📈 economics

P vs NP Problem in Portfolio Optimization: Integrating the Markowitz-CAPM Framework with Cardinality Constraints and Black-Scholes Derivative Pricing

Este artículo aborda la complejidad NP del problema de selección de carteras con restricciones de cardinalidad, integrando el marco Markowitz-CAPM y la valoración de opciones Black-Scholes para evaluar y comparar la eficacia de diversos algoritmos de aproximación en la optimización de carteras dispersas.

Autores originales: Davit Gondauri

Publicado 2026-03-18

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Davit Gondauri

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que este artículo es como una receta de cocina compleja mezclada con un juego de estrategia y un poco de física de superhéroes.

Aquí tienes la explicación de la investigación de Davit Gondauri, traducida a un lenguaje sencillo y con analogías creativas:

1. El Problema: La "Búsqueda de la Perla" en un Océano de Opciones

Imagina que eres un chef que quiere crear el plato más delicioso del mundo (la cartera de inversión perfecta). Tienes un menú gigante con 94 ingredientes diferentes (industrias como tecnología, agricultura, bancos, etc.).

El problema clásico (Markowitz): Si pudieras usar un poquito de todos los ingredientes, sería fácil calcular la mezcla perfecta. Es como mezclar pintura: si tienes muchos colores, puedes encontrar el tono exacto matemáticamente.
El problema real (La restricción de "Cardinalidad"): Pero, en la vida real, tu cocina es pequeña. Solo puedes usar 10 ingredientes como máximo. ¡De repente, el problema se vuelve una pesadilla!
- La analogía de P vs NP: Imagina que tienes que probar todas las combinaciones posibles de 10 ingredientes entre 94. El número de combinaciones es tan enorme (como contar los átomos del universo) que, incluso con la computadora más rápida del mundo, tardarías miles de años en encontrar la mejor combinación absoluta.
- La conclusión del papel: El autor dice: "No podemos encontrar la solución perfecta en tiempo real porque es un problema matemático imposible (NP-difícil). En su lugar, usaremos trucos inteligentes (algoritmos) para encontrar una solución muy buena lo más rápido posible".

2. La Solución: Trucos de Magia (Algoritmos)

Como no podemos probar todo, el autor usa tres "trucos de mago" para encontrar la mejor mezcla de 10 ingredientes:

El "Cazador Rápido" (Algoritmo Greedy): Mira los ingredientes más prometedores y elige los 10 mejores de un vistazo. Es rápido, pero a veces se pierde detalles.
El "Lanzador de Dardos" (Monte Carlo): Cierra los ojos y lanza dardos al azar contra el tablero de combinaciones. Prueba miles de mezclas al azar y guarda la que mejor funcione.
El "Evolucionista" (Algoritmo Genético): Crea una "población" de recetas, deja que las peores mueran, mezcla las mejores entre sí y añade pequeñas mutaciones. Con el tiempo, la "especie" de recetas evoluciona hasta volverse excelente.

El hallazgo clave: El autor demuestra que no basta con decir "¡Encontré la mejor receta!". Debes probarlo muchas veces (con diferentes "semillas" o puntos de partida) para asegurar que no fue solo suerte. Es como si un jugador de ajedrez ganara una partida por azar; el verdadero maestro gana consistentemente.

3. El Toque Especial: Las "Billetes de Lotería" (Opciones Financieras)

El artículo hace algo muy interesante: añade un ingrediente especial que no es un alimento, sino un contrato de apuesta (una opción financiera, como una opción de compra).

La analogía: Imagina que en tu menú de 10 platos, uno no es comida, sino un cupón que te dice: "Si el precio de la carne sube, gano mucho dinero".
El riesgo: Este cupón es como un superhéroe con superpoderes: puede darte ganancias enormes, pero también puede hacerte perder todo si las cosas salen mal.
La innovación: El autor crea una fórmula (basada en Black-Scholes) para convertir este "cupón mágico" en un ingrediente normal dentro de su receta matemática.
La lección: Añadir este cupón no siempre mejora la receta. A veces, el "superpoder" (el apalancamiento) hace que el plato sea tan volátil que el riesgo supera a la recompensa. El autor demuestra cómo medir esto para no caer en la trampa de creer que un riesgo alto siempre significa una ganancia alta.

4. La Verdad Oculta: Todos se mueven juntos

El autor descubre algo importante sobre los ingredientes (las industrias).

La analogía: Imagina que todos los ingredientes están atados con una cuerda invisible al mismo viento (el mercado general). Si el viento sopla fuerte, todos se mueven a la vez.
El resultado: Aunque intentes elegir 10 ingredientes diferentes, si todos reaccionan igual al viento, no estás realmente diversificando. El autor muestra que, bajo su modelo, la mayoría de las industrias se mueven juntas, lo que hace que la "mezcla perfecta" sea más difícil de lograr de lo que parece.

