📈 economics

Multi-objective Portfolio Optimization Via Gradient Descent

Este artículo presenta un marco de referencia flexible, basado en el descenso de gradiente, para la optimización de carteras multiobjetivo que aprovecha la diferenciación automática para gestionar restricciones complejas y objetivos diversos, demostrando un rendimiento competitivo frente a los solvers estándar en diversos escenarios experimentales.

Autores originales: Christian Oliva, Pedro R. Ventura, Luis F. Lago-Fernandez

Publicado 2026-08-15

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Christian Oliva, Pedro R. Ventura, Luis F. Lago-Fernandez

Artículo original bajo licencia CC BY 4.0 (https://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 el capitán de un barco masivo, pero en lugar de navegar sobre el agua, navegas por un mar hecho enteramente de dinero. Tu objetivo es ir del punto A al punto B con el mayor tesoro posible, pero hay un inconveniente: el océano está lleno de tormentas (riesgo) y tienes un mapa estricto (regulaciones) que dice que no puedes cargar demasiado oro en un solo cofre, y que debes mantenerte cerca de un faro específico (un índice de referencia o benchmark). Este es el mundo de la optimización de carteras. Durante décadas, la forma estándar de dirigir este barco fue utilizar una brújula matemática rígida llamada "Teoría de Cartera Moderna". Funcionaba bien en aguas tranquilas, pero cuando el mar se volvía agitado con reglas complejas o metas conflictivas —como querer el máximo tesoro y el mínimo riesgo y límites de seguridad estrictos— la vieja brújula a menudo se quedaba atascada o se rompía.

Entra en escena un nuevo tipo de herramienta de navegación: el Descenso de Gradiente. Piensa en esto no como un mapa rígido, sino como un excursionista que se abre paso en una montaña con niebla. El excursionista (la computadora) da pequeños pasos, comprobando constantemente hacia qué dirección es más empinada la bajada (hacia menos riesgo o más beneficio) y ajustando su camino. Por lo general, este método de "senderismo" se utiliza para enseñar a las computadoras a reconocer gatos en fotos o a conducir coches. Pero, ¿y si enseñamos a la computadora a hacer senderismo a través de las montañas financieras? Eso es exactamente lo que este artículo explora. Los investigadores construyeron un nuevo marco de trabajo que utiliza esta técnica de "senderismo", impulsada por herramientas modernas de IA, para resolver los desordenados problemas de múltiples objetivos de la inversión con los que los métodos antiguos luchan. Querían ver si este enfoque flexible, paso a paso, podía construir un cofre del tesoro mejor, más seguro y que cumpliera más estrictamente con las reglas que las calculadoras tradicionales y rígidas.

El viaje del artículo: Caminando por las montañas financieras

Los autores, un equipo de la Universidad Autónoma de Madrid y March Asset Management, se propusieron probar si este método de "senderismo" (Descenso de Gradiente) podía manejar la compleja tarea de la Optimización de Carteras Multiobjetivo (MPO). En el mundo real, los inversores no solo quieren "altos rendimientos". Quieren altos rendimientos mientras mantienen el riesgo bajo, mientras cumplen con leyes estrictas (como las normas UCITS europeas), mientras se aseguran de no poner todos los huevos en una sola cesta y mientras siguen de cerca un índice de mercado específico. Las herramientas tradicionales suelen tener dificultades cuando se les pide que hagan malabares con todas estas bolas a la vez, especialmente si las reglas son complicadas o los datos son enormes.

Los investigadores construyeron un patio de recreo digital utilizando datos del S&P 500 (una lista de unas 500 de las mayores empresas de EE. UU.) del año 2020. No construyeron solo una prueba; construyeron seis escenarios diferentes, que van desde tareas simples de "encontrar el mejor camino" hasta desafíos increíblemente complejos de "encontrar el mejor camino mientras se esquinan rocas, se respetan los límites de velocidad y se lleva un peso específico".

Las pruebas simples: Caminando en línea recta
Primero, probaron lo básico. En un escenario, pidieron a la computadora que simplemente encontrara el camino con el mejor equilibrio entre riesgo y recompensa (maximizando el "ratio de Sharpe"). Compararon su nuevo método de "senderismo" contra un famoso y rígido optimizador matemático llamado CVXPY. ¿El resultado? El excursionista y la calculadora rígida llegaron casi exactamente al mismo lugar. Los pesos de los activos (cuánto dinero se invertía en cada acción) eran casi idénticos, diferenciándose solo en el sexto decimal. Esto demostró que el nuevo método era tan preciso como las herramientas antiguas y confiables para trabajos sencillos.

