Optimización condicional de portafolios utilizando máquinas de vectores soporte

Abstract

Esta investigación propone una arquitectura de conditional portfolio optimization (CPO) basada en Support Vector Regression (SVR), utilizando el Ratio de Sortino como métrica objetivo. Se empleó un proceso metodológico en cinco fases que incluyó recolección de datos, selección y transformación de variables, entrenamiento de modelos, validación cruzada temporal y backtesting dinámico con rebalanceos semestrales y simulaciones con ventanas aleatorias. Los resultados muestran que SVR-CPO supera en rendimiento anual, CAGR y Ratio de Sortino a métodos tradicionales (mínima varianza y máximo Sharpe) y a otras técnicas basadas en aprendizaje automático como XGBoost. Se recomienda su implementación para gestores que buscan equilibrio entre rendimiento y riesgo ajustado. Entre las limitaciones destaca un rendimiento medio en Downside Risk, aunque compensa con mayor consistencia general. La contribución es original al reemplazar árboles de regresión por SVR en CPO, lo que mejora la parsimonia del modelo. En conclusión, SVR-CPO representa una alternativa flexible, robusta y adaptativa frente a metodologías tradicionales de asignación de activos.