💰 quantitative finance

A novel robust mixed integer linear programming model for index tracking problem under no rebalancing: heuristic optimization approach

Este artículo propone un nuevo modelo de programación lineal entera mixta robusto para el problema de seguimiento de índices bajo la condición de no rebalanceo, acompañado de un algoritmo heurístico híbrido que combina capacidades genéticas y de búsqueda local para resolver eficientemente el problema NP-duro y superar a los optimizadores comerciales tanto en datos in-sample como out-of-sample.

Autores originales: Danial Ramezani, Mostafa Abouei Ardakan, Mohamadreza Dehghani Ahmadabad

Publicado 2026-07-13

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Danial Ramezani, Mostafa Abouei Ardakan, Mohamadreza Dehghani Ahmadabad

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

Imagina que estás intentando construir una versión en miniatura de una orquesta masiva y caótica. Tu objetivo es elegir solo unos pocos instrumentos (tal vez 10 de entre cientos) que, al tocarse juntos, suenen exactamente como la sinfonía completa. En el mundo financiero, esto se llama Index Tracking (Seguimiento de Índices). En lugar de comprar cada una de las acciones de un mercado (lo cual es costoso y desordenado), los gestores de fondos quieren elegir una pequeña "cartera de seguimiento" que imite el rendimiento del mercado a la perfección.

Durante mucho tiempo, los gestores intentaron hacer esto observando qué tan similares eran las acciones entre sí en el pasado, como comprobar si un violín y un violonchelo siempre tocaban las mismas notas. Pero los autores de este artículo, Danial Ramemani y su equipo, dicen que ese enfoque es un poco como intentar predecir el clima de mañana mirando únicamente las nubes de ayer. Es demasiado inestable. Argumentan que confiar en correlaciones pasadas simples es ruidoso y a menudo falla cuando el mercado cambia de humor.

La nueva receta "robusta"
El equipo propuso una nueva receta matemática (un modelo) que es "robusta". Piensa en esto como construir un bote que no solo flota en aguas tranquilas, sino que está diseñado para sobrevivir a la peor de las tormentas. En lugar de simplemente adivinar qué acciones coincidirán con el mercado, su modelo pregunta: "¿Qué pasa si la relación entre estas acciones sale mal? ¿Qué pasa si actúan de la peor manera posible?". Al planificar para el peor de los escenarios, el modelo elige un grupo de activos que se mantiene estable incluso cuando las cosas se ponen complicadas.

También introdujeron un "margen de seguridad" especial en sus matemáticas. Imagina que estás preparando una maleta para un viaje donde no estás seguro de si lloverá o hará sol. Un maletero normal podría simplemente adivinar. Este nuevo modelo empaca para la lluvia y para el sol, asegurando que tengas lo que necesitas sin importar lo que suceda. Este enfoque permite que la cartera siga al mercado durante mucho tiempo sin necesidad de realizar ajustes constantes (rebalanceo), lo que ahorra dinero en comisiones de transacción.

El equipo de súper-búsqueda (GALB)
Aquí está la parte difícil: encontrar los 10 instrumentos perfectos de entre cientos es un rompecabezas tan enorme que incluso las supercomputadoras más rápidas del mundo (llamadas "solucionadores exactos" como CPLEX) pueden quedarse trabadas o tardar una eternidad en resolverlo. El problema es "NP-hard", una forma elegante de decir que es un laberinto con demasiados callejones sin salida.

Para resolver esto, los autores crearon un nuevo equipo de búsqueda llamado GALB. Puedes pensar en GALB como un detective híbrido.

El Algoritmo Genético (GA): Esta parte es como una bandada de exploradores corriendo en todas direcciones, probando diferentes combinaciones de acciones. Es excelente para encontrar nuevos caminos interesantes rápidamente.
Ramificación Local (Local Branching): Este es el experto en "hacer zoom". Cuando los exploradores encuentran un lugar prometedor, este experto se detiene y observa muy de cerca el vecindario inmediato para ver si puede retocar la solución solo un poco para hacerla perfecta.

Al mezclar la "búsqueda amplia" de los exploradores con la "inspección cercana" del experto, GALB encuentra soluciones de alta calidad mucho más rápido que las lentas computadoras de fuerza bruta.

Lo que dicen los números
El equipo probó su nuevo modelo robusto y su equipo de búsqueda GALB contra los métodos antiguos y el superrápido computador CPLEX utilizando datos de mercados famosos como el Dow Jones, Hang Seng, DAX, FTSE 100, S&P 100 y Nikkei 225.

