Optimización condicional de portafolios con máquinas de vectores soporte

Abstract

Este proyecto tiene como objetivo optimizar la asignación de activos financieros bajo condiciones de mercado cambiantes utilizando el modelo SVR-CPO. A partir del enfoque original del CPO basado en árboles de decisión con boosting, se proponen mejoras incorporando Support Vector Regression (SVR), redes neuronales, XGBoost y regresión lineal, con el fin de aumentar la precisión predictiva y la estabilidad del modelo.

El modelo utiliza indicadores financieros relevantes y técnicas de machine learning para predecir el Ratio de Sortino, priorizando la reducción del riesgo de pérdidas en entornos volátiles. La metodología incluye la creación de múltiples portafolios con simulaciones aleatorias, el ajuste de hiperparámetros mediante técnicas de optimización y la aplicación de algoritmos de clustering para identificar distintos regímenes de mercado.

Los resultados de las simulaciones de backtesting muestran que el modelo SVR-CPO presenta un rendimiento promedio comparable al modelo CPO original, pero con menor volatilidad. Destaca su robustez ante datos ruidosos y la capacidad de generalización gracias a su enfoque basado en márgenes óptimos. Además, el modelo logra un buen equilibrio entre riesgo y rentabilidad al maximizar el Ratio de Sortino en comparación con otras metodologías tradicionales.

En conclusión, la implementación de SVR en el contexto de CPO permite una mejor adaptación a mercados complejos, ofreciendo una estrategia de inversión más robusta frente a variaciones abruptas y condiciones de alta incertidumbre.