Más Allá de Harry Markowitz: Optimización Dinámica de Carteras e IA VS a la Inestabilidad del Mercado

La inteligencia artificial (IA) y el deep learning están transformando la gestión de carteras de inversión. Los modelos tradicionales de selección de carteras (Markowitz, CAPM, modelos factoriales), aunque han sido la base durante décadas, enfrentan limitaciones severas en mercados actuales caracterizados por alta volatilidad, cambios constantes en las relaciones entre activos y momentos de extrema incertidumbre.

No se trata de una "receta mágica" para hacerse rico, sino de herramientas matemáticas y cuantitativas para tomar decisiones más robustas. El enfoque es cuantitativo, al estilo de Jim Simons (Renaissance Technologies), frente al enfoque fundamental de Warren Buffett.

Problemas de la Teoría Clásica de Carteras

1. El reto de la diversificación

La diversificación es "la herramienta del ignorante" (cita atribuida a Buffett), ya que si se supiera qué activos subirán, no habría necesidad de diversificar. Como esto es imposible, se diversifica mediante tres vías:

1. Añadir nuevos activos.
2. Diversificar en fuentes de riesgo (factores).
3. Distribuir inteligentemente el capital.

Ejemplo práctico con 150 activos del S&P 500:

1. En una ventana normal (2016), la volatilidad media de un solo activo se reduce casi un 20% solo por añadir un segundo activo. Sin embargo, la curva de diversificación satura alrededor de los 20-30 activos, donde el beneficio marginal de añadir nuevos activos es mínimo. Con esta estrategia se puede reducir el riesgo a menos de la mitad.
2. En una ventana de crisis (2020), los activos tienden a moverse conjuntamente. La diversificación pierde eficacia drásticamente: solo se reduce el riesgo en una tercera parte respecto al mercado normal. Cuando más se necesita la diversificación, menos funciona.

2. La Frontera Eficiente de Markowitz y el error de estimación

Harry Markowitz (1952) estableció que existen carteras eficientes que maximizan rentabilidad para un nivel de riesgo dado. Para calcularlas se necesitan dos parámetros: rentabilidades esperadas y matriz de covarianzas/correlaciones.

El problema central es que estos parámetros se estiman con muestras, no con la población completa, lo que introduce error. Alfonso ilustra esto con una simulación:

1. Con datos sintéticos donde se conocen los parámetros reales (frontera negra), se compara contra la frontera calculada usando solo 2 años de datos históricos.
2. El error típico en la estimación de rentabilidades es del 23%, lo que se traduce en un coste de casi 6 puntos porcentuales anuales en la cartera óptima.
3. Además, los pesos de la cartera oscilan enormemente respecto a los óptimos teóricos, demostrando la inestabilidad de la optimización mean-variance con datos ruidosos.

3. Las correlaciones cambian en el tiempo

Usando una ventana móvil de 2 años sobre datos reales del S&P 500 desde 2000, se demuestra que:

1. En mercados normales, la correlación media entre activos ronda el 18%.
2. En crisis (2008, 2020), la matriz de correlaciones se vuelve intensamente roja, con correlaciones medias cercanas al 57-60%.
3. La frontera eficiente se desplaza hacia la derecha: para obtener la misma rentabilidad objetivo, el inversor debe asumir mayor riesgo porque la diversificación desaparece precisamente cuando más se necesita.

4. Soluciones tradicionales alternativas

Ante estos problemas, surgen estrategias que no dependen de la estimación de rentabilidades medias:

1. Risk Parity y Equal Risk Contribution (ERC): en lugar de distribuir capital, distribuyen riesgo. Cada activo contribuye por igual al riesgo total de la cartera.
2. Comparativa visual: la optimización de máximo Ratio de Sharpe genera carteras muy concentradas, con rotación extrema de activos y periodos donde se invierte en un único activo. En cambio, ERC produce pesos mucho más estables, menor rotación (menores costes de transacción) y mayor robustez ante cambios en las correlaciones.

Inteligencia Artificial y Deep Learning

1. La IA como ventaja competitiva

Diseñar carteras sin IA es una desventaja enorme, porque la IA no es "magia negra", sino matemáticas aplicadas de forma más eficiente gracias a mayor capacidad de cómputo y datos. Se distingue claramente entre:

1. Modelos de lenguaje (ChatGPT, Gemini): útiles para programar o diseñar experimentos, pero inútiles para predicción financiera directa ("son como un cuñado, siempre tienen respuesta").
2. Modelos entrenados con datos propios: redes neuronales diseñadas específicamente para aprender patrones de series temporales financieras.

2. Arquitecturas de redes neuronales aplicadas

Se describen cuatro tipos fundamentales:

1. Capas densas: sumas pesadas de entradas, la base de cualquier red.
2. Redes recurrentes (RNN/LSTM): poseen memoria interna, ideales para capturar dependencias temporales en series financieras.
3. Redes convolucionales (CNN): detectan patrones que pueden aparecer en cualquier momento de la serie temporal, a distintas escalas.
4. Transformers: evolución de las recurrentes, capaces de capturar relaciones a larga distancia en la secuencia de datos.

