Optimización de portfolio de inversión con técnicas de Machine Learning

Abstract

En el Anexo B hemos elaborado un borrador estructurado de nuestro Trabajo de Fin de Máster sobre optimización de carteras mediante Machine Learning. Primero, en la Introducción, definimos qué es un portfolio y por qué su correcta asignación de activos (trade-off riesgo-retorno) resulta fundamental en finanzas. Explicamos los fundamentos de Markowitz (1952) y el CAPM (Sharpe 1964; Lintner 1965), y motivamos el uso de redes neuronales profundas (DNN) y recurrentes (RNN/LSTM) para superar las limitaciones de la teoría clásica ―no linealidades, estimación ruidosa y cambios de régimen― mediante predicciones más robustas.

A continuación, en el Literature Review revisamos dos corrientes: la teoría clásica (Markowitz, CAPM y sus mejoras: shrinkage, robust optimization y Black–Litterman) y las técnicas de ML. Destacamos modelos lineales regularizados (Ridge, Lasso), ensambles de árboles (Random Forest, Gradient Boosting) y redes profundas para prever retornos y volatilidad, así como enfoques de Reinforcement Learning para aprender políticas de inversión.

En la Motivación detallamos por qué las carteras clásicas sufren errores de estimación y no capturan dinámicas complejas, y argumentamos cómo DNN y RNN pueden aprender mapeos no lineales y dependencias temporales para mejorar la asignación.

Los Objetivos se concretan en diseñar un marco híbrido que combine DNN/RNN y optimización media-varianza, implementar y comparar arquitecturas (MLP, RNN, LSTM, GRU), establecer un protocolo de backtesting y entregar código reproducible.

Finalmente, en Metodología y Plan de Trabajo describimos seis fases: adquisición y limpieza de datos, ingeniería de features, desarrollo de modelos, ajuste de hiperparámetros (Optuna/Ray Tune), integración de predicciones en un solver CVXPY con restricciones realistas (turnover, límites de peso) y evaluación mediante backtesting con ventanas deslizantes. El cronograma simula actividad desde febrero-marzo 2025 hasta la entrega el 3 de junio, cubriendo investigación, codificación, pruebas y redacción.

In Annex B, we present a structured draft of our Master’s Final Project on portfolio optimization using Machine Learning. First, in the **Introduction**, we define what a portfolio is and why proper asset allocation (the risk–return trade-off) is essential in finance. We review the foundations laid by Markowitz (1952) and the CAPM (Sharpe 1964; Lintner 1965), then motivate the use of Deep Neural Networks (DNNs) and Recurrent Neural Networks (RNNs/LSTMs) to overcome classical theory’s limitations—non-linearities, noisy estimates, and regime shifts—through more robust forecasts.

Next, in the **Literature Review**, we examine two streams: classical theory (Markowitz, CAPM and its refinements: shrinkage, robust optimization, and Black–Litterman) and ML techniques. We highlight regularized linear models (Ridge, Lasso), tree-based ensembles (Random Forest, Gradient Boosting), and deep learning approaches for return and volatility prediction, as well as Reinforcement Learning methods for trading policy discovery.

In **Motivation**, we explain why classical portfolios suffer from estimation error and fail to capture complex market dynamics, and argue how DNNs and RNNs can learn non-linear mappings and temporal dependencies to improve allocation.

The **Objectives** specify designing a hybrid framework combining DNN/RNN forecasts with Mean–Variance optimization, implementing and comparing architectures (MLP, RNN, LSTM, GRU), establishing a rigorous backtesting protocol, and delivering reproducible code.

Finally, in **Methodology and Work Plan**, we outline six phases: data acquisition and cleaning, feature engineering, model development, hyperparameter tuning (Optuna/Ray Tune), integration of ML forecasts into a CVXPY-based optimizer with realistic constraints (turnover, weight limits), and evaluation via rolling-window backtesting. The timeline spans February–March 2025 to the June 3 submission, covering research, coding, testing, and writing.