Vous êtes sur la page 1sur 8

36

Teora de carteras de inversin para la diversificacin del riesgo....

Conti y col

TEORA DE CARTERAS DE INVERSIN PARA LA DIVERSIFICACIN DEL


RIESGO:
ENFOQUE CLSICO Y USO DE REDES NEURONALES ARTIFICIALES
(RNA)

RESUMEN
La relacin entre riesgo y ganancia es fundamental en el diseo de portafolios de inversin. La
diversificacin en los porta- folios de inversin persigue obtener la combinacin ptima de activos
que maximice la ganancia minimizando el riesgo. Bajo esta premisa, la investigacin aborda la
teora clsica de las carteras de inversin adicionando a sta criterios heu- rsticos y estadsticos
con patrones de seleccin obtenidos con redes neuronales artificiales (RNA). En una primera fase
de aplicacin y prueba se pretende delimitar el estudio a la factibilidad de las RNA para la
conformacin de portafolios de inversin con los activos que cotizan en el mercado burstil
venezolano. Se confronta la teora clsica (modelo de progra- macin cuadrtica de Markowitz)
versus el enfoque alternativo de las RNA comparando los portafolios obtenidos con am- bas
tcnicas. Finalmente, se recomienda la optimizacin de la arquitectura de las RNA para estudios a
posteriori y se pro- pone la continuidad del tpico usando otras tcnicas de la Inteligencia Artificial
y la Investigacin de Operaciones aplicables al campo de las finanzas.
Palabras claves: Teora de carteras de inversin, investigacin de operaciones, programacin
cuadrtica, modelo de Mar- kowitz, redes neuronales.
Abstract
1 Introduccin
Cuando se decide realizar inversiones financieras resulta necesario y vital tomar en cuenta dos factores primordiales: la rentabilidad y el riesgo; entendindose por ganancia o rentabilidad los beneficios que se obtienen por la
inversin y por riesgo la incertidumbre respecto al resultado
futuro de una inversin. Conocidos los factores que influyen en una inversin financiera, se define una cartera de
inversin como una combinacin de activos o ttulos individuales (entre ellos se consideran las acciones, bonos, etc.)
de modo tal que una combinacin de ttulos individuales
casi siempre sea menos riesgosa que cualquier ttulo individual.La mayora de las tcnicas para la construccin y administracin de carteras de inversin est basada en la Teora de la Seleccin de Cartera, desarrollada por el ganador
del Premio Nobel de Economa de 1990 Harry Markowitz
(Bailey y Steinbach). Esta teora afirma que la generacin
de una cartera ptima de inversin supone ms que una
combinacin deseable entre el riesgo y la ganancia de los
activos que la pueden componer, lo ms importante es realizar un anlisis meticuloso de la relacin entre ellos.
La teora explora cmo los inversionistas construyen
carteras para optimizar el riesgo contra los rendimientos
esperados, es decir, mide como la cartera de un inversionista puede beneficiarse por medio de la diversificacin.

P Pi
ER Pf
i

(1.1)

donde, Pf y Pi representan el precio final y el precio inicial del activo respectivamente.


Como un portafolio de inversin est compuesto por
varios activos, se define la ganancia esperada de una
cartera como:
N

w ER

E
Rp

i1

(1.2)

donde, wi representa la proporcin de la cartera invertida


en la accin i y E[Ri] es la ganancia esperada de la accin
i.
Riesgo en funcin de la varianza: la varianza para
una accin particular esta definida como
2 = E [Ri
i
Var(Ri)
Esta investigacin se centra en la aplicacin del
Mode- lo de programacin matemtica (programacin no
lineal) propuesto por Harry Markowitz en activos que
cotizan en la Bolsa de Valores de Caracas (BVC) (Bolsa
de Valores de Caracas) para generar carteras de
inversin eficientes. De

36
36

37

Teora de carteras de inversin para la diversificacin del riesgo....


