Estado del Arte de la Gestión de Carteras

Abstract

En un mundo financiero caracterizado por su dinamismo y complejidad, la gestión de carteras se ha convertido en una disciplina crucial para inversores y gestores de fondos. La búsqueda constante de maximizar los rendimientos ajustados por riesgo ha llevado al desarrollo de diversos modelos y técnicas de optimización de carteras. Desde la formulación pionera de Harry Markowitz en la década de 1950, que introdujo la teoría moderna de carteras basada en la diversificación y la compensación entre riesgo y rendimiento, hasta los modelos más recientes que integran enfoques bayesianos y métodos de simulación, la evolución en este campo ha sido notable. Sin embargo, con la creciente volatilidad de los mercados financieros y la aparición de eventos económicos impredecibles, los modelos tradicionales de gestión de carteras enfrentan limitaciones significativas. En este contexto, las metaheurísticas han emergido como una solución prometedora. Estos algoritmos, inspirados en procesos naturales y biológicos, ofrecen una flexibilidad y capacidad de adaptación que supera a las técnicas convencionales. Al combinar exploración global y explotación local, las metaheurísticas pueden encontrar soluciones óptimas en espacios de búsqueda complejos y dinámicos. Este trabajo de fin de grado explora y compara dos enfoques distintos para la optimización de carteras: el modelo de media-varianza de Markowitz y los algoritmos genéticos, una clase de metaheurísticas. La primera sección del estudio se centra en la fundamentación teórica de cada método, destacando sus principios, ventajas y limitaciones. Posteriormente, se implementan y aplican ambos modelos a una selección de activos del índice IBEX35, obteniendo resultados que se analizan detalladamente. A través de este análisis comparativo, se busca no solo evaluar la efectividad de cada enfoque en términos de rendimiento y riesgo, sino también proporcionar una perspectiva sobre cómo los métodos metaheurísticos pueden complementar y potenciar las estrategias tradicionales de gestión de carteras. Los resultados de este estudio no solo ofrecen una comprensión más profunda de las técnicas de optimización actuales, sino que también plantean nuevas preguntas y desafíos para futuras investigaciones en este campo. 2 Así, este trabajo pretende aportar valor tanto a académicos como a profesionales del sector financiero, ofreciendo una visión integral y actualizada de las herramientas disponibles para la gestión eficiente de carteras en un entorno económico cada vez más complejo y volátil. Con este propósito, se invita al lector a adentrarse en las siguientes páginas, donde se desglosan y analizan los métodos, resultados y conclusiones de este apasionante estudio.

In a dynamic and complex financial world, portfolio management has become a crucial discipline for investors and fund managers. The constant quest to maximize risk-adjusted returns has led to the development of various portfolio optimization models and techniques. From Harry Markowitz's pioneering formulation in the 1950s, which introduced modern portfolio theory based on diversification and the trade-off between risk and return, to more recent models that integrate Bayesian approaches and simulation methods, the evolution in this field has been remarkable. However, with the increasing volatility of financial markets and the emergence of unpredictable economic events, traditional portfolio management models face significant limitations. In this context, metaheuristics have emerged as a promising solution. These algorithms, inspired by natural and biological processes, offer flexibility and adaptability that surpass conventional techniques. By combining global exploration and local exploitation, metaheuristics can find optimal solutions in complex and dynamic search spaces. This final degree project explores and compares two distinct approaches to portfolio optimization: the Markowitz mean-variance model and genetic algorithms, a class of metaheuristics. The first section of the study focuses on the theoretical foundation of each method, highlighting their principles, advantages, and limitations. Subsequently, both models are implemented and applied to a selection of assets from the IBEX35 index, obtaining results that are analysed in detail. Through this comparative analysis, the aim is not only to evaluate the effectiveness of each approach in terms of return and risk but also to provide a perspective on how metaheuristic methods can complement and enhance traditional portfolio management strategies. The results of this study not only offer a deeper understanding of current optimization techniques but also pose new questions and challenges for future research in this field. Thus, this work aims to provide value to both academics and professionals in the financial sector, offering a comprehensive and updated view of the tools available for efficient portfolio management in an increasingly complex and volatile economic environment. With 4 this purpose, the reader is invited to delve into the following pages, where the methods, results, and conclusions of this exciting study are broken down and analysed.