Análisis del impacto de diversificación sectorial y activos alternativos en carteras convencionales, complementado con el estudio del uso de inteligencia artificial para optimizar esa diversificación y la gestión del riesgo - Rodríguez Toribio, Manuel

Abstract

Este trabajo examina si la incorporación de activos alternativos mejora el perfil de una cartera convencional, y si la inteligencia artificial puede optimizar esa diversificación. Para ello, se analizan datos diarios de más de una década de cuatro ETFs: bonos soberanos europeos, renta variable global, real estate y materias primas. El análisis estadístico revela perfiles muy diferenciados entre activos. Los bonos actúan como estabilizadores naturales gracias a su baja correlación con el resto. Las materias primas, pese a su comportamiento débil en el periodo de entrenamiento, ofrecen propiedades diversificadoras relevantes en entornos inflacionistas, algo que el análisis confirma en la fase de evaluación. La metodología combina el modelo media-varianza de Markowitz con un modelo predictivo de regresión Ridge, que estima rentabilidades futuras a partir de señales recientes del mercado. La cartera clásica de Markowitz funciona bien en el entorno de tipos bajos para el que fue calibrada, pero cuando ese entorno cambia radicalmente, su concentración en renta fija se convierte en su principal debilidad. La cartera con inteligencia artificial logra una mejor gestión del riesgo a la baja y una rentabilidad superior en el periodo de evaluación, aunque parte de esa mejora responde a haber capturado un ciclo excepcional de mercado más que a una capacidad predictiva estructuralmente sólida. Paradójicamente, la estrategia más sencilla, repartir el capital a partes iguales entre los cuatro activos sin ninguna optimización, obtiene los mejores resultados globales. Esto confirma que en entornos inciertos, una diversificación robusta y sin dependencia de estimaciones complejas puede superar a enfoques metodológicamente más sofisticados.

This study examines whether incorporating alternative assets improves the profile of a conventional portfolio, and whether artificial intelligence can optimize that diversification. To this end, more than a decade of daily data is analyzed across four ETFs: European sovereign bonds, global equities, real estate, and commodities. The statistical analysis reveals clearly differentiated profiles among assets. Bonds act as natural stabilizers due to their low correlation with the rest. Commodities, despite their weak performance during the training period, offer relevant diversification properties in inflationary environments, something the analysis confirms during the evaluation phase. The methodology combines Markowitz's mean-variance model with a predictive Ridge regression model, which estimates future returns based on recent market signals. The classic Markowitz portfolio performs well in the low interest rate environment for which it was calibrated, but when that environment changes drastically, its concentration in fixed income becomes its main weakness. The artificial intelligence portfolio achieves better downside risk management and superior returns during the evaluation period, although part of that improvement stems from having captured an exceptional market cycle rather than from a structurally sound predictive capability. Paradoxically, the simplest strategy, allocating capital equally among the four assets without any optimization, achieves the best overall results. This confirms that in uncertain environments, robust diversification that does not depend on complex parameter estimates can outperform methodologically more sophisticated approaches.