19 artículos
Este artículo establece la teoría espectral de carteras al identificar las matrices de pesos de redes neuronales entrenadas con SGD como matrices de asignación de cartera, demostrando que su estructura espectral codifica la dinámica de la riqueza y unifica modelos financieros previos bajo un marco común que conecta el aprendizaje automático con la gestión de activos.
El documento presenta el Marco de Investigación AlgoXpert Alpha, un protocolo riguroso que mitiga el sobreajuste en estrategias cuantitativas mediante una evaluación en tres etapas (IS, WFA y OOS) y múltiples mecanismos de defensa, demostrando su eficacia mediante un estudio de caso en USDJPY y el análisis de compensaciones entre rendimiento y riesgo.
Este estudio presenta un marco de referencia para evaluar las capacidades de razonamiento cuantitativo de los modelos de lenguaje grandes en la optimización de carteras financieras, revelando diferencias significativas en el rendimiento de modelos como GPT-4, Gemini 1.5 Pro y Llama 3.1-70B frente a diversos objetivos y restricciones de inversión.
Este artículo investiga cómo tres modelos de lenguaje grande (GPT, Gemini y Llama) forman y expresan perfiles de riesgo de inversión, revelando que, aunque tienden a ser inversores a largo plazo, muestran diferentes niveles de tolerancia al riesgo y consistencia que se ajustan según las personas asignadas.
El artículo propone que la geometría proyectiva curva del espacio de estados, caracterizada por un término cúbico en la expansión de Taylor que induce una asimetría fundamental bajo el intercambio de estados, explica unificadamente la irreversibilidad financiera, la Segunda Ley de la termodinámica y las limitaciones de los agentes económicos.
El artículo propone un protocolo de optimización convexa distribuida que permite a los gestores de cartera de una firma ajustar sus operaciones de manera colaborativa para reducir los costos de transacción sin revelar sus estrategias privadas ni compartir listas de órdenes, logrando convergencia hacia soluciones óptimas con pocas iteraciones.
El artículo propone Generative Adversarial Regression (GAR), un marco que utiliza un enfoque minimax para entrenar generadores que aprenden escenarios de riesgo condicionales alineados con objetivos de riesgo elicitables (como VaR y ES), demostrando en datos del S&P 500 una superioridad en la preservación del riesgo frente a métodos tradicionales.
Este artículo presenta un Índice de Cumplimiento Continuo de la Sharia (CSCI) que unifica múltiples normas binarias en una medida transparente para el diseño de carteras, demostrando que, si bien permite ajustar la intensidad del cumplimiento y la diversificación, no constituye un nuevo factor de rentabilidad esperado una vez controladas las características estándar.
Este artículo proporciona por primera vez una caracterización completa de la selección óptima dinámica de carteras bajo preferencias de media-varianza monótonas en modelos de precios de activos con retornos independientes, estableciendo condiciones necesarias y suficientes para la eficiencia y relacionando la utilidad máxima con la ratio de Sharpe monótona.
El artículo presenta Onflow, un algoritmo de asignación de carteras basado en aprendizaje por refuerzo y flujos de gradiente que optimiza los retornos logarítmicos sin asumir distribuciones de rentabilidad y demuestra ser robusto y superior a métodos existentes en escenarios con altos costos de transacción.
Este artículo presenta un marco bayesiano generalizado que utiliza la posterior de Gibbs para optimizar carteras paramétricas sin asumir un modelo de generación de retornos, introduciendo un algoritmo KNEEDLE para seleccionar automáticamente el parámetro de escala óptimo y demostrando su eficacia en datos de acciones de EE. UU. desde 1955 hasta 2024.
Este artículo investiga la relación entre la cartera de varianza mínima a largo plazo y las exposiciones a factores en modelos de retorno, proporcionando una descripción explícita para modelos de un solo factor y una interpretación geométrica para múltiples factores, todo ello validado con datos empíricos de acciones estadounidenses.
Este artículo desarrolla un marco general para la asignación de carteras en tiempo continuo con pagos no lineales y ambigüedad suave, demostrando que la aversión a la ambigüedad distorsiona las creencias hacia estados adversos, lo que en un contexto de gestión delegada con incentivos convexos reduce la exposición al riesgo y la volatilidad.
Este artículo presenta un marco general de Heath-Jarrow-Morton en un entorno de múltiples curvas que integra colateralización en cualquier divisa y ajustes de fijación arbitrarios para modelar simultáneamente tasas IBOR prospectivas y tasas retroactivas, permitiendo así una valoración coherente de productos de tipos de interés en múltiples monedas y swaps cruzados.
El artículo presenta un marco de inversión explicativo y adaptable a regímenes basado en un modelo oculto de Markov de Wasserstein que, al inferir dinámicamente la complejidad del mercado y preservar la identidad de los regímenes, logra un rendimiento ajustado al riesgo superior y una menor volatilidad en comparación con benchmarks tradicionales y modelos no paramétricos.
Este artículo demuestra que un impuesto proporcional sobre la riqueza, bajo condiciones ideales de mercado, es económicamente equivalente a una participación estatal en la cartera del inversor que reduce la riqueza y el riesgo en la misma proporción sin alterar las decisiones óptimas de cartera ni la valoración de activos, resolviendo así inconsistencias previas en la literatura sobre el descuento de flujos de caja después de impuestos.
Este artículo examina la robustez de la neutralidad de los impuestos al patrimonio demostrada por Froeseth (2026), confirmando que se mantiene bajo volatilidad estocástica y preferencias recursivas pero se rompe con preferencias no homotéticas, y analiza cuatro canales de distorsión en la práctica —como umbrales progresivos y oferta laboral endógena— aplicando el marco a sistemas reales como el noruego y propuestas globales como las de Saez-Zucman.
Este artículo reformula la neutralidad del impuesto sobre la riqueza como una simetría de desplazamiento de deriva en el marco de la física estadística, demostrando que un impuesto proporcional actúa como una reducción uniforme del coeficiente de deriva en la ecuación de Fokker-Planck, mientras que las desviaciones prácticas de esta neutralidad corresponden a violaciones específicas de dicha simetría.
Este artículo presenta un marco de aprendizaje por refuerzo que utiliza Proximal Policy Optimization (PPO) para optimizar dinámicamente los pesos de alfas generados por modelos de lenguaje grande, logrando una mayor estabilidad en el rendimiento ajustado al riesgo y una reducción de las pérdidas máximas en comparación con estrategias tradicionales de trading.