En una segunda prueba, pidieron a la computadora que minimizara las "pérdidas extremas" (un concepto llamado CVaR). Compararon esto contra otra herramienta llamada SKFOLIO. Aquí, el "excursionista" tomó un camino ligeramente diferente al de la calculadora rígida, eligiendo diferentes acciones y asignándoles pesos ligeramente distintos. Sin embargo, cuando comprobaron el resultado final —la cantidad real de pérdida extrema evitada— los dos métodos eran prácticamente gemelos. La diferencia fue tan mínima (en el quinto decimal) que, para fines práct prácticos, el excursionista encontró el mismo destino, simplemente sintiendo el terreno en lugar de seguir un mapa predibujado. Esto fue algo importante porque el problema de la "pérdida extrema" es matemáticamente desordenado y difícil de resolver perfectamente para las herramientas rígidas; el excursionista lo manejó con facilidad.

Las pruebas complejas: Malabares y pistas de obstáculos
Entonces, la cosa se puso interesante. Los investigadores añadieron capas de complejidad, como un videojuego añadiendo nuevos niveles.

El cumplidor de reglas: Pidieron a la computadora que minimizara las pérdidas extremas mientras obedecía las regulaciones UCITS. Estas son reglas europeas estrictas que dicen, por ejemplo, "Ninguna acción individual puede representar más del 10% de tu cartera" y "El total de tus grandes apuestas (más del 5%) no puede exceder el 40%". Las herramientas tradicionales a menudo fallan ante estas reglas porque hacen que las matemáticas sean "no convexas" (una forma elegante de decir que el mapa tiene agujeros y acantilados que rompen las calculadoras rígidas). Pero, ¿el excursionista? Simplemente siguió caminando, ajustando sus pasos hasta encontrar un camino que se mantuviera dentro de las líneas. El resultado fue una cartera que seguía perfectamente las reglas mientras mantenía el riesgo bajo.
El equilibrista: En otra prueba, añadieron una restricción de Error de Seguimiento (Tracking Error). Esto significa que el rendimiento de la cartera debía permanecer muy cerca del índice S&P 500 (como un equilibrista manteniéndose en la cuerda floja). El excursionista logró minimizar las pérdidas extremas y mantenerse pegado al índice, demostrando que podía equilibrar objetivos conflictivos sin caerse.
El desafío definitivo: La última y más compleja prueba pidió a la computadora que hiciera todo a la vez: maximizar rendimientos, minimizar pérdidas extremas, seguir las reglas UCITS, mantener un número mínimo de acciones, asegurar que ninguna acción fuera demasiado pequeña y mantenerse cerca del índice. La computadora navegó con éxito este caótico circuito de obstáculos. Seleccionó 23 acciones, mantuvo cada una de ellas por encima de un peso del 1%, aseguró que las "grandes apuestas" se mantuvieran bajo el límite del 40% y entregó una cartera que superó al índice estándar en rendimientos ajustados al riesgo.

El misterio de la "máscara"
En una prueba final y creativa, los investigadores crearon "máscaras" —grupos de acciones que debían mantenerse bajo un peso total determinado (como decir: "el grupo tecnológico no puede tener más del 27% de tu dinero")—. El excursionista distribuyó el dinero con éxito de modo que ningún grupo rompiera su límite, mientras seguía minimizando el riesgo general de la cartera. Mostró que el método podía manejar reglas personalizadas y arbitrarias que serían una pesadilla para el software más antiguo.

Lo que esto significa para el futuro

El artículo no afirma haber descubierto una "solución mágica" que garantice que te harás rico. En cambio, sugiere algo más práctico: flexibilidad. Los autores demuestran que utilizar el Descenso de Gradiente con diferenciación automática (una herramienta que permite a las computadoras calcular pendientes instantáneamente) es una forma poderosa y escalable de resolver problemas de inversión que son demasiado desordenados para la matemática tradicional.

