Optimización de carteras de inversión con redes neuronales y algoritmos genéticos

Abstract

La motivación principal de este estudio nace de la curiosidad personal por aplicar los conocimientos adquiridos durante mi formación académica en el complejo ámbito del mercado financiero, un entorno que ofrece una oportunidad para integrar herramientas cuantitativas avanzadas con estrategias de inversión. Este interés me llevó a explorar cómo las técnicas computacionales modernas pueden contribuir a mejorar la optimización de carteras de inversión, buscando enfoques innovadores que superen los métodos tradicionales. Para realizar el estudio, se emplearon datos históricos de los precios semanales de los activos que componen el IBEX 35, el principal índice bursátil de España, organizados en períodos diferenciados de entrenamiento y prueba para garantizar un análisis robusto. El trabajo se centró en comparar el desempeño de las redes neuronales recurrentes de tipo Long Short-Term Memory y algoritmos genéticos como el Non-dominated Sorting Genetic Algoritmo II, con el modelo clásico de Markowitz, basado en la teoría moderna de carteras, para maximizar la rentabilidad ajustada al riesgo. Los resultados muestran que todas las carteras optimizadas superan ampliamente el rendimiento del índice de referencia, destacando el potencial de estas técnicas, especialmente las redes neuronales recurrentes, para modelar relaciones complejas en datos financieros. Esto abre nuevas líneas de investigación, aunque los resultados están limitados al período analizado y podrían variar en diferentes condiciones de mercado.