Implementación de una Plataforma de Inversión para la Optimización de Portafolios a Largo Plazo en el Mercado Bursátil mediante Algoritmos de Aprendizaje Automático en una Institución Financiera

Abstract

La inversión en el mercado de valores conlleva inherentemente altos riesgos debido a la impredecible y volátil naturaleza del mercado, lo que genera incertidumbre en los métodos tradicionales de inversión. El propósito de este estudio es emplear un enfoque que permita maximizar los retornos mientras se minimiza el riesgo asociado con la inversión para una empresa financiera peruana. A través de la combinación de estrategias financieras y algoritmos de aprendizaje automático, se lleva a cabo la optimización de carteras a largo plazo (con horizontes temporales superiores a 1 año) con frecuencia mensual. El objetivo es identificar los pesos óptimos para cada activo en los que invertir. Este método se basa en la maximización del ratio de Sharpe, que mide la relación entre los retornos esperados y la volatilidad de la cartera. Los datos utilizados se obtuvieron de fuentes financieras para acceder a información histórica relevante sobre los activos. Los resultados muestran que los métodos implementados superan consistentemente los retornos y las métricas del benchmark utilizado (ACWI). Se realizaron simulaciones de inversión durante un período de más de 15 años para evaluar la capacidad del modelo de hacer frente a diversas crisis, como la ocurrida en el año 2008, y comparar los retornos con los del benchmark. Se emplearon diversas medidas, como el CAGR, el retorno realizado, la volatilidad y el ratio de Sharpe, para cuantificar los resultados de la inversión y demostrar la eficacia del enfoque propuesto.

Investing in the stock market inherently carries high risks due to the unpredictable and volatile nature of the market, which creates uncertainty in traditional investment methods. The purpose of this study is to employ an approach that maximizes returns while minimizing the associated risk for a Peruvian financial company. By combining financial strategies and machine learning algorithms, long-term portfolio optimization (with time horizons longer than 1 year) is conducted on a monthly basis. The objective is to identify the optimal weights for each asset in which to invest. This method is based on maximizing the Sharpe ratio, which measures the relationship between expected returns and portfolio volatility. The data used were obtained from financial sources to access relevant historical information about the assets. The results show that the implemented methods consistently outperform the returns and metrics of the benchmark used (ACWI). Investment simulations were conducted over a period of more than 15 years to assess the model's ability to cope with various crises, such as the one in 2008, and to compare the returns with those of the benchmark. Various measures, such as CAGR, realized return, volatility, and the Sharpe ratio, were used to quantify the investment results, and demonstrate the effectiveness of the proposed approach.