2

] E [R ]

(1.3)

Este riesgo medido en funcin de la varianza indica el


grado de dispersin o variabilidad en relacin con la esperanza sobre el rendimiento de dicha accin durante un ar- co
manera paralela se confronta este enfoque clsico con la
aplicacin de tcnicas de Inteligencia Artificial, puntualmente con Redes Neuronales Artificiales (RNA) para medir su eficiencia en el rea de las carteras de inversin. El
enfoque con las RNA es inicial y servir de base para el establecimiento de patrones a futuro con otras tcnicas emergentes como algoritmos genticos. Se proponen configuraciones bsicas de redes neuronales que sirvan para analizar
en forma comparativa la teora clsica de Markowitz versus
las RNA en el establecimiento de portafolios dinmicos basados en las acciones que cotizan en el ndice Burstil Caracas (IBC) y su desempeo durante los aos 2002 y 2003.
2 Fundamentos tericos
2.1 Criterios para la evaluacin de carteras de inversin
Existen dos criterios para evaluar las carteras de inversin. El primero, es medir el rendimiento en funcin de la
ganancia esperada y el segundo medir el riesgo en funcin
de la varianza.
Rendimiento en funcin de la ganancia esperada:
la ganancia esperada de un activo cualquiera est
definida como:

Conti y col

de tiempo determinado. Un valor alto de varianza o su


desviacin tpica (superior a la E[Ri]) indica el alto grado
de volatilidad en el rendimiento de dicha accin.
Para una cartera de inversin, la cual est compuesta
por varios activos, la varianza de todo el portafolio queda
definida de la siguiente manera:
n

2
2 xi i 2

ij
2
i1

xj

(1.4)

i1 ji1

donde xi, xj representan la proporcin invertida en el activo i y en el activo j, ij es la covarianza entre el activo i y j
y i j, es la desviacin estndar del activo i y j.
La Ec. (1.4) proviene de la estadstica clsica que indica
que
la varianza de dos variables x, y se define como:
C
v(x+y) = v(x) + v(y) + 2 cov(x,y).
2.2 Importancia de la diversificacin
La ventaja de tener una cartera de inversin diversificada implica segn Markowitz (Bailey) la reduccin en el
riesgo, ya que la prdida en algn sector accionario puede
compensarse con las ganancias de otro sector que ste presente dentro de la composicin de la cartera.
La diversificacin depende del coeficiente de correlacin (o covarianza) entre las ganancias de los activos que
comprenden la cartera. El coeficiente de correlacin representa la direccin y fuerza de la relacin entre dos activos,
y ste puede tomar valores entre -1 y 1.

37
37

En la diversificacin se persigue que el coeficiente de


correlacin entre los activos se negativo o cercano a cero
(covarianza negativa), ya que esto hace que se reduzca el
riesgo del portafolio y se compensen las prdidas con las
ganancias de otras acciones presentes en la cartera.
2.3 Administracin de carteras de inversin
La administracin de carteras de inversin implica el
uso de informacin econmica y burstil. Se persigue obtener una relacin equilibrada entre la rentabilidad esperada
sobre la inversin y la capacidad para tolerar el riesgo de
sta. Esto trae consigo el ejecutar una determinada estrategia de inversin, integrar la poltica de inversiones con las
expectativas de los inversionistas, reaccionar a tiempo a la
incertidumbre de los mercados y la capacidad para determinar dnde se encuentran las oportunidades de inversin ms
rentables.
2.4 Redes neuronales
Por la eficiencia de los procesos llevados a cabo por el
cerebro se ha desarrollado la teora de las Redes Neuronales
Artificiales (RNA), las cuales emulan el comportamiento de
las redes neuronales biolgicas, y que son utilizadas para
aprender estrategias de solucin basadas en ejemplos de
comportamiento tpico de patrones.
En la Fig. 1 se muestra el modelo de una neurona artificial, donde una neurona k viene descrita por las expresiones 1.5 y 1.6, que representan la acumulacin y la funcin
de activacin respectivamente.
p

V X W
k
i
ik

(1.5)

Yk V k

(1.6)

i0

As:
X0, X1, X2,, Xp son las entradas a la neurona k;
W0k, W1k,, Wpk son los pesos de la neurona k;
Vk es la suma de las entradas multiplicadas por los pesos correspondientes;
k representa la funcin de activacin
Yk es la salida de la neurona k.
Caractersticas de las RNA
Las RNA se caracterizan por su topologa, el mecanismo de aprendizaje, tipo de asociacin realizada entre la
informacin de entrada y salida y la forma de representacin de estas informaciones.
Al hablar de topologa o arquitectura de red se refiere a
la forma o estructura de la red. Los componentes que integran dicha topologa son las entradas, capas y las salidas.
La conformacin de la interrelacin de las neuronas depende de la interconexin y la direccin de la red. Esta direccin se refiere hacia donde va dirigida la informacin de la
red, en este caso son redes de alimentacin adelantada.

