💰 quantitative finance

Large-Scale Portfolio Optimization Problem Under Cardinality Constraint With Enhanced Multi-Objective Evolutionary Algorithms

Este artículo propone algoritmos evolutivos multiobjetivo mejorados que presentan representaciones de soluciones, operadores y mecanismos de reparación novedosos para resolver eficientemente problemas de optimización de carteras a gran escala bajo restricciones de cardinalidad, demostrando una convergencia más rápida y un rendimiento superior en comparación con los métodos tradicionales a medida que aumenta la complejidad del mercado.

Autores originales: Danial Ramezani, Mostafa Abouei Ardakan

Publicado 2026-07-13

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Danial Ramezani, Mostafa Abouei Ardakan

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 eres un buscador de tesoros intentando construir la mochila definitiva para un largo viaje. Quieres dos cosas: las monedas de oro más valiosas (alto rendimiento) y una carga lo más ligera y segura posible (bajo riesgo). Pero hay un inconveniente. Tu mochila tiene una regla estricta: solo puedes cargar un número específico de artículos diferentes, digamos entre 3 y 10, sin importar cuántos tesoros estén esparcidos por el mapa. Este es el problema de la "Optimización de Cartera con Restricción de Cardinalidad".

Durante décadas, los inversores han intentado resolver esto utilizando métodos matemáticos "exactos", como intentar contar cada grano de arena en una playa para encontrar el puñado perfecto. El artículo explica que este enfoque es como intentar beber de una manguera de incendios: es demasiado lento y se queda estancado cuando el número de activos (los granos de arena) se vuelve enorme. De hecho, los autores señalan que añadir estas reglas del mundo real convierte el problema en una pesadilla para las computadoras, conocida como "NP-duro", donde las herramientas matemáticas tradicionales simplemente se rinden o tardan una eternidad.

La Gran Idea: Un Nuevo Diseño de Mochila
En lugar de intentar contar cada grano de arena, los autores construyeron un nuevo tipo de mochila y un nuevo conjunto de reglas para cómo empacarla. Tomaron una herramienta popular llamada NSGA-II (piensa en ella como un robot inteligente y evolutivo que prueba diferentes combinaciones de mochilas) y le dieron una mejora importante.

Así es como funciona su nuevo sistema, utilizando sus propias analogías y mecánicas:

1. La Mochila de "Tamaño Fijo" (Nueva Codificación)
Los métodos antiguos intentaban cargar una lista de todos los tesoros posibles y simplemente marcaban cuáles llevar. Si tenías 225 tesoros, tu lista siempre tenía 225 artículos, incluso si solo cargabas 10. Esto hacía que el robot perdiera tiempo revisando espacios vacíos.
Los autores cambiaron la mochila misma. Ahora, la mochila tiene exactamente Kmax ranuras (el número máximo de artículos que se te permite cargar). Si se te permite cargar hasta 5 artículos, tu mochila tiene exactamente 5 ranuras.

El Truco: Si pones el mismo tesoro en dos ranuras, cuenta como un solo artículo, pero el peso (dinero) se suma. Esto hace que sea mucho más fácil para el robot verificar si está rompiendo las reglas. Si la mochila tiene menos de Kmin artículos únicos (por ejemplo, solo 2 artículos únicos cuando necesitas al menos 3), el robot sabe que necesita intercambiar un nuevo tesoro.

2. La Cacería de "Dos Fases" (Estrategias de Apareamiento)
El robot no solo adivina al azar. Caza en dos fases distintas, como un detective resolviendo un caso:

Fase 1 (La Red Amplia): Al principio, el robot es salvaje. Utiliza una estrategia basada en el "punto de inflexión" (Knee-based) para encontrar las mejores combinaciones de tesoros. Busca el "punto de inflexión" de la curva: ese punto ideal donde obtienes el máximo oro con el menor peso adicional. Cruza soluciones que están cerca de este punto ideal para encontrar la mezcla de activos correcta rápidamente.
Fase 2 (El Ajuste Fino): Una vez que tiene una buena lista de tesoros, deja de buscar nuevos y comienza a ajustar la cantidad de cada tesoro. Utiliza una estrategia basada en la "similitud", cruzando mochilas que ya tienen los mismos tesoros pero diferentes pesos, para ajustar el equilibrio exacto.

