Sistema para la Gestión de Carteras para Activos de Alta Volatilidad

Aplicación a Criptomonedas

Este proyecto corresponde al Trabajo de Fin de Grado (TFG) del Grado en Ingeniería Informática. Su objetivo principal es ofrecer un sistema visual e interactivo que permita simular y comparar la evolución de carteras de criptomonedas utilizando diferentes modelos de asignación de activos, adaptado a activos de alta volatilidad.

🖥️ Interfaz Gráfica

La aplicación proporciona una interfaz gráfica desarrollada en Python que permite:

• Seleccionar un capital inicial, año y nivel de riesgo.
• Elegir las criptomonedas que compondrán la cartera.
• Ejecutar simulaciones para comparar modelos de optimización de carteras:
  • Markowitz
  • CVaR Markowitz
  • Equally Weighted
  • Diversified Markowitz
  • N-BEATS (modelo basado en redes neuronales)

Ejemplo de la interfaz

En la parte central se muestra la evolución temporal del valor de la cartera según el modelo seleccionado como simulación si hubieramos realizado la inversión para cada modelo.En la parte inferior se encuentran:

• Una gráfica de rentabilidad por modelo.
• Una tabla con los resultados detallados: capital final, beneficio obtenido y rentabilidad (%) por modelo.

📦 Instalación

Para ejecutar correctamente el sistema, es necesario tener instalado Python 3.10 o superior y todas las librerías requeridas.

1. Clona este repositorio

git clone https://github.com/alejandrorodm/TFG
cd TFG

2. Crea un entorno virtual (opcional pero recomendado)

python -m venv venv
source venv/bin/activate     # En Linux/macOS
venv\Scripts\activate.bat    # En Windows

3. Instala las dependencias

pip install -r requirements.txt

Si no tienes pip actualizado, puedes hacerlo con: python -m pip install --upgrade pip

🚀 Ejecución

Una vez instaladas todas las dependencias, puedes iniciar la aplicación ejecutando:

python gui.py

📊 Modelos incluidos

Modelo	Descripción
Markowitz	Optimización clásica de cartera con media-varianza.
CVaR Markowitz	Optimización con medida de riesgo CVaR (Conditional Value at Risk).
Equally Weighted	Reparto equitativo del capital entre todos los activos seleccionados.
Diversified Markowitz	Versión diversificada del modelo de Markowitz.
N-BEATS	Modelo de deep learning para series temporales aplicado a la predicción.

Ejecución sin simulación

Para una ejecución en tiempo real (sin simulación), que considera datos desde el día actual hasta un año atrás, se utiliza el archivo final_execution_weights.py.

Pasos clave:

• Especificar criptomonedas: En el archivo final_execution_weights.py, se deben especificar las criptomonedas deseadas.
• Verificación: Es crucial verificar que estas criptomonedas estén listadas en KuCoin (ejemplo: https://www.kucoin.com/trade/BTC-USDT).
• Formato: Asegúrate de añadir el sufijo -USDT a cada criptomoneda (por ejemplo, para Bitcoin, se introduciría BTC-USDT).

⚙️ Configuración de criptomonedas

Las pruebas realizadas con el sistema se han realizado utilizando 10 criptomonedas para proporcionar un buen margen de diversificación si el modelo lo requiere, incluyendo monedas de distintas índoles.

Cabe destacar que se podrán usar todas aquellas criptomonedas listadas en KuCoin, pero por defecto, el sistema trabaja con las siguientes:

• BTC-USDT
• ETH-USDT
• XRP-USDT
• ADA-USDT
• SOL-USDT
• BNB-USDT
• DOT-USDT
• AVAX-USDT
• DOGE-USDT
• SHIB-USDT

Si se desea utilizar la interfaz gráfica con un conjunto distinto de criptomonedas, será necesario modificar la variable coins dentro del archivo gui.py.

Ejemplo de modificación:

coins = ['NEAR-USDT', 'ETH-USDT', 'XRP-USDT', 'ADA-USDT', 'SOL-USDT',
         'BNB-USDT', 'DOT-USDT', 'LTC-USDT', 'DOGE-USDT', 'SHIB-USDT']

📁 Estructura del proyecto

├── Marketdata.py               # Controla las peticiones de datos de precios, gestiona las fechas y almacena la información en hojas de cálculo
├── Portfolio.py                # Clase principal que gestiona la optimización de cartera con modelos matemáticos y el modelo N-BEATS
├── GUI.py                      # Proporciona la interfaz gráfica para la simulación y gestión de carteras
├── crypto_<año>_prices.xlsx    # Precios diarios en el año seleccionado para el estudio
├── crypto_<año>_returns.xlsx   # Retornos calculados a partir de los precios diarios
├── crypto_<año+1>_prices.xlsx  # Precios diarios del año seleccionado para la simulación
├── results/                    # Almacena los resultados generados tras cada simulación según año y riesgo
│   ├── crypto_<año>_portfolio.xlsx     # Porcentajes de inversión por activo y modelo
│   ├── final_portfolio_values.xlsx     # Valor final de la cartera tras la simulación
│   ├── portfolio_evolution.png         # Gráfico de evolución del valor de la cartera
│   ├── predicted_prices.png            # Gráfico de precios predichos por N-BEATS
│   ├── rentabilidad_por_modelo.png     # Gráfico de barras con rentabilidades por modelo
│   └── models/                         # Modelos entrenados de la red neuronal para cada criptomoneda

📚 Créditos

Este proyecto ha sido desarrollado como Trabajo de Fin de Grado en Ingeniería Informática.

Autor: Alejandro Rodríguez Moreno. Tutor: Francisco de Asís Fernández Navarro. Universidad: Universidad de Málaga