X0 = 1
X

W
Funcin de
Activacin

E
N
T
R
A
D
A
S

Xp

Suma Ponderada

(.)

Salida
Yk

Pesos

Fig. 1 Modelo de una neurona

El aprendizaje consiste en la presentacin de patrones a la


red; es decir, el proceso por el cual una red neuronal modifica sus pesos en respuesta a una informacin de entrada.
Una de las clasificaciones acata el Tipo de Aprendizaje, en
el cual se puede distinguir Aprendizaje supervisado y No
supervisado, en donde la diferencia principal radica en la
existencia o no de un agente externo/experto (supervisor)
que controle el proceso de aprendizaje.
Luego en la generalizacin o prueba, la red deber estar en capacidad de proveer salidas prximas a los valores
deseados cuando se le proporciona nuevos ejemplos; es decir, entradas que no pertenecen al conjunto de entrenamiento, sino que forman parte de patrones de prueba.
3 Herramientas de investigacin de operaciones para la
optimizacin de carteras de inversin
La principal meta de la teora de la cartera es optimizar
la asignacin de distintos activos en una inversin. La optimizacin Media-Varianza, es una herramienta cuantitativa
de programacin no lineal que permite realizar esta asignacin considerando el intercambio entre la ganancia y el
riesgo; cuyo principal objetivo es maximizar la ganancia
esperada sujeta a un nivel dado de riesgo o minimizar el
riesgo para una ganancia esperada predeterminada.
Esto se realiza mediante la determinacin de la frontera eficiente, es decir, del conjunto de combinaciones de activos que maximizan la ganancia esperada para un nivel determinado de riesgo o bien minimizan el riesgo soportado
para un nivel determinado de ganancia esperada. Para hallar
la frontera eficiente, se propone un problema de programacin matemtica no lineal (Modelo de Markowitz), especficamente un problema de programacin cuadrtica (en el
caso que se desean minimizar el riesgo para una ganancia
determinada). El modelo se refiere a las Ecs. (1.7), (1.8) y
(1.9)
Al aplicar este mtodo se debe cumplir con las siguientes condiciones:
Ganancias esperadas y varianzas
finitas.
Todos los activos no tienen la misma ganancia
esperada.
Matriz de covarianzas definida positiva (Sea H una
matriz simtrica nxn. H se dice definida positiva si
XHX > 0 para todo X, esto con el objeto que el mnimo
que se halle sea un mnimo global)

Cartera compuesta solo por activos riesgosos


n
Mi c2
i 2 i n n
i
j ij
2
n x i12 ji1
x x

3.1 Seleccin de las acciones


Para seleccionar las acciones se hace uso de criterios
heursticos y de experticia financiera. Su escogencia permite sentar las condiciones iniciales para la aplicacin del
modelo clsico de Markowitz.

i1

Sujeto a:
n

i
E(R p ) x E(R ) R*
i

i1
n
x 1
i1 i
x 0
i
E(R p )
donde,

(1.7)

La primera preseleccin se basa en escoger las 22 acciones, denominado Top 22 y son las acciones que poseen
el mayor monto negociado y la mayor ganancia entre las 63

(1.8)

acciones disponibles en el ndice burstil de Caracas (IBC).


Una condicin necesaria para el modelo radica en que
la matriz de covarianza entre las acciones sea definida positiva; para el caso del Top 22, dicha matriz no cumple con
esta condicin. Para cumplir con la condicin, se decide
escoger aquellas acciones que poseen una alta participacin

(1.9)

es la ganancia esperada de la cartera,


2
c
representa la varianza de la cartera, E(R i ) es la ganancia
esperada del activo i, xi es la proporcin de la inversin total en el activo i y ij mide la covarianza entre las acciones
i,j. Esta covarianza est estrechamente ligada a la correlacin entre las acciones i,j.
La primera restriccin hace referencia a la ganancia
*
objetivo (target) que viene dada por R (Ec. 1.7), con la segunda restriccin (Ec. 1.8) se asegura que la suma de las
proporciones invertidas en las acciones que forman el portafolio sea igual a uno (100%) y la tercera (Ec. 1.9) tiene
como funcin garantizar que los pesos sean positivos.
Al solucionar este modelo para distintas ganancias objetivo, estas dan como resultado la frontera eficiente. La
forma de ambas fronteras se presenta en la Fig. 2.

