Optimización de carteras de renta variable con machine learning

• Autores: Alejandro Vargas Sánchez, André Nicolas Monje Prudencio
• Localización: Investigación & Desarrollo (I&D), ISSN 2518-4431, Vol. 23, Nº. 2, 2023, págs. 23-45
• Idioma: español
• Títulos paralelos:
  • Optimizing equity portfolios with machine learning
• Enlaces
  • Texto completo
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    RESUMEN Ante el creciente papel y aceptación de la Inteligencia Artificial en el mundo de las Finanzas, esta investigación propone aplicar técnicas de Aprendizaje Automático en la gestión de carteras de inversión de renta variable abriendo la posibilidad de mejorar el proceso de estructuración de portafolios que generen resultados empíricos óptimos en relación a técnicas tradicionales, como la cartera de Máximo Índice de Sharpe y el Portafolio Igualmente Ponderado. En contraparte a estas técnicas tradicionales, se aplica la Técnica de Clustering Affinity Propagation como la principal para identificar patrones de comportamiento similar entre empresas, complementada con el algoritmo de Graphical Lasso para estimar la estructura de dependencia de los datos y Multi-Dimensional Scaling para mejorar la representación visual de los Clusters. A través de los resultados, se identifica que el portafolio que maximiza las medidas de rentabilidad y riesgo es aquel conformado mediante estas técnicas de Machine Learning. Se concluye que al combinar estas tres técnicas de Aprendizaje Automático, se obtiene una alternativa viable y efectiva en la gestión de carteras de inversión en el mercado de renta variable.

  • English

    ABSTRACT Given the growing role and acceptance of Artificial Intelligence in the world of Finance, this research proposes applying Machine Learning techniques to the management of equity investment portfolios, opening up the possibility to enhance the portfolio structuring process to yield optimal empirical results compared to traditional techniques, such as the Maximum Sharpe Ratio portfolio and the Equally Weighted portfolio. In contrast to these traditional techniques, the Affinity Propagation Clustering Technique is applied as the main approach to identify patterns of similar behavior among companies, complemented by the Graphical Lasso algorithm to estimate the data dependency structure, and Multi-Dimensional Scaling to improve the visual representation of the Clusters. Through the results, it is identified that the portfolio that maximizes the measures of risk and return is the one formed using these Machine Learning techniques. It is concluded that by combining these three Machine Learning techniques, a viable and effective alternative is obtained in the management of investment portfolios in the equity market.