3. La Herramienta del "Explorador"
A veces, el robot arregla una mochila rota (una que tiene demasiados o muy pocos artículos) simplemente intercambiando un artículo al azar. Pero los autores se dieron cuenta de que esto es torpe. Inventaron una nueva herramienta llamada el "Explorador".
Imagina que tienes una mochila a la que le falta un artículo. En lugar de simplemente agarrar la primera piedra que veas, el Explorador observa varias formas diferentes de llenar ese vacío. Prueba cinco métodos "heurísticos" diferentes (como repartir el dinero equitativamente o dar más dinero a los artículos más seguros) para ver cuál hace que la mochila sea mejor. Luego elige la mejor versión e incluso camina un poco hacia el espacio "desconocido" entre la mochila vieja y la nueva para ver si puede encontrar algo aún mejor. Esto asegura que el arreglo no sea solo "aceptable", sino que sea realmente una mejora.

4. El "Equipo de Reparación" (Gestión de Restricciones)
Cuando el robot rompe las reglas accidentalmente (como elegir demasiados artículos o poner demasiado dinero en un solo artículo), no tira la mochila a la basura. Tiene un equipo de reparación especializado:

El Equipo de Asociación: Observa qué otros tesoros están llevando las mochilas exitosas en el grupo actual y copia esos patrones.
El Equipo de Puntuación: Agrupa los tesoros según cómo funcionan juntos y elige el mejor grupo.
El Equipo de Umbral: Busca específicamente tesoros que no se mueven en sincronía con los demás (baja correlación) para añadir diversidad.

Lo Que Encontraron (Los Resultados)
Los autores probaron este nuevo sistema contra el robot estándar anterior en cuatro mercados reales: el DAX 100 (Alemania), el S&P 100 (EE. UU.), el Nikkei 225 (Japón) y la Bolsa de Valores de Teherán (TSE).

El Tamaño de la Prueba: Utilizaron conjuntos de datos con 85, 98, 225 y 418 activos respectivamente.
Las Reglas: Establecieron la mochila para que contuviera entre Kmin y Kmax artículos (por ejemplo, entre 2 y 10, o exactamente 10).
El Resultado: En simulaciones ejecutadas durante 100 iteraciones con una población de 100 soluciones, su robot mejorado encontró consistentemente mejores mochilas.
- Encontró soluciones que estaban más cerca del límite teórico "perfecto" (medido por una métrica llamada IGD).
- Cubrió un rango más amplio de buenas opciones (medido por el Hypervolume).
- Lo hizo de forma más rápida y fiable, especialmente cuando el número de activos crecía.

Lo Que Descartan Explícitamente
El artículo es muy claro sobre lo que no funciona bien para este problema específico:

Métodos Exactos: Argumentan que los métodos matemáticos tradicionales y exactos son ineficientes para este problema porque es NP-duro. Sugieren que estos métodos son demasiado lentos para mercados grandes.
Funciones de Penalización: Aunque algunos investigadores utilizan "funciones de penalización" (dar una mala puntuación a las mochilas rotas), este artículo establece explícicamente que la gran mayoría de los estudios exitosos utilizan mecanismos de reparación (arreglar la mochila) en lugar de eso. Eligieron reparar las soluciones en lugar de simplemente penalizarlas.
Adivinación Aleatoria: Demuestran que el simple hecho de cruzar soluciones al azar al principio es una pérdida de tiempo. Su selección basada en el "punto de inflexión" (Knee-based) es necesaria para guiar la búsqueda.

¿Qué Tan Seguros Están?
Los autores están seguros de sus resultados, pero son cuidadosos con su lenguaje. Afirman que su enfoque "indica" y "demuestra" superioridad basándose en 100 ejecuciones de la simulación. Utilizaron pruebas estadísticas (la Prueba de Signo y la Prueba de Rango de Wilcoxon) para demostrar que sus resultados no fueron cuestión de suerte.

Por ejemplo, en el mercado de la TSE, su método ganó 10 de 10 veces contra el método estándar para la métrica de Hypervolume.
Sin embargo, señalan que para el mercado DAX 100, la mejora en una métrica específica (MGD) no fue estadísticamente significativa al nivel más estricto, aunque seguía siendo mejor en promedio.