dentro de la bolsa. Se seleccionan las acciones que componen el ndice burstil de Caracas (IBC) para el ao 2002 y
2003 y otras dos acciones que tienen la misma caracterstica
obteniendo as un grupo de 18 acciones (Top 18). Las matrices de covarianza correspondiente a este grupo de acciones si cumple con la condicin de ser definida positiva. A
pesar de esto y por la necesidad de un nmero mayor de datos, se decide hacer un rendimiento tri-semanal de las acciones; en este caso y partiendo de las 18 acciones anteriores se escogen las acciones con mayor participacin trisemanal, obteniendo un grupo de trece acciones (Top 13
Tabla 1). Se cuenta con 31 periodos (tri-semanales): 19 para los datos entre el 2001-2002 y 12 para el ao 2003. Se
aprecia adems la composicin variada del portafolio de la
Tabla 1, ya que hay acciones pertenecientes a diferentes
sectores de la economa.
Tabla 1. Top 13

1 Banco Provincial (BPV)


2 Venezolano De Crdito (BVE)
3 C.A. Nacional Telfonos de Venezuela (TDV.D)
4 Cemex Venezuela. Tipo I (VCM.1)
5 Cemex Venezuela S.A.C.A. TIPO II (VCM.2)
6
Fig. 2 Forma de la frontera eficiente

En esta frontera, el punto Z representa la cartera de


mnima varianza. Esta posee la caracterstica de ofrecer al
inversionista el menor riesgo disponible con el conjunto de
activos que pueden conformar la cartera de inversin, ya
que para obtenerla se maximiza la diversificacin, y consemenor nivel de riesgo.

Corimon - Clase A (CRM.A)

7 La Electricidad de Caracas (EDC)


8 Fondo de Valores Inmobiliarios, - Clase B
(FVI B
9 Manufacturas de Papel (MPA)
10 Mercantil Servicios Financieros, C.A. - Clase A
(MVZ A)
11 Mercantil Servicios Financieros, C.A. - Clase B
(MVZ B)
12 Siderurgica Venezolana (SIVENSA), S.A. (SVS)
13 Vencred, S.A. (VCR)

3.2 Formulacin del modelo


Se plantea un modelo general en el que se minimiza el
riesgo con un rendimiento previamente aceptado, segn el
mtodo de Media-Varianza:
Sea:
Ri el rendimiento de la accin i;
Xi la proporcin (peso) invertida en la accin i;
2
i la varianza para la accin i y
i,i+1 la covarianza entre la accin i e i+1;
con i = 1, 2, 3,, 13.
X1: BPV
X2:BVE
X3:TDV.D
X4:VCM.1

X5:VCM.2
X6:CRM.A
X7:EDC
X8:FBI
2

X9:MPA
X10:MVZ.A
X11:MVX.B
X12:SVS

X13:VCR

13

4.1 Enfoque de la Media Varianza


Se busca la Frontera Eficiente para el conjunto de acciones que conforman el Top 13, y luego esta cartera es
administrada durante el ao 2003; es decir, trisemanalmente el porcentaje a invertir en cada accin del
portafolio es ajustado a las exigencias de cada periodo. Para
resolver los modelos de programacin cuadrtica se hace
uso del software The Premiun Solver Plataform, diseado
por Frontline Systems, Inc.
Tabla 2. Carteras de mnima varianza Top 13

Ganancia
esperada
(%)