Resultado empírico: Entrenando ~300 modelos con datos del S&P 500 de 60 años, la elección de arquitectura impacta en un 10% la precisión de la predicción del retorno. No hay un ganador absoluto: depende del problema específico.

3. Ventanas temporales: entrada y salida

Se analiza una matriz de combinaciones:

1. Ventanas de entrada: 5, 10, 30, 90 días.
2. Horizontes de predicción: 1, 5, 30, 90 días.

Hallazgos clave:

1. La predicción a 1 día es mucho más difícil (mayor error) que a medio plazo, independientemente del modelo o datos de entrada.
2. La variación en precisión por tamaño de ventana de entrada es del ~8%.
3. La variación por horizonte de predicción es del ~90%.
4. Las redes neuronales muestran una mejora consistente del ~10% respecto a modelos clásicos, no solo en rentabilidad o Ratio de Sharpe, sino también en métricas no optimizadas directamente (riesgo).

4. Incorporación de conocimiento financiero: capas personalizadas

Una ventaja crucial de la IA moderna es poder diseñar capas propias que incorporen conocimiento financiero explícito:

1. Ejemplo: las redes estándar no realizan divisiones (solo sumas y multiplicaciones). Si un financiero quiere que el modelo use ratios financieros (P/E, etc.), puede diseñar una capa custom que calcule divisiones y alimentar después capas densas.
2. Esto permite partir de parámetros establecidos por experiencia humana y dejar que la red los optimice, ganando robustez y manteniendo interpretabilidad parcial.

5. Multimodalidad: datos heterogéneos

Los modelos actuales permiten integrar simultáneamente:

1. Series temporales diarias/mensuales/anuales
2. Datos de texto (noticias, tweets, informes anuales)
3. Datos macroeconómicos o incluso no financieros (temperaturas, imágenes satelitales) El modelo aprende a transformar cada modalidad y extraer información relevante para la predicción final.

6. Funciones de coste personalizadas

A diferencia de la optimización tradicional (maximizar Sharpe), las redes permiten definir objetivos complejos:

1. Maximizar rentabilidad y minimizar riesgo simultáneamente.
2. Penalizar errores asimétricamente: por ejemplo, penalizar mucho más fallar en predicciones de retornos negativos (caídas) que en positivos.
3. Ejemplo práctico: al customizar la función de coste para acertar las caídas, el modelo mejora la predicción de retornos negativos en un 85%, volviéndose más conservador cuando el mercado baja.

7. Incertidumbre y datos ruidosos

La IA moderna permite cuantificar la incertidumbre:

1. Entrada: se puede informar al modelo de qué datos son fiables y cuáles tienen alta incertidumbre.
2. Salida: el modelo no solo predice un valor, sino que devuelve una distribución de probabilidad o intervalo de confianza. Esto es vital en finanzas para saber cuándo fiarse más o menos de una predicción.
3. Datos faltantes: si falta una variable (ej. edad en scoring crediticio), el modelo aumenta su incertidumbre de forma proporcional.

8. Modelos generativos y datos sintéticos

Los modelos generativos no sirven solo para chatbots. En finanzas permiten:

1. Generar datos financieros sintéticos para entrenar y testear modelos.
2. Solucionar el problema de la escasez temporal de datos (la historia financiera es relativamente corta).
3. Crear escenarios de estrés y situaciones hipotéticas para robustecer las estrategias de cartera.

9. Explicabilidad (XAI) y regulación

Valero dedica una sección crucial a la explicabilidad:

1. Por ley (GDPR, Ley de IA Europea), cualquier modelo que afecte a personas (créditos bancarios, seguros) debe poder explicar por qué tomó una decisión.
2. Técnicas de IA explicable permiten identificar qué variables y en qué momentos el modelo toma sus decisiones.

Esto resuelve el problema histórico de la "caja negra" y permite confiar en modelos que, aunque complejos, funcionan consistentemente mejor que los enfoques tradicionales.

Conclusiones Finales

1. Los modelos tradicionales son insuficientes ante la volatilidad real, los errores de estimación y las correlaciones cambiantes.
2. La IA no es magia, es matemática avanzada aplicada a gran escala; su ventaja radica en capturar no linealidades, patrones temporales y relaciones complejas.
3. La clave está en el diseño: elegir la arquitectura adecuada, definir ventanas temporales coherentes, personalizar funciones de coste según el objetivo del inversor, y cuantificar la incertidumbre.
4. La combinación de conocimiento financiero + IA (capas custom, objetivos específicos) supera a ambos enfoques por separado.
5. La explicabilidad y la generación de datos sintéticos son herramientas emergentes clave para el futuro regulatorio y operativo.
6. La computación cuántica y los agentes autónomos representan la siguiente frontera, aunque aún en desarrollo.
7. La IA en finanzas ha venido para quedarse, y profesionales e inversores deben incorporar estas herramientas cuantitativas para no quedar en desventaja competitiva.

JLMC Inversión

👇 RECLAMA TU ACCESO PRIVADO 👇

🔒 En X. Repositorio con >22.000 Post, desde 2019.