Velocidad: En estas pruebas, el computador CPLEX tardó hasta 1,800 segundos (30 minutos) en intentar resolver el problema para algunos mercados, y a veces se rendía sin encontrar la mejor respuesta. En contraste, el equipo GALB encontró excelentes soluciones en solo 120 segundos para mercados más pequeños y 300 segundos para los más grandes.
Precisión: Las carteras creadas por GALB no solo encontraron respuestas rápidamente; encontraron respuestas mejores. Cuando el equipo analizó qué tan bien se desempeñaron las carteras en el futuro (datos "fuera de la muestra"), el nuevo modelo tuvo consistentemente errores más bajos. Por ejemplo, en la prueba del Dow Jones, el nuevo modelo tuvo un error de seguimiento (MAD) de 0.00402 comparado con 0.00458 para el Modelo 3 anterior.
Estabilidad: Las carteras que construyeron estaban compuestas por solo 10 activos (un número muy pequeño comparado con los cientos disponibles). A pesar de este tamaño reducido, siguieron de cerca a los mercados masivos durante largos períodos sin necesidad de ser reorganizadas constantemente.

Lo que NO son
Los autores son cuidadosos al señalar lo que su método no es. Argumentan explícitamente contra la idea de que uno puede simplemente mirar las correlaciones pasadas de las acciones para predecir el futuro. Demuestran que los modelos que ignoran los escenarios de "peor de los casos" (como el antiguo Modelo 1) suelen producir carteras que se ven bien en la prueba, pero fallan cuando las condiciones del mundo real cambian. También señalan que, aunque su heurística (GALB) es asombrosa, es una aproximación; encuentra soluciones que son "iguales o incluso superiores" a los solucionadores exactos en un tiempo menor, pero no garantiza una prueba matemática de perfección para cada escenario posible en el universo, aunque sí convergió a soluciones óptimas para los tamaños de problema que probaron.

La conclusión
En estas simulaciones y pruebas, los autores sugieren que su nuevo modelo "robusto", junto con el equipo de búsqueda GALB, es una forma poderosa de construir una cartera pequeña y de bajo costo que imite un mercado masivo. Parece manejar el caos del mercado de valores mejor que los métodos anteriores, manteniendo el error de seguimiento bajo y la necesidad de rebalanceos costosos al mínimo. Si bien el artículo muestra que estos resultados se mantienen en varios índices globales importantes, los autores presentan esto como un enfoque sólido y probado, en lugar de una solución mágica que resuelva todos los misterios financieros existentes.

Resumen Técnico: Un Nuevo Modelo de Programación Lineal Entera Mixta Robusta para el Seguimiento de Índices sin Reequilibrio

Definición del Problema
El artículo aborda el problema del Seguimiento de Índices (IT, por sus siglas en inglés), un desafío central en la gestión de fondos pasivos donde el objetivo es construir una cartera utilizando un subconjunto de activos que replique el rendimiento de un índice de referencia (benchmark) específico. Los autores identifican limitaciones críticas en las formulaciones existentes:

Sensibilidad a la Correlación: Los modelos tradicionales suelen depender de las correlaciones históricas de los activos, las cuales pueden ser ruidosas, inestables a través de diferentes regímenes de mercado y propensas al sobreajuste (overfitting) de los datos de la muestra interna (in-sample), lo que conduce a un bajo rendimiento en la muestra externa (out-of-sample).
Costos de Reequilibrio: Muchas estrategias requieren reequilibrios frecuentes para mantener la precisión del seguimiento, lo que incurre en significativos costos de transacción y riesgos de liquidez.
Complejidad Computacional: El problema de IT es NP-duro debido a su naturaleza combinatoria (selección de un subconjunto de activos y determinación de sus pesos), lo que dificulta su resolución óptima para conjuntos de datos grandes en tiempos razonables utilizando solvers exactos.

El objetivo específico de este estudio es desarrollar un modelo que sea robusto ante la incertidumbre de los parámetros (específicamente las desviaciones de correlación), capaz de seguir índices durante períodos prolongados sin necesidad de reequilibrio, y que sea resoluble eficientemente mediante un nuevo heurístico.

Metodología

1. Formulación Matemática (Modelo 4)
Los autores proponen una nueva formulación de Programación Lineal Entera Mixta (MILP) que integra dos objetivos distintos en un único modelo robusto:

Robustez mediante la Incertidumbre de Correlación: Basándose en el enfoque de optimización robusta de Bertsimas y Sim (2003), el modelo incorpora un escenario de "peor caso" para las correlaciones de los activos. Minimiza la desviación negativa de las correlaciones (coeficientes $\Gamma$ tomando sus peores valores) para asegurar que la cartera siga siendo efectiva incluso si las correlaciones cambian desfavorablemente.
Minimización del Error de Seguimiento: El modelo minimiza simultáneamente la Desviación Absoluta Media (MAD) entre el rendimiento de la cartera y el rendimiento del índice de referencia.
Restricciones: La formulación incluye restricciones estándar del mundo real como la cardinalidad (limitando el número de activos, $K$ ), umbrales de compra mínima (buy-in thresholds) (pesos mínimos y máximos) y la prohibición de ventas en corto.
Función Objetivo: La función objetivo (Ec. 19) combina el término de error de seguimiento y el término de correlación robusta, escalados por coeficientes $\xi$ y $\psi$ para normalizar los valores entre 0 y 1.

