Sistema inteligente para la optimización de carteras con nuevas predicciones de volatilidad mediante aprendizaje automático

Por qué invertir con más inteligencia importa

Cualquiera que haya visto cómo sus ahorros suben y bajan con el mercado sabe que las grandes pérdidas pueden doler más de lo que las ganancias moderadas hacen sentir bien. Este artículo aborda una pregunta relevante tanto para inversores particulares como para grandes instituciones: ¿podemos usar la inteligencia artificial moderna para diseñar carteras que no solo crezcan con el tiempo, sino que también resistan mejor las caídas bruscas del mercado en muchos países?

De la teoría clásica a las máquinas hambrientas de datos

La teoría de carteras tradicional, que se remonta a Harry Markowitz en los años 50, enseña a los inversores a equilibrar riesgo y rentabilidad diversificando entre distintos activos. En la última década, enfoques más complejos basados en deep learning y reinforcement learning han prometido extraer ganancias adicionales de los datos financieros. Sin embargo, estos métodos más nuevos suelen ser difíciles de interpretar, caros de ejecutar y complicados de confiar en distintos mercados. De manera crucial, la mayoría se centra en predecir rentabilidades, mientras que los gestores de riesgo profesionales se preocupan profundamente por los drawdowns: el tamaño de las peores pérdidas de pico a valle en el camino.

Mirando el dolor del mercado en lugar de solo la ganancia

Los autores cambian el foco de la predicción de rentabilidades a la previsión de cuán severas pueden llegar a ser las pérdidas. Estudian 40 mercados bursátiles, desde economías desarrolladas como Estados Unidos y Alemania hasta mercados emergentes como Brasil y Sudáfrica, a lo largo de un período de 20 años, de 1999 a 2018. Para cada país y año calculan medidas de rendimiento ajustado por riesgo ampliamente utilizadas: la ratio de Sharpe (rentabilidad por unidad de riesgo total), la ratio de Sterling (rentabilidad en relación con pérdidas medias pasadas) y la ratio de Calmar, que relaciona directamente las ganancias anuales con el peor drawdown. Estas ratios se agrupan luego en sencillas categorías de “alto”, “medio” y “bajo” que indican cómo de atractivo o frágil parece un mercado desde la perspectiva riesgo–recompensa.

Cómo funciona realmente el sistema inteligente

En el fondo, el sistema propuesto es una cuidadosa canalización de datos junto con un modelo estructurado de aprendizaje automático llamado clasificador multi–Support Vector Machine (multi‑SVM). Primero, el equipo limpia y reestructura dos décadas de datos bursátiles de Bloomberg, eliminando entradas erróneas, rellenando huecos cortos y normalizando escalas para que un mercado pequeño y uno grande puedan compararse de forma justa. Luego diseñan características que resumen el comportamiento de cada mercado, incluyendo máximos, mínimos y valores medios de las acciones, volatilidad, rentabilidades anuales y drawdowns móviles de tres años. Estas características se convierten en las entradas para varios submodelos SVM, cada uno especializado en una de las ratios clave, y todos usando un kernel no lineal para capturar vínculos complejos entre riesgo y recompensa. Un paso de fusión combina entonces los niveles de confianza de los submodelos en un único juicio sobre si un país‑año pertenece a una categoría de calidad ajustada por riesgo alta, media o baja.

Convertir predicciones en decisiones de cartera

Para evaluar si esta inteligencia realmente ayuda a los inversores, los autores realizan un extenso experimento histórico tipo “qué pasaría si”. Cada año imaginan construir una cartera global que da mayor peso a los mercados que su sistema etiqueta como de alta calidad, peso neutro a los mercados medios y menor peso a los de baja calidad. Comparan los resultados con tres referencias bien conocidas: un modelo de mercado simple (CAPM), una cartera global con pesos iguales y el popular modelo de tres factores desarrollado por Fama y French. Durante el periodo 1999–2018, la cartera guiada por el multi‑SVM ofrece la mayor rentabilidad acumulada, la peor pérdida más pequeña y la ratio de Sharpe más alta. El clasificador en sí coloca correctamente a los mercados en sus categorías riesgo–recompensa en aproximadamente el 97,5% de los casos, una clara mejora respecto a un SVM único y a un modelo básico de Naïve Bayes.

Qué significa esto para los inversores y el futuro

Para un no especialista, la conclusión clave es que los autores no inventan un nuevo robot de trading de caja negra; en su lugar combinan con cuidado herramientas consolidadas para centrarse en lo que más temen los inversores: pérdidas grandes y sostenidas. Al centrar el modelo en medidas relacionadas con drawdowns y mantener la estructura relativamente transparente, ofrecen una forma práctica de guiar los pesos de una cartera global que es más fácil de explicar que muchos sistemas de deep learning, pero aún competitiva en rendimiento. El estudio sugiere que clasificar inteligentemente los mercados según su salud ajustada por riesgo, en lugar de perseguir únicamente las rentabilidades brutas, puede llevar a carteras que crezcan de forma más estable y sufran sacudidas menos intensas, ofreciendo un viaje más cómodo a través de mercados turbulentos.

Cita: Biswas, T., Dey, A., Mandal, G. et al. Intelligent system for portfolio optimization for novel volatility forecasting using machine learning. Sci Rep 16, 14670 (2026). https://doi.org/10.1038/s41598-026-42813-4

Palabras clave: optimización de carteras, volatilidad financiera, aprendizaje automático en finanzas, gestión de riesgos, mercados bursátiles globales