El hallazgo clave es que este método es competitivo con las mejores herramientas existentes para tareas sencillas, pero superior para escenarios complejos con múltiples reglas. No solo encuentra una respuesta, sino que encuentra una buena respuesta que respeta todas las desordenadas y reales restricciones que enfrentan los inversores. Los investigadores enfatizan que el "excursionista" necesita un guía (el usuario) para establecer los "pesos" correctos (cuánto importar más el riesgo frente a la recompensa), pero una vez elegidos estos ajustes, la computadora puede encargarse del trabajo pesado de equilibrar docenas de objetivos conflictivos simultáneamente.

Al final, este artículo abre la puerta a un nuevo tipo de herramienta financiera: una que es tan adaptable como un excursionista humano, capaz de navegar por el terreno nebuloso y rocoso de la inversión moderna donde los mapas rígidos fallan. Sugiere que, al tomar prestadas técnicas del mundo de la inteligencia artificial, podemos construir carteras que no solo sean matemáticamente sólidas, sino también prácticamente robustas y preparadas para el mundo real.

Resumen Técnico: Optimización de Carteras Multiobjetivo mediante el Descenso de Gradiente

Planteamiento del Problema
La optimización de carteras (PO) tradicional, basada en la Teoría Moderna de Cartera (Markowitz, 1952), suele recurrir a la programación cuadrática o a algoritmos evolutivos. Aunque son efectivos para problemas de un solo objetivo, estos enfoques presentan dificultades de escalabilidad y flexibilidad al abordar escenarios complejos del mundo real que involucran grandes conjuntos de datos, restricciones no convexas y múltiples objetivos en conflicto (por ejemplo, minimizar simultáneamente el Valor en Riesgo Condicional (CVaR) y maximizar el ratio de Sharpe). Además, los algoritmos de solución exacta enfrentan dificultades cuando los problemas se vuelven NP-duros debido a las restricciones no convexas o a la alta dimensionalidad. Los autores identifican una brecha en la literatura donde las técnicas de Aprendizaje Automático (ML), específicamente los métodos basados en gradiente, están subutilizadas en la Optimización de Carteras Multiobjetivo (MPO) en comparación con las metaheurísticas basadas en poblaciones como los Algoritmos Genéticos (GA) y los Algoritmos de Enjambre (SA).

Metodología
El artículo propone un marco de referencia para la MPO utilizando el descenso de gradiente con diferenciación automática, implementado mediante librerías de aprendizaje profundo (TensorFlow y PyTorch). La metodología central consiste en:

Formulación Diferenciable: En lugar de resolver un programa cuadrático estático, los pesos de la cartera se tratan como el resultado de una transformación diferenciable de "pre-pesos" ( $z$ $z$ ) aprendibles.
- Para asegurar que los pesos sumen 1 y sean no negativos, los autores emplean la función softmax.
- Para abordar la limitación de la softmax (que rara vez produce soluciones dispersas), utilizan sparsemax (Martins y Astudillo, 2016), que trunca los valores pequeños a cero, facilitando la construcción de carteras dispersas.
Construcción de la Función de Pérdida: El objetivo de optimización se define como una función de pérdida $L$ $L$ a minimizar. Esta función combina:
- Objetivos Primarios: Tales como maximizar el ratio de Sharpe (formulado como $-(R - r_f)/\sigma(R)$ ) o minimizar el CVaR.
- Restricciones como Penalizaciones: Las restricciones regulatorias y prácticas se incorporan como términos de penalización añadidos a la función de pérdida, ponderados por hiperparámetros ( $\lambda$ ).
Gestión de Restricciones No Diferenciables: Para mantener la compatibilidad con el descenso de gradiente, los autores introducen técnicas específicas para operaciones no diferenciables:
- Restricciones de Umbral: Implementadas mediante ReLU (ej., $[w - \alpha]_+$ ) para penalizar los pesos que exceden un límite.
- Máscaras Condicionales: Para decisiones binarias (ej., selección de activos), se utiliza una función "round sigmoid". Durante la retropropagación, se utiliza el gradiente de la sigmoide suave en lugar de la función de redondeo no diferenciable, lo que permite al optimizador aprender máscaras efectivas.
Configuración Experimental: El marco se evalúa en activos del S&P 500 (2019–2020) a través de seis escenarios que van desde la optimación de un solo objetivo hasta problemas multiobjetivo complejos con múltiples restricciones (regulaciones UCITS, límites de error de seguimiento, recuento de activos activos y límites de peso de subconjuntos).

