX index. By using AEs and VAEs, we extract the complex non-linear relationships between the index and a subset of its constituents. Using historical data from 2019 to 2023, our empirical results show that the proposed DL-based models achieve robust index replication in both in-sample and out-of-sample periods. Furthermore, these models exhibit reduced tracking errors and cumulative returns comparable to the benchmark. The results highlight the potential of deep learning techniques as a powerful tool for efficient index tracking.
Invextigación
