Según arXiv q-fin, un nuevo enfoque propone una solución integral para la optimización de portafolios en mercados financieros reales, donde la complejidad se multiplica por la no estacionaridad de los datos, el ruido en las series históricas y los costos reales de transacción. Este modelo evita la secuencia tradicional de predecir rendimientos antes de calcular asignaciones, que amplifica errores y se desvía bajo cambios de régimen. En su lugar, se entrena una red neuronal para maximizar funciones derivables de indicadores clave: el ratio de Sharpe, el ratio Omega, el Valor en Riesgo Condicionado (CVaR) y la paridad de riesgo. Así, el aprendizaje profundo se aplica directamente a la determinación de pesos de inversión mediante retropropagación.
La metodología se prueba sobre 50 acciones del S&P 500, desde 2007 hasta 2023, usando un procedimiento de validación en ventanas móviles que simula condiciones reales de mercado. Los costos de spread de compra-venta se integran de forma realista, y las reajustes se realizan cada trimestre. En el periodo de prueba externa (2022-2023), el modelo más eficaz —una arquitectura basada en AttentionLSTM con pérdida combinada de Omega, CVaR y paridad de riesgo— logra un ratio de Sharpe anualizado de 0.29 y un retorno compuesto total de +7.86%. En contraste, el S&P 500 registra un retorno total de -4.52% y un ratio de Sharpe anualizado de -0.02. La ventaja relativa alcanza 12.38 puntos porcentuales, equivalente a una mejora superior al 270% frente al índice. Importante: el riesgo extremo, medido por CVaR, se mantiene casi inalterado, mostrando que el modelo no sacrifica estabilidad en momentos de volatilidad.
Para inversores en el Perú, este hallazgo ofrece una perspectiva clave: aunque los mercados locales enfrentan condiciones particulares —como volatilidad elevada, dependencia de la moneda y sensibilidad a políticas económicas—, los principios de optimización directa de objetivos financieros pueden ser aplicados sin necesidad de suposiciones ideales. A diferencia de estrategias que dependen de pronósticos inexactos, este enfoque permite que las redes neuronales aprendan a equilibrar rendimiento y riesgo en condiciones cambiantes. En un entorno donde los cambios de política, el tipo de cambio o el crecimiento del PIB pueden afectar fuertemente los portafolios, un sistema que integra objetivos económicos en el entrenamiento del modelo puede ofrecer mayor resiliencia y resultados sostenibles. No se trata de superar al mercado, sino de construir estrategias más inteligentes, basadas en principios cuantitativos y respaldadas por datos reales, que funcionan incluso en tiempos de crisis.