2. Enfoque de Solución: Heurístico GALB
Reconociendo que los solvers exactos tienen dificultades con tamaños de problema mayores, los autores desarrollaron el GALB (Algoritmo Genético con Ramificación Local), un metaheurístico híbrido:

Algoritmo Genético (GA): Actúa como el motor de búsqueda global, utilizando operadores de cruce y mutación para evolucionar una población de soluciones candidatas (carteras).
Ramificación Local (Local Branching): Integrada como un mecanismo de búsqueda local. Cuando se cumplen ciertas condiciones (por ejemplo, un número determinado de iteraciones del GA sin mejoras), el algoritmo aplica ramificación local a la mejor solución encontrada. Esto implica definir un vecindario de distancia de Hamming alrededor de la mejor solución actual y resolver un subproblema de MILP restringido para explorar soluciones cercanas de manera más profunda.
Función de Aptitud (Fitness Function): Se diseñó una función de aptitud especializada (Algoritmo 2) para evaluar las soluciones sin la carga computacional de ejecutar un solver exacto en cada paso. Esta decodifica los pesos de los activos y calcula el valor objetivo robusto directamente, manejando eficientemente los escenarios de peor caso de correlación.

Configuración Experimental
El estudio utilizó datos de ocho mercados principales: Dow Jones, Hang Seng, CAC 40, EURO STOXX 50, DAX, FTSE 100, S&P 100 y Nikkei 225. Las fuentes de datos incluyeron la OR-library y Yahoo Finance (julio de 2018 – enero de 2024).

Comparaciones: El Modelo 4 propuesto y el GALB se compararon contra:
- Formulaciones existentes (Modelo 1 basado en la maximización de la correlación, Modelo 3 basado en la minimización de MAD).
- El solver exacto comercial CPLEX.
Métricas: El rendimiento se evaluó utilizando Correlación ( $\rho$ ), Desviación Absoluta Media (MAD), Error Cuadrático Medio (RMSE), Desviación Estándar del error de seguimiento (STD) y Beta. Se analizaron tanto los resultados de la muestra interna (in-sample) como de la muestra externa (out-of-sample).
Parámetros: Los experimentos probaron varios niveles de incertidumbre ( $\Gamma = 0, 50\%, 75\%, 90\%$ ) y fijaron el tamaño de la cartera en 10 activos ( $K=10$ ).

Resultados Clave

1. Superioridad de la Formulación Robusta:

Cuando se resuelve con CPLEX, el Modelo 4 propuesto superó consistentemente al Modelo 1 y al Modelo 3 en métricas de muestra externa (out-of-sample) en todos los mercados probados (Dow Jones, CAC 40, EURO STOXX 50).
Específicamente, el Modelo 4 logró una mayor correlación con el índice y menores errores de seguimiento (MAD, RMSE, STD) en los períodos de muestra externa, demostrando su robustez frente a los cambios de régimen de mercado.
En términos de eficiencia computacional, CPLEX resolvió el modelo propuesto más rápido que el Modelo 3 en varios mercados (por ejemplo, 72s frente a 118s para el Dow Jones).

2. Rendimiento del Heurístico GALB:

Eficiencia: GALB encontró soluciones de calidad igual o superior a CPLEX en significativamente menos tiempo (por ejemplo, 120s frente a 1800s para el Dow Jones; 300s frente a 1800s para otros).
Optimalidad: Para tamaños de problema más pequeños, GALB convergió al óptimo global (resultados idénticos a CPLEX) en muchas ejecuciones, particularmente cuando $\Gamma=0$ .
Dominancia en Muestra Externa: En la mayoría de los mercados (Hang Seng, DAX, Nikkei 225, S&P 100), las carteras generadas por GALB (especialmente con $\Gamma=75\%$ o $90\%$ ) produjeron un mejor rendimiento de seguimiento en la muestra externa que las de CPLEX, incluso cuando CPLEX tuvo más tiempo para buscar.
Sin Reequilibrio: Las carteras resultantes, compuestas por solo 10 activos, siguieron los índices durante períodos prolongados con una desviación mínima, validando la afirmación de "sin reequilibrio".

Significancia y Reivindicaciones
El artículo sostiene una contribución doble:

Una Formulación Robusta: Introduce un modelo MILP que es más robusto que los modelos de IT tradicionales, capaz de manejar la incertidumbre de la correlación y ofrecer un rendimiento superior en la muestra externa sin requerir reequilibrios frecuentes.
Un Heurístico Potente: Presenta GALB, un algoritmo híbrido que equilibra eficazmente la exploración global (GA) y la explotación local (Ramificación Local). Los autores afirman que GALB no solo resuelve problemas de IT NP-duros más rápido que los solvers comerciales, sino que también genera carteras que superan a las soluciones de los solvers exactos en términos de precisión de seguimiento en el mundo real.

El estudio concluye que el enfoque propuesto permite la construcción de carteras ligeras (de tan solo 10 activos) que mantienen una alta correlación con índices volátiles y grandes (como el Nikkei 225) durante períodos extendidos, reduciendo efectivamente los costos de gestión asociados con la rotación y el reequilibrio.

Más como este