𝐀𝐯𝐢𝐬𝐨 𝐥𝐞𝐠𝐚𝐥 𝐲 𝐝𝐞 𝐫𝐢𝐞𝐬𝐠𝐨:

𝘓𝘢𝘴 𝘪𝘯𝘷𝘦𝘳𝘴𝘪𝘰𝘯𝘦𝘴 𝘦𝘯 𝘭𝘰𝘴 𝘮𝘦𝘳𝘤𝘢𝘥𝘰𝘴 𝘥𝘦 𝘤𝘢𝘱𝘪𝘵𝘢𝘭𝘦𝘴 𝘦𝘴𝘵á𝘯 𝘴𝘶𝘫𝘦𝘵𝘢𝘴 𝘢 𝘳𝘪𝘦𝘴𝘨𝘰𝘴, 𝘪𝘯𝘤𝘭𝘶𝘪𝘥𝘢 𝘭𝘢 𝘱𝘰𝘴𝘪𝘣𝘪𝘭𝘪𝘥𝘢𝘥 𝘥𝘦 𝘭𝘢 𝘱é𝘳𝘥𝘪𝘥𝘢 𝘵𝘰𝘵𝘢𝘭 𝘥𝘦𝘭 𝘤𝘢𝘱𝘪𝘵𝘢𝘭 𝘪𝘯𝘷𝘦𝘳𝘵𝘪𝘥𝘰. 𝘌𝘴 𝘪𝘮𝘱𝘰𝘳𝘵𝘢𝘯𝘵𝘦 𝘳𝘦𝘤𝘰𝘳𝘥𝘢𝘳 𝘲𝘶𝘦 𝘭𝘢𝘴 𝘳𝘦𝘯𝘵𝘢𝘣𝘪𝘭𝘪𝘥𝘢𝘥𝘦𝘴 𝘱𝘢𝘴𝘢𝘥𝘢𝘴 𝘯𝘰 𝘨𝘢𝘳𝘢𝘯𝘵𝘪𝘻𝘢𝘯 𝘳𝘦𝘴𝘶𝘭𝘵𝘢𝘥𝘰𝘴 𝘧𝘶𝘵𝘶𝘳𝘰𝘴.

𝘌𝘴𝘵𝘦 𝘤𝘰𝘯𝘵𝘦𝘯𝘪𝘥𝘰 𝘵𝘪𝘦𝘯𝘦 𝘶𝘯𝘢 𝘧𝘪𝘯𝘢𝘭𝘪𝘥𝘢𝘥 𝘦𝘹𝘤𝘭𝘶𝘴𝘪𝘷𝘢𝘮𝘦𝘯𝘵𝘦 𝘦𝘥𝘶𝘤𝘢𝘵𝘪𝘷𝘢 𝘦 𝘪𝘯𝘧𝘰𝘳𝘮𝘢𝘵𝘪𝘷𝘢 𝘺 𝘯𝘰 𝘤𝘰𝘯𝘴𝘵𝘪𝘵𝘶𝘺𝘦 𝘢𝘴𝘦𝘴𝘰𝘳𝘢𝘮𝘪𝘦𝘯𝘵𝘰 𝘧𝘪𝘯𝘢𝘯𝘤𝘪𝘦𝘳𝘰. 𝘚𝘦 𝘳𝘦𝘤𝘰𝘮𝘪𝘦𝘯𝘥𝘢 𝘦𝘯𝘤𝘢𝘳𝘦𝘤𝘪𝘥𝘢𝘮𝘦𝘯𝘵𝘦 𝘢 𝘭𝘢 𝘢𝘶𝘥𝘪𝘦𝘯𝘤𝘪𝘢 𝘲𝘶𝘦 𝘳𝘦𝘢𝘭𝘪𝘤𝘦 𝘴𝘶 𝘱𝘳𝘰𝘱𝘪𝘢 𝘪𝘯𝘷𝘦𝘴𝘵𝘪𝘨𝘢𝘤𝘪ó𝘯 𝘺 𝘷𝘦𝘳𝘪𝘧𝘪𝘲𝘶𝘦 𝘭𝘢 𝘦𝘹𝘢𝘤𝘵𝘪𝘵𝘶𝘥 𝘥𝘦 𝘵𝘰𝘥𝘢 𝘭𝘢 𝘪𝘯𝘧𝘰𝘳𝘮𝘢𝘤𝘪ó𝘯 𝘥𝘦 𝘧𝘰𝘳𝘮𝘢 𝘪𝘯𝘥𝘦𝘱𝘦𝘯𝘥𝘪𝘦𝘯𝘵𝘦 𝘢𝘯𝘵𝘦𝘴 𝘥𝘦 𝘵𝘰𝘮𝘢𝘳 𝘤𝘶𝘢𝘭𝘲𝘶𝘪𝘦𝘳 𝘥𝘦𝘤𝘪𝘴𝘪ó𝘯 𝘥𝘦 𝘪𝘯𝘷𝘦𝘳𝘴𝘪ó𝘯.