Un método para optimización de portafolios de acciones colombianas con predicción de retorno basado en una técnica de machine learning

Abstract

Este trabajo propone una metodología para optimizar portafolios de acciones colombianas al incorporar predicciones de retorno utilizando el enfoque de Markowitz. La investigación comienza con un capítulo introductorio en el cual se realiza una revisión de la literatura que explora cómo se ha abordado la predicción del mercado financiero a través del machine learning y cómo estas predicciones han sido aplicadas para optimizar portafolios y generar beneficios económicos. Basándose en esta revisión, se establece la justificación de la investigación y se delimitan los objetivos del trabajo. Basándose en los hallazgos de la literatura, se selecciona un modelo de Machine Learning utilizando un método de objetivos ponderados. En este contexto, se opta por emplear el modelo de redes LSTM (Long Short-Term Memory), debido a su consistencia y al interés que ha despertado en investigaciones anteriores. El experimento se lleva a cabo utilizando datos del mercado de valores colombiano que abarcan el período de 2000 a 2023. En el capítulo 2 de la investigación, se emplea el método LSTM para predecir el rendimiento de las acciones en el próximo período. Se seleccionan veinte indicadores significativos como variables de entrada, incluyendo cinco indicadores técnicos y quince observaciones rezagadas de retorno. Una vez pronosticados los retornos, se seleccionan únicamente aquellas acciones que presentan predicciones positivas para la siguiente fase. En la segunda fase, se toman en cuenta los rendimientos pronosticados como positivos para un modelo de optimización, mientras que se utilizan los rendimientos históricos para el otro modelo de optimización. Se aplica el modelo de Varianza Mínima (MV) de Markowitz para generar un portafolio óptimo en ambos casos que se rebalancea dos veces por semana. La metodología se valida mediante la comparación de los modelos propuestos. El portafolio construido con las predicciones de retorno generadas por las redes LSTM demuestra ser claramente superior en términos de rendimiento acumulado. Esta estrategia alcanza un rendimiento del 15.27% en comparación con el rendimiento del 3.51% obtenido por la estrategia tradicional de formación de portafolio de Markowitz. Este estudio resalta el futuro prometedor de las redes LSTM en la elaboración de portafolios fundamentados en predicciones de retornos. Además, sugiere que estas estrategias podrían potenciarse aún más al incluir pronósticos de riesgo y otras características de entrada, así como explorar el uso de distintos algoritmos de machine learning. (Texto tomado de la fuente)

This paper proposes a methodology for optimizing Colombian stock portfolios by incorporating return predictions using the Markowitz approach. The research begins with an introductory chapter in which a literature review is conducted, exploring how the forecast of the financial market has been approached through machine learning and how these predictions have been applied to optimize portfolios and generate economic benefits. Based on this review, the research rationale is established, and the work's objectives are defined. Building upon the literature findings, a Machine Learning model is selected using a weighted objectives method. In this context, the choice is made to employ the Long Short-Term Memory (LSTM) neural network model due to its consistency and the interest it has garnered in previous research. The experiment uses data from the Colombian stock market spanning the period from 2000 to 2023. In Chapter 2 of the research, the LSTM method is used to predict the performance of stocks in the upcoming period. Twenty significant indicators are chosen as input variables, including five technical indicators and fifteen lagged observations of returns. Once the returns are forecasted, only those stocks with positive predictions for the next phase are selected. In the second phase, the predicted positive returns are considered for one optimization model, while historical returns are used for the other optimization model. The Minimum Variance (MV) Markowitz model is applied to generate an optimal portfolio in both cases. The methodology is validated through the comparison of the proposed models. The portfolio constructed using return predictions generated by LSTM networks proves distinctly superior in cumulative performance. This strategy achieves a return of 15.27%, compared to the 3.51% return obtained by the traditional Markowitz portfolio formation strategy. This study highlights the promising future of LSTM networks in creating portfolios based on return predictions. Furthermore, these strategies could be further enhanced by including risk forecasts and other input features and exploring the use of different machine learning algorithms.