5. El Mensaje Final: Transparencia y Honestidad

Lo más valioso de este papel no es solo la fórmula matemática, sino la honestidad científica:

No oculta los datos.
Explica cómo calculó los riesgos.
Muestra que sus "trucos" (algoritmos) funcionan bien, pero no son mágicos: tienen un costo de tiempo y energía.
Dice claramente: "Esto es una aproximación, no la verdad absoluta del universo, pero es lo mejor que podemos hacer con las herramientas actuales".

En resumen:

Este artículo es como un manual de supervivencia para inversores inteligentes. Nos dice: "El mundo es demasiado complejo para encontrar la solución perfecta. En su lugar, usemos herramientas inteligentes, probemos muchas veces, entendamos los riesgos de los 'superpoderes' financieros y aceptemos que a veces, la mejor estrategia es una muy buena aproximación, no la perfección matemática."

Es un puente entre la economía (dinero), la matemática (imposibilidad de calcular todo) y la ciencia de datos (cómo encontrar respuestas rápidas y fiables).

Resumen Técnico: El Problema P vs NP en la Optimización de Carteras

Título: P vs NP Problem in Portfolio Optimization: Integrating the Markowitz–CAPM Framework with Cardinality Constraints and Black–Scholes Derivative Pricing.
Autor: Davit Gondauri.

1. Planteamiento del Problema

El estudio aborda la intersección crítica entre la teoría económica de carteras y la complejidad computacional. El problema central es la optimización de carteras con restricciones de cardinalidad.

Contexto: La optimización clásica de Markowitz (media-varianza) es un problema convexo de programación cuadrática (QP) que se resuelve en tiempo polinomial. Sin embargo, las instituciones financieras reales imponen restricciones de "cardinalidad" (un número máximo de activos, $K$ , en la cartera, denotado como $|supp(w)| \le K$ ).
La Dificultad Computacional: La introducción de variables binarias para la selección de activos transforma el problema en un Programa Cuadrático Mixto Entero (MIQP). Esto acopla la selección discreta de subconjuntos con la optimización continua de pesos.
Marco P vs NP: El artículo posiciona este problema dentro de la teoría de la complejidad. Mientras que verificar una solución candidata es eficiente (polinomial), encontrar el subconjunto óptimo global requiere explorar un espacio de búsqueda combinatorio de tamaño $\binom{n}{K}$ , lo que lo clasifica como NP-duro. Por tanto, para grandes universos de activos, la optimización exacta global es computacionalmente intratable, obligando al uso de aproximaciones heurísticas.

2. Metodología

El estudio propone un marco empírico reproducible y auditable que integra teoría financiera y algoritmos de búsqueda.

Datos y Calibración (CAPM):
- Se utiliza un universo de aproximadamente 94 portafolios industriales de EE. UU. (datos de Aswath Damodaran).
- Los rendimientos esperados ( $\mu_i$ ) se calibran mediante el modelo CAPM: $\mu_i = R_f + \beta_i \cdot ERP$ , utilizando betas apalancadas y volatilidades anuales.
- La matriz de covarianza ( $\Sigma$ ) se construye mediante un modelo de índice único (modelo de mercado), donde la covarianza entre activos $i$ y $j$ depende de sus betas y la varianza del mercado. Esto permite reconstruir la matriz completa de manera auditable sin necesidad de series temporales crudas.
Modelo de Optimización:
- Se formula un MIQP que minimiza la varianza para un nivel de retorno dado, sujeto a: suma de pesos igual a 1, pesos no negativos y restricción de cardinalidad ( $K$ activos).
Algoritmos de Búsqueda (Heurísticas):
Dado el carácter NP-duro, se evalúan tres esquemas de aproximación bajo un protocolo de reproducibilidad estricto (registro de semillas aleatorias, múltiples ejecuciones):
1. Algoritmo Voraz (Greedy): Selección basada en un proxy de Sharpe (rendimiento/riesgo).
2. Muestreo de Monte Carlo: Generación aleatoria de subconjuntos de tamaño $K$ con asignación de pesos (Dirichlet).
3. Algoritmos Genéticos (GA): Evolución de poblaciones de vectores binarios, con una fase de re-optimización continua de los pesos una vez seleccionado el subconjunto.
Integración de Derivados (Black-Scholes):
- Se extiende el marco para incluir una opción de compra europea (Call) como un activo adicional.
- Se utiliza una linealización basada en Delta para mapear la opción al espacio media-varianza: se calcula el Beta y la volatilidad implícita de la opción ( $\beta_{opt} \approx L \cdot \beta_{subyacente}$ ) y su rendimiento esperado bajo CAPM.
- Se realizan pruebas de "bump" (±1%) para validar la precisión de la aproximación delta frente a la revalorización completa de Black-Scholes.