Min Z = X1 1 + X2222 + X3232 + X4242 + X5252 +


2 2
2 2
2 2
2 2
2
2
2
2
X6 6 + X7 7 + X8 8 + X9 9 + X10 10 + X11 11 +
2
2
+ 2*(X X + X X + X X +
1 2 1,2
1 3 1,3
1 4 1,4
X122122 + X13
13
X1X51,5 + X1X61,6 + X1X71,7 + X1X81,8 + X1X91,9 +
X1X101,10 + X1X111,11 + X1X121,12 + X1X131,13 + X2X32,3
+ X2X42,4 + X2X52,5 + X2X62,6 + X2X72,7 + X2X82,8 +
X2X92,9 + X2X102,10 + X2X112,11 + X2X122,12 + X2X132,13
+ X3X43,4 + X3X53,5 + X3X63,6 + X3X73,7 + X3X83,8 +
X3X93,9 + X3X103,10 + X3X113,11 + X3X123,12 + X3X133,13
+ X4X54,5 + X4X64,6 + X4X74,7 + X4X84,8 + X4X94,9 +
X4X104,10 + X4X114,11 + X4X124,12 + X4X134,13 + X5X65,6
+ X5X75,7 + X5X85,8 + X5X95,9 + X5X105,10 + X5X115,11 +
X5X125,12 + X5X135,13 + X6X76,7 + X6X86,8 + X6X96,9 +
X6X106,10 + X6X116,11 + X6X126,12 + X6X136,13 + X7X87,8
+ X7X97,9 + X7X107,10 + X7X117,11 + X7X127,12 +
X7X137,13 + X8X98,9 + X8X108,10 + X8X118,11 + X8X128,12
+ X8X138,13 + X9X109,10 + X9X119,11 + X9X129,12 +
X9X139,13 + X10X1110,11 + X10X1210,12 + X10X1310,13 +
X11X1211,12 + X11X1311,13 + X12X1312,13)
Sujeto a:

lizan Redes Neuronales para la seleccin de las acciones a


conformar la cartera de inversin y establecer un cuadro
comparativo entre ambos enfoques de solucin.

2.2583
0.7973

Riesgo
(%)
1

2.2583
0.1128
2.2583
0.5057
2.2583

2
3
4

La Tabla 2 muestra el resumen de los resultados obtenidos de la administracin de la cartera con el mtodo de la
Media-Varianza para cada uno de los doce periodos que
representan el ao 2003. Luego las carteras de mnima varianza ofrecen un promedio trisemanal de:
Tabla 3. Promedio trisemanal. Media-varianza

i1

R1X1 + R2X2 + R3X3 + R4X4 + R5X5 + R6X6 +


R7X7 + R8X8 + R9X9 + R10X10 + R11X11 + R12X12 +
R13X13 RC donde RC es la inflacin en ese intervalo de
tiempo que varia dependiendo del ao (en este caso se utiliza una tasa de inflacin promedio mensual para cada ao).
Xi 0

i = 1, 2, 3,13.

4 Experimentacin - Metodologas propuestas


Para dar solucin al modelo planteado, se tomarn dos
enfoques diferentes: el primero presenta la solucin de la
cartera eficiente por medio del Mtodo de Media-Varianza
propuesto por Harry Markowitz. En el segundo caso se uti-

Ganancia esperada
promedio (%)
5.4242

Riesgo promedio
(%)
0.5866

4.2 Enfoque por redes neuronales:


Para entrenar la RN se utiliza el paquete
STATISTICA Neural Network (SNN) 4.0 de la StatSoft
Inc., este paquete genera los pesos iniciales de los nodos de las capas. Luego para la salida de la red se codific un programa en lenguaje base C++ que realiza el clculo de los pesos con las
entradas, generando la salida requerida para cada experimento.

