Según arXiv q-fin, un enfoque basado en aprendizaje centrado en decisiones (DFL) ha ganado relevancia en la optimización de portafolios debido a su capacidad para entrenar modelos según la calidad de las decisiones finales, no solo según la precisión de predicciones. Sin embargo, estrategias derivadas del método SPO (Smart, Predict then Optimize surrogate) han mostrado una tendencia a generar señales de retorno exageradas y a producir reajustes de portafolios inestables. Este trabajo introduce una interpretación a partir de las condiciones de Karush-Kuhn-Tucker (KKT), que permite ver las decisiones de inversión como una clasificación entre puntuaciones marginales ajustadas por riesgo y costos de transacción. En un análisis empírico, se identifican fenómenos como la inflación de predicciones y un giro excesivo en las asignaciones de activos, especialmente en portafolios entrenados con SPO. Para mitigar estos efectos, se evalúan tres mecanismos prácticos: la clippin, el escalado min-max y la regulación parcial del portafolio. Los resultados indican que la implementación efectiva de estrategias basadas en SPO depende clave de límites realistas en las salidas del modelo y de controles específicos sobre el giro del portafolio.
Para los inversores peruanos, esta investigación tiene un peso significativo. El contexto nacional, marcado por fluctuaciones del mercado de valores y una alta sensibilidad ante cambios en los costos de transacción, exige que las estrategias de inversión no solo sean técnicamente sólidas, sino también robustas ante condiciones de volatilidad. Los portafolios que operan sin controles de giro pueden generar pérdidas acumuladas por reajustes frecuentes, especialmente en mercados donde las transacciones son costosas y los activos son menos líquidos. Además, el hecho de que las predicciones sean amplificadas puede llevar a decisiones erróneas, como la exposición excesiva a activos de alto riesgo, que no reflejan la realidad del entorno peruano. En este escenario, la implementación de mecanismos como el escalado de salida o el ajuste parcial permite mantener una gestión más equilibrada, evitando excesos que podrían afectar el rendimiento a largo plazo. Es vital que los inversores no confíen únicamente en algoritmos, sino que evalúen si los modelos incorporan límites prácticos y si sus decisiones están alineadas con el perfil de riesgo de su situación financiera.
En un país donde la inversión individual es cada vez más accesible, pero donde la información y las herramientas técnicas no siempre son claras, este tipo de análisis sirve como una guía para entender cómo los modelos matemáticos pueden fallar si no se ajustan a la realidad operativa. Los peruanos que gestionan sus fondos personales deben prestar atención a la estabilidad de las estrategias, no solo a su potencial de retorno. Una estrategia bien diseñada debe priorizar la consistencia, el control de costos y la coherencia con el perfil de riesgo, más que la maximización de predicciones inestables. Así, la inversión no solo se mide por ganancias, sino por su capacidad para mantenerse sostenible en el tiempo.