La Conclusión Final
El artículo sugiere que al cambiar la forma en que representamos el problema (la mochila de tamaño fijo), cómo buscamos las soluciones (la cacería de dos fases) y cómo arreglamos los errores (la herramienta del Explorador), podemos encontrar mejores carteras de inversión mucho más rápido. Esto es especialmente cierto cuando el mercado se llena con cientos de activos. Los autores concluyen que, si bien su método es una mejora sólida, no es una varita mágica; todavía necesita ser adaptado si los inversores desean añadir reglas aún más complejas, como los costos de transacción, en el futuro. Pero por ahora, es una forma mucho más inteligente de empacar la mochila.

Resumen Técnico: Optimización de Cartera a Gran Escala bajo Restricción de Cardinalidad con Algoritmos Evolutivos Multiobjetivo Mejorados

Definición del Problema
El artículo aborda el Problema de Optimización de Cartera con Restricción de Cardinalidad (CCPOP), una variante del modelo clásico de Media-Varianza (MV) introducido por Markowitz. Si bien el modelo MV busca maximizar el rendimiento y minimizar el riesgo, a menudo no logra considerar las restricciones del mundo real, lo que convierte al problema en un problema NP-duro. Específicamente, este estudio se centra en la Restricción de Cardinalidad (CC), que limita el número de activos ( $K$ ) en una cartera a un rango $[K_{min}, K_{max}]$ , y la Restricción de Frontera (BC), que restringe el peso de los activos individuales a $[\epsilon_i, \delta_i]$ . La inclusión de estas restricciones, junto con los objetivos conflictivos de riesgo y rendimiento, hace que los métodos exactos sean ineficientes para mercados a gran escala, lo que requiere el uso de algoritmos de aproximación.

Metodología
Los autores proponen una versión personalizada del Algoritmo Genético de Clasificación No Dominada II (NSGA-II) diseñada para manejar las complejidades específicas del CCPOP. La metodología introduce cuatro innovaciones primarias:

Codificación de Soluciones Novedosa:
En lugar del estándar vector de valores reales de tamaño $N$ (total de activos), los autores proponen un cromosoma de tamaño fijo $K_{max}$ que consta de dos filas:
- Fila 1: Identificadores de activos seleccionados para la cartera.
- Fila 2: Pesos correspondientes.
  Esta representación limita intrínsecamente el número de activos a $K_{max}$ , eliminando la necesidad de mecanismos de reparación para eliminar activos excedentes cuando se viola el límite superior. Se permiten activos duplicados en la primera fila; sus pesos en la segunda fila se suman para determinar la asignación total para ese activo.
Estrategias de Apareamiento Dinámico:
El proceso de selección se divide en dos fases para equilibrar la exploración y la explotación:
- Iteraciones Tempranas (Exploración): Se utiliza una Selección de Torneo Basada en la Rodilla (Knee-based). Selecciona individuos basados en la distancia euclidiana al "Punto de la Utopía" (rendimiento máximo/riesgo mínimo ideal), priorizando soluciones cerca de la rodilla del Frente de Pareto (PF) para encontrar combinaciones de activos de alta calidad rápidamente.
- Iteraciones Tardías (Explotación): Se activa una Selección de Torneo de Matriz Basada en Similitud. Identifica carteras con combinaciones de activos idénticas o similares y las aparea para perfeccionar las asignaciones de capital (pesos) en lugar de buscar nuevas mezclas de activos.
Mutación Especializada y el Operador "Explorer":
- Mutaciones: Se combinan dinámicamente tres tipos de mutaciones. Las iteraciones tempranas utilizan mutaciones que intercambian activos (búsqueda global), mientras que las iteraciones tardías se centran en ajustar los pesos (búsqueda local).
- Operador Explorer: Un novedoso operador de reparación y optimización diseñado para individuos que violan las restricciones. Genera soluciones candidatas utilizando cinco métodos heurísticos de distribución de capital (por ejemplo, distribución equitativa, basada en volatilidad, relación retorno-riesgo). Luego explora el espacio entre la solución objetivo y el mejor candidato utilizando una fórmula de interpolación específica (Ecuación 10) para encontrar asignaciones de peso superiores sin alterar el conjunto de activos.
Mecanismos de Manejo de Restricciones:
- Reparación de Cardinalidad: Se proponen tres técnicas para añadir activos a las carteras que violan la restricción $K_{min}$ $K_{min}$ :
  - Basada en asociación: Utiliza el agrupamiento (clustering) del Frente de Pareto actual para identificar activos que coocurren frecuentemente con los activos de la cartera violada.
  - Basada en puntuación: Agrupa todo el universo de activos y selecciona activos de los grupos con mayor puntuación basándose en métricas de correlación y rendimiento.
  - Basada en umbral: Selecciona activos con baja correlación con los activos de la cartera existente, controlado por un coeficiente de rigurosidad.
- Reparación de Frontera: Se utiliza una versión modificada de Chang et al. (2000) para ajustar los pesos para satisfacer $[\epsilon_i, \delta_i]$ , manejando específicamente los casos donde los activos duplicados causan violaciones de peso total.