El diseo hecho para las redes neuronales utiliza 2 experimentos con 4 sub-experimentos cada uno. Se busca que
las redes neuronales tengan la misma informacin que utiliza el modelo de la media-varianza para resolver el modelo,
por esto la informacin de entrada para las redes tiene la
siguiente configuracin:
Experimento 1: Este experimento utiliza 170 valores de
entrada en su configuracin; de los cuales 169 valores corresponden a la matriz de varianza-covarianza (pues esta es
una matriz 13x13) y un valor para el rendimiento deseado
(representado por RC en la ecuacin 1.7). A su vez este experimento tiene 4 sub-experimentos que varan de acuerdo
a la salida deseada:
26 salidas: Se utiliza una sola red que tiene la siguiente
configuracin: 170 entradas y 26 salidas; donde las trece
primeras salidas corresponden a la clasificacin de las 13
acciones, con un patrn de entrenamiento de 1 y 0 (1
cuando la accin es seleccionada para conformar la cartera en ese periodo y 0 en caso contrario). Las otras trece
salidas generan una prediccin de la proporcin a invertir
en cada accin.
13 salidas: Utiliza igualmente una sola red con 170
entra- das y 13 salidas. Esta salida representa la
clasificacin de las acciones como la primera parte del
caso anterior.
2 salidas: Este experimento utiliza trece redes
diferentes
una para cada una de las trece acciones; es decir, cada accin presenta una configuracin interna diferente. La
primera salida de cada red da una prediccin del peso con
que esta accin entra en la cartera (en caso de entrar); y el
segundo valor de la salida presenta la clasificacin. Al final se tienen trece redes cada una con 170 entradas y dos
salidas.
1 salida: Este utiliza igualmente trece redes con la nica
diferencia que la salida es solo el valor de la clasificacin
de cada accin.
Experimento 2: Este experimento vara respecto al anterior
solamente en la configuracin de entrada, pues ahora se le
adiciona a la entrada de cada red los rendimientos de las
acciones. Estos rendimientos varan en cada periodo, pues
se debe recordar que para el entrenamiento de la red se seleccionaron 19 periodos con rendimientos semanales. Entonces, de acuerdo a cada sub-experimento, la entrada vara
de la siguiente manera:
26 salidas y 13 salidas: Estas redes utilizan 183 entradas,
donde los trece valores extra corresponden a los rendimientos que presenta cada accin.
2 salidas y 1 salida: A cada una de las trece redes se le
adiciona el valor del rendimiento de la accin, quedando
cada una con 171 valores de entrada, por ejemplo la primera de las trece redes representa la primera accin, en
este caso BPV, a esta red se le aade como entrada el valor del rendimiento que esta accin presenta en cada periodo.
Para cada RN se tienen 57 casos de entrenamiento: 19
casos generados por cada periodo y en cada uno se varia RC
tres veces.

Patrones de entrenamiento y prueba:


La data total comprende un total de 31 periodos, los
que son divididos de la siguiente manera:
Patrones de entrenamiento: del periodo 1 al 19
(compren- didos del 03/02/2001 al 07/02/2003), que
representan un
61.29 %
Patrones de prueba: del periodo 20 al 31 (que van desde
el
10/02/2003 hasta 17/10/2003), lo que equivale al 38.71%
Caractersticas de la RN
Todas las Redes Neuronales que se prueban son redes
monocapa, de alimentacin adelantada, totalmente conectadas, con una capa oculta, un nodo adicional tanto en la capa
de entrada como en la capa oculta con valor constante 1. La
funcin de activacin en los nodos de la capa oculta depende del tipo de experimento y en los nodos de la capa de salida la funcin de activacin es lineal (la funcin de activacin es asignada por el SNN).
Seleccin de los pesos
Para cada experimento se generan los pesos hasta encontrar el mejor desempeo y error mnimo para esa RN;
aproximadamente se generan los pesos en el menor de los
casos 10 veces y en el mayor 50 veces.
Resultados de las redes neuronales y comparacin
La RN clasifica entre las trece acciones que conforman
el Top 13, a cuales se les va a asignar un porcentaje de inversin. El promedio de la ganancia esperada y riesgo que
mostraron las carteras para cada periodo en cada uno de los
experimentos se muestra en la Tabla 4.
Tabla 4. Ganancia esperada y riesgo promedio para los dos experimentos

Sub-Exp 1
Sub-Exp 2
Sub-Exp 3
Sub-Exp 4

EXPERIMENTO 1
G Esp. (%)
Riesgo (%)
6.49117
1.28444
6.15159
1.10397
5.13056
0.84272
8.16097
0.98186

Sub-Exp 1
Sub-Exp 2
Sub-Exp 3
Sub-Exp 4

EXPERIMENTO 2
G Esp.(%)
Riesgo(%)
6.46509
0.87478
5.89651
1.43280
7.43908
0.93455
5.55346
1.48680

Tabla 5. Ganancia esperada y riesgo promedio por el mtodo mediavarianza

Media-Varianza

5.4242

0.5866

La principal diferencia entre el experimento 1 y 2 est


en la configuracin de entrada de cada uno; recuerde que el
experimento 2 tiene como entrada adicional el rendimiento
de cada accin. A pesar de esto se observa semejanza entre
los resultados; lo que conduce a decir que el experimento 1,

41

Teora de carteras de inversin para la diversificacin del riesgo....

