El paper de investigación sobre optimización de portafolios que publicó el equipo de inversiones de Fintual
En febrero de 2023 publicamos nuestro más reciente resultado respecto a investigaciones y desarrollos internos de Fintual acerca de nuevos métodos de optimización y gestión de carteras de inversión.
Nuestro paper es un nuevo método basado en un CTGAN (conditional tabular generative adversarial network) modificado, que es una clase de algoritmos de inteligencia artificial que se utilizan en el aprendizaje no supervisado para generar datos tabulares, donde además añadimos características del mercado actual, con el fin de realizar optimización de portafolios.
Este trabajo vio la luz luego de 15 meses de trabajo de investigación del equipo de inversiones de Fintual, en conjunto con el investigador Arturo Cifuentes.
Arturo Cifuentes es un profesional de las finanzas con más de treinta años de experiencia en varias áreas del ámbito financiero, como gestión de activos, renta fija, derivados, gestión de riesgos, securitization, litigación financiera y regulación. También ha escrito y dado conferencias sobre los aspectos financieros de los mercados del arte. Antes trabajó como científico investigando problemas relacionados con matemática aplicada e ingeniería. Ha enseñado en la Universidad de Columbia, la Universidad del Sur de California y la Universidad de Chile. Tiene un Ph.D. en mecánica aplicada del Instituto de Tecnología de California (Caltech), un MBA en finanzas de la Universidad de Nueva York (Stern scholar award) y es ingeniero civil de la Universidad de Chile. Actualmente es Senior Research Associate en CLAPES UC, Universidad Católica de Chile.
Esperamos implementar estas mejoras a nuestros métodos de trabajo de manejo de portafolios en Fintual a lo largo de este año, lo cual esperamos impactará de forma positiva a nuestros clientes, con construcción más robusta de portafolios, incorporando mayor información económica y contextual del mercado, y con rendimientos potencialmente mejores ajustados por riesgo.
Nos complace informar que nuestro artículo de investigación "A modified CTGAN-plus-features-based method for optimal asset allocation", fruto de la colaboración entre el equipo de inversiones de Fintual y el destacado investigador Arturo Cifuentes, ha sido aceptado para publicación en la prestigiosa revista académica Quantitative Finance, el journal internacional más importante sobre finanzas cuantitativas. La publicación la puedes revisar acá.
Esta publicación representa un importante reconocimiento por parte de la comunidad internacional experta en finanzas cuantitativas, tanto de la industria como la académica, validando la solidez y relevancia de nuestro método propuesto, el cual es un componente actual dentro del proceso de inversión de Fintual. La aceptación en una revista de alto impacto como el Quantitative Finance respalda nuestro compromiso con la excelencia en la investigación aplicada a la gestión de inversiones.
Resumen de los resultados
Proponemos un nuevo enfoque para la optimización de carteras que utiliza una combinación única de generación de datos sintéticos y una restricción de CVaR. Formulamos el problema de optimización de carteras como un problema de asignación de activos en el que cada clase de activos se accede a través de un fondo pasivo (índice). Los pesos de la clase de activos se determinan resolviendo un problema de optimización que incluye una restricción de CVaR.
La optimización se lleva a cabo mediante un algoritmo CTGAN modificado que incorpora características (información contextual) y se utiliza para generar escenarios de rendimientos sintéticos, que a su vez se introducen en el motor de optimización. Para la información contextual, nos basamos en varios puntos a lo largo de la curva de rendimiento del tesoro de los EE. UU.
Se demuestran los méritos de este enfoque con un ejemplo basado en diez clases de activos (que incluyen acciones, bonos y commodities) durante un período de catorce años y medio (enero de 2008-junio de 2022). También mostramos que el proceso de generación sintética es capaz de capturar bien las características clave de los datos originales y la estrategia de optimización resulta en carteras que exhiben un rendimiento fuera de muestra satisfactorio. Además, mostramos que este enfoque supera la estrategia convencional de asignación de activos con pesos iguales (1/N) y otras formulaciones de optimización basadas solo en datos históricos.
Paper completo
El paper completo lo puedes encontrar en este link de arXiv, o descargarlo desde este link de ResearchGate.