Contribuciones Clave

Un Marco de MPO Flexible: Los autores proporcionan un marco de referencia de código abierto y extensible que permite a los investigadores modelar cualquier objetivo y restricción financiera dentro de un marco unificado de descenso de gradiente.
Gestión de Restricciones Diferenciables: El artículo detalla técnicas específicas (sparsemax, penalizaciones ReLU y gradientes sustitutos para máscaras) para imponer restricciones complejas (como las directivas UCITS y los límites de recuento de activos) sin romper la diferenciabilidad requerida para la retropropagación.
Análisis Comparativo: El estudio compara el método propuesto contra solvers estándar (CVXPY para problemas convexos, SKFOLIO para CVaR) y metaheurísticas, demostrando que el descenso de gradiente puede lograr resultados competitivos ofreciendo, al mismo tiempo, una mayor flexibilidad de modelado.

Resultados
Los resultados experimentales a través de seis casos demuestran la eficacia del marco:

Caso 1 (Maximizar el Ratio de Sharpe): El optimizador de descenso de gradiente (GD) produjo resultados casi idénticos a la solución convexa exacta proporcionada por CVXPY, con un Error Cuadrático Medio (MSE) de $3.6179 \times 10^{-5}$ en los vectores de pesos a lo largo de 100 simulaciones.
Caso 2 (Minimizar el CVaR): Aunque los pesos de los activos específicos diferían del solver exacto de SKFOLIO (debido a que el CVaR es no convexo), el optimizador GD logró un valor de CVaR que difería solo en el quinto decimal, aproximando efectivamente la solución global.
Caso 3 (Minimizar el CVaR con UCITS): El marco satisfizo con éxito las restricciones simplificadas de UCITS (ej., ningún activo individual >10%, la suma de activos entre 5% y 40%) mientras minimizaba el CVaR, un escenario donde los solvers exactos como CVXPY no pueden encontrar una solución debido a violaciones de la Programación Convexa Disciplinada (DCP).
Casos 4 y 5 (Multiobjetivo con Restricciones): El optimizador equilibró con éxito objetivos en conflicto (maximizar el ratio de Sharpe y minimizar el CVaR) mientras cumplía con los límites de error de seguimiento, los pesos mínimos de los activos y el recuento de activos activos. El Caso 5 mostró una mejora significativa en el ratio de Sharpe (0.0516 frente a 0.0310 en el Caso 4) con solo un aumento marginal en el CVaR, demostrando una gestión eficaz de las compensaciones.
Caso 6 (Restricciones de Subconjuntos): El método minimizó eficazmente la volatilidad mientras cumplía estrictamente con los límites de peso en subconjuntos de activos predefinidos (máscaras), con desviaciones inferiores al 0.01%.

Significancia y Reivindicaciones
Los autores posicionan este trabajo no como una estrategia de optimización novedosa destinada a superar a todas las técnicas existentes, sino como una herramienta práctica y extensible para investigadores y profesionales. La principal significancia radica en la capacidad del marco para:

Modelar la Complejidad: Manejar combinaciones arbitrarias de objetivos y restricciones (incluyendo reglas regulatorias como UCITS) que son difíciles de formular para los solvers tradicionales.
Aprovechar la Diferenciación Automática: Utilizar la simplicidad computacional y la adaptabilidad de los marcos de aprendizaje profundo para resolver problemas de carteras a gran escala.
Facilitar la Investigación: Proporcionar una base reproducible (mediante código abierto) para futuros estudios en la optimización de carteras multiobjetivo, sirviendo potencialmente como fundamento para comparar métodos basados en gradiente frente a metaheurísticas o para integrar modelos prospectivos como Black-Litterman.

El artículo concluye que el benchmark de descenso de gradiente propuesto es una alternativa robusta, fiable y flexible para la construcción de carteras en condiciones del mundo real donde se deben gestionar simultáneamente múltiples objetivos en conflicto y restricciones estrictas.

El viaje del artículo: Caminando por las montañas financieras

Lo que esto significa para el futuro

Más como este