8.0
7.0
6.0
5.0
4.0
2.0
1.0
3.0
0.0
Sub-Exp 1

Sub-Exp 2

Sub-Exp 3

G Esp. promedio

Sub-Exp 4

SOLVER

Conti y col

41
41
tera menos riesgosa presenta una variacin absoluta del
0.2561%. Aqu es importante recordar el concepto de diversificacin estudiado, puesto que al introducir una mayor
cantidad de activos al portafolio de inversiones se logra reducir el riesgo de la cartera. Partiendo de este punto, en un
mismo periodo, el conjunto de acciones que utiliza el modelo de la Media-Varianza es mayor al usado por la RN para resolver el modelo, y es debido a esto que este mtodo
genera menor riesgo.

Riesgo promedio

Fig. 3. Ganancia esperada y riesgo promedio. Experimento 1

8
6
4
2
0
Sub-Exp 1 Sub-Exp 2 Sub-Exp 3 Sub-Exp 4
SOLVER G Esp. promedio

Riesgo

promedio

Fig. 4. Ganancia esperada y riesgo promedio. Experimento 2

an cuando tienen menos informacin para su ejecucin


que el experimento 2, no requiere de esta para lograr un
buen desempeo.
Se observa homogeneidad entre los resultados de la RN
y el mtodo Media-Varianza resuelto por el solver, y en algunos casos la RN muestra superioridad en el rendimiento
de la cartera. Estos resultados son tiles en el caso de tener
distintos tipos de inversionistas:
Para un inversionista adverso al riesgo se ofrecen
carteras de inversin como las provenientes del subexperimento
1 con experimento 2, que tiene un rendimiento promedio
(en tres semanas) del 6.47% y un riesgo de 0.87 %, esta
cartera es un poco mas riesgosa que la que provee el solver pero con ms rendimiento.
Para un inversionista amante al riesgo, se le ofrece la
car- tera generada por el sub-experimento 4 con
experimento
1, donde el riesgo promedio es del 0.98 % (una variacin
absoluta de 0.4% ms que el riesgo del solver) y el rendimiento promedio que provee esta cartera es del 8.16%
(2.7% mas que la cartera del solver).
Resultados como los obtenidos en el sub-experimento
3 con experimento 2, pueden ser tiles para el tipo de
in- versionista que es moderado al riesgo, en el que para
un rendimiento promedio del 7.44% tiene un riesgo
prome- dio de 0.93%; tiene tan solo una diferencia de
0.06% con respecto al riesgo que tiene la cartera ofrecida
para inver- sionistas adversos y tiene casi un punto
adicional de ga- nancia.
La cartera de inversin arrojada por el modelo de la
Media-Varianza muestra en promedio el menor riesgo entre
todas las carteras propuestas, que comparndola con la car-

5. Conclusiones
Los resultados decididamente generaron carteras o
portafolios accionarios de alto rendimiento siguiendo la
tendencia de IBC durante el ao 2003.
Adems se debe recordar que hacer una inversin en
donde no se reciben rendimientos superiores al porcentaje
de inflacin ocasiona descapitalizacin y esto es justamente
lo que ocurre al invertir en instrumentos de inversin del
mercado monetario convencional, por esta razn las personas y empresas seguirn invirtiendo en el mercado accionario como una de las pocas opciones rentables de inversin.
De los resultados obtenidos utilizando el mtodo de la
Media-Varianza y comparndolos con los arrojados por la
metodologa propuesta con RN se observa gran homogeneidad, se demuestra entonces a primera vista una cierta
eficiencia de las RN para clasificar las acciones que conforman un portafolio de inversin. No obstante, esta homogeneidad en los diversos experimentos obtenidos no garantiza la robustez de las RN utilizadas, ya que el nmero de
patrones empleados en la fase de experimentacin no es suficiente para establecer afirmaciones concluyentes de eficiencia, sin embargo, la investigacin sustenta en un primer paso el uso de las RN como tcnica alternativa para la
generacin de carteras de inversin.
A los fines de optimizar el estudio se recomienda redisear los experimentos o cambiar las estructuras de las RN
propuestas y someterlas a una mayor cantidad de patrones
de entrenamiento para evitar problemas de maldicin de
dimensionalidad (curse of dimensionality) (Bonifacio y
Molina). Similarmente, se propone plantear el enfoque del
problema con tcnicas alternativas de algoritmos genticos.
De esta manera, la investigacin planteada abