Según arXiv q-fin, un nuevo estudio explora cómo modelos de inteligencia artificial pueden transformar la forma en que se asignan pesos a distintas clases de activos. En lugar de predecir retornos y luego optimizar las proporciones, este enfoque utiliza una política basada en IA que interpreta directamente el estado del mercado para generar estrategias de inversión. Los investigadores entrenan estos modelos sobre los dieciséis contratos futuros más líquidos de la CME, un entorno donde la baja liquidez no distorsiona los resultados. Para guiar el aprendizaje, se emplea una función de pérdida derivable que mide el ratio de Sharpe, un indicador clave de riesgo y rendimiento.
Los resultados muestran que las políticas aprendidas superan en varios escenarios a estrategias tradicionales como el peso igual, el equilibrio de riesgo y el momentum temporal. Sin embargo, el avance no es uniforme en todos los tipos de activos. En términos generales, tanto una red neuronal LSTM como un modelo basado en transformadores generan resultados comparables al exterior de la muestra. Pero al introducir costos de transacción, las diferencias se amplían. El modelo de transformador se destaca por generar estrategias más estables, realizar operaciones significativamente menores y, en condiciones moderadas de costos, alcanzar niveles de rendimiento o superar el peso igual.
Este hallazgo es especialmente relevante para inversores peruanos que operan en entornos con altos costos de ejecución, como las operaciones en bolsas locales o en mercados menos liquidos. Muchos inversores domésticos confían en estrategias sencillas, como el peso igual, por su simplicidad y baja necesidad de conocimientos técnicos. Sin embargo, este estudio sugiere que una intervención más inteligente —como un modelo de IA que adapta las asignaciones según el estado del mercado— podría ofrecer ventajas reales, incluso si requiere una infraestructura más compleja. La clave no está en la sofisticación del modelo, sino en su capacidad de operar con menor frecuencia y bajo costos, lo cual es crítico en mercados donde cada transacción representa una parte significativa del presupuesto.
En el contexto peruano, donde la inversión en activos extranjeros o en instrumentos financieros avanzados es aún limitada, esta investigación puede servir como base para evaluar nuevas herramientas de gestión. Los inversores privados, especialmente los que gestionan patrimonios familiares o pequeñas empresas, podrían beneficiarse de estrategias que reduzcan el número de operaciones sin sacrificar el rendimiento. Aunque la implementación de IA en plataformas locales aún está en etapa inicial, este tipo de análisis abre la puerta a un enfoque más dinámico y adaptable. Lo importante no es tener el modelo más complejo, sino uno que funcione con eficiencia en condiciones reales, donde los costos operativos no son una variable secundaria, sino un determinante central.