Optimización de carteras de inversión con deep learning

"La presente tesis aborda la optimización de carteras de inversión en mercados financieros caracterizados por alta volatilidad e interdependencias no lineales entre activos. El problema central radica en que los métodos tradicionales, como la teoría de media-varianza de Markowitz, asumen normalidad en los retornos y relaciones lineales entre los activos, lo cual reduce su eficacia en escenarios de cambios bruscos y condiciones de mercado dinámicas. Para superar estas limitaciones, se comparan dos enfoques basados en redes neuronales profundas: uno de optimización directa (end-to-end), que maximiza el Sharpe Ratio sin predecir retornos, y otro que emplea la predicción de retornos junto con la métrica Mean Semi-Absolute Deviation. El primero asigna pesos de portafolio directamente, mientras que la segunda estima los retornos y calcula el riesgo a partir de los errores de predicción, integrando posteriormente un modelo de optimización de dos pasos. El estudio utiliza datos de cuatro fondos cotizados en bolsa (VTI, AGG, DBC y VIX) en un periodo qu abarca desde el año 2007 al 2023, centrándose en los años 2020 a 2023 y en dos lapsos de alta incertidumbre (el crash de COVID-19 y la suba de tasas por parte de la Reserva Federal de Estados Unidos). Los métodos basados en deep learning se entrenan a través de varias estrategias y la experimentación se completa comparando dichos métodos entre sí y con el método clásico de Markowitz, en base a métricas predeterminadas para evaluar la relación riesgo-retorno de las carteras."