3. Contribuciones Clave

El artículo ofrece cinco contribuciones principales que elevan el estándar de la investigación empírica en finanzas computacionales:

Anclaje de Complejidad: Formaliza explícitamente la restricción de cardinalidad como un problema NP-duro, justificando por qué no se esperan algoritmos exactos escalables y por qué las heurísticas son necesarias.
Esqueleto Empírico Reproducible: Proporciona una cadena de auditoría completa desde los datos de entrada (Damodaran) hasta la matriz de covarianza y los resultados, permitiendo la reconstrucción independiente.
Evidencia Estadística Robusta: En lugar de reportar solo el "mejor resultado" (que puede ser un artefacto de la semilla aleatoria), reporta estadísticas distribucionales (mediana, IQR, cuantiles) sobre múltiples semillas y curvas de convergencia.
Diagnostics de Dependencia: Incluye diagnósticos de primer nivel (correlación mediana, concentración de autovalores) para conectar el comportamiento del algoritmo con la geometría subyacente de la matriz de covarianza.
Integración de Derivados Reproducible: Demuestra cómo integrar instrumentos no lineales (opciones) en un marco de media-varianza lineal mediante una aproximación delta validada, sin perder la trazabilidad auditiva.

4. Resultados Principales

Fronteras Eficientes y Cardinalidad: La restricción de cardinalidad ( $K=10$ ) crea discontinuidades en la frontera eficiente en comparación con el caso no restringido. Se observa que las soluciones óptimas a menudo agrupan industrias de alto Beta debido a la fuerte dependencia del factor común (mercado).
Rendimiento de Heurísticas:
- Los métodos estocásticos (Monte Carlo y GA) muestran una alta estabilidad. La diferencia entre la mediana y el mejor Sharpe es mínima cuando se utiliza re-optimización continua de pesos.
- En un benchmark reducido ( $n=20, K=6$ ), las heurísticas alcanzaron el óptimo global exacto (verificado por enumeración completa), validando su eficacia práctica.
- El Sharpe máximo reportado fue de aproximadamente 0.088 (basado en rendimientos implícitos de CAPM y volatilidades anuales).
Análisis de Derivados:
- La inclusión de una opción de compra aumenta significativamente el riesgo de la cartera ( $\sigma_p$ ) y el Beta debido al apalancamiento implícito.
- Hallazgo Crítico: El aumento del rendimiento esperado no siempre se traduce en un mejor ratio de Sharpe; a menudo, el apalancamiento infla el riesgo más rápido que el retorno, resultando en una eficiencia neta menor o similar.
- La aproximación delta demostró ser altamente precisa (errores relativos < 0.1%) para movimientos pequeños del subyacente.
Diagnósticos de Dependencia: La matriz de covarianza de índice único mostró una correlación mediana alta ( $\approx 0.77$ ) y una concentración de autovalores dominante (el primer autovalor explica el 76% de la varianza total), lo que limita la diversificación efectiva y explica por qué los algoritmos tienden a seleccionar sectores correlacionados.

5. Significancia e Impacto

Este trabajo es significativo por varias razones:

Puente Teórico-Práctico: Conecta exitosamente la teoría de la complejidad computacional (P vs NP) con la práctica de la gestión de activos, demostrando que las restricciones del mundo real transforman problemas convexos en problemas combinatorios intratables.
Nueva Norma de Reproducibilidad: Establece un estándar para la investigación en optimización de carteras, exigiendo el reporte de distribuciones de resultados, perfiles de tiempo de ejecución y validación de semillas aleatorias, alejándose de la práctica de reportar solo el "mejor caso".
Marco para Derivados: Ofrece una metodología auditable para incluir derivados en modelos de optimización tradicionales, proporcionando una herramienta para evaluar el trade-off entre apalancamiento y diversificación.
Implicaciones para la Industria: Ilustra que, bajo restricciones de cardinalidad y alta correlación de mercado, la búsqueda de la "cartera perfecta" es una aproximación de costo-eficiencia. La estabilidad de la cartera y el costo computacional son tan importantes como la optimización teórica.

En conclusión, el artículo proporciona una plantilla de investigación de nivel académico que valida que, aunque la solución óptima global para carteras con cardinalidad es NP-dura, las heurísticas modernas, cuando se aplican con rigor estadístico y transparencia de datos, ofrecen soluciones prácticas y robustas para la inversión institucional.