Contribuciones Clave

Eficiencia de Codificación: La representación de cromosoma de tamaño fijo simplifica el manejo del límite superior de cardinalidad y reduce la sobrecarga computacional de los mecanismos de reparación.
Búsqueda Adaptativa: La estrategia de apareamiento de dos fases (Rodilla vs. Similitud) equilibra eficazmente el descubrimiento de combinaciones de activos diversas con la optimización de la asignación de capital.
Reparación Mejorada: El operador "Explorer" proporciona una forma estructurada para re-optimizar los pesos de las soluciones reparadas, asegurando que la viabilidad no se produzca a costa del rendimiento.
Escalabilidad: El enfoque está diseñado específicamente para mantener el rendimiento a medida que aumenta el número de activos disponibles ( $N$ ), abordando una debilidad conocida de los algoritoritmos evolutivos estándar para problemas de gran escala.

Resultados Experimentales
El algoritmo propuesto fue probado contra el NSGA-II estándar y una versión que utiliza la nueva codificación pero estrategias de apareamiento estándar. Los experimentos se realizaron en cuatro conjuntos de datos: DAX 100, S&P 100, Nikkei 225 y la Bolsa de Valores de Teherán (TSE) (418 activos).

Métricas de Desempeño: El estudio utilizó el Hipervolumen (HV), Distancia Generacional (GD), Distancia Generacional Invertida (IGD) y la Métrica de Diversidad ( $\Delta$ ). También se introdujo una "Distancia Generacional Modificada" (MGD) para normalizar las comparaciones.
Hallazgos:
- El enfoque propuesto superó consistentemente al NSGA-II estándar en todas las métricas y mercados.
- La brecha de rendimiento se amplió a medida que aumentaba el número de activos, demostrando una escalabilidad superior.
- El algoritmo logró tasas de convergencia más rápidas, particularmente evidente en los gráficos de IGD a través de las generaciones.
- La validación estadística mediante Pruebas de Signo y Pruebas de Rango de Wilcoxon confirmó la significancia de las mejoras (p < 0.05) en la mayoría de las métricas, con la excepción de la MGD en el mercado DAX 100.
- El análisis del tiempo computacional indicó que, si bien Python es más lento que C++, la codificación y la lógica propuestas resultaron en tiempos de ejecución comparables o incluso mejores que los enfoques estándar, incluso para el conjunto de datos más grande de la TSE.

Significancia y Reivindicaciones
El artículo afirma que la estrategia propuesta ofrece una solución robusta para la optimización de carteras a gran escala bajo restricciones de cardinalidad. Los autores sostienen que su enfoque:

Proporciona una convergencia más rápida y una capacidad de búsqueda extensa en comparación con los métodos tradicionales.
Mantiene la estabilidad del rendimiento a medida que crece el tamaño del mercado (número de activos), mientras que los algoritmos estándar tienden a degradarse.
Maneja eficazmente el compromiso entre encontrar el conjunto óptimo de activos y la asignación óptima de pesos a través de su apareamiento por fases y el operador "Explorer".

El estudio concluye que, si bien la formulación actual aborda CC y BC, el trabajo futuro podría incorporar otras restricciones del mundo real como los costos de transacción y la liquidez, lo que requeriría modificaciones adicionales en los mecanismos de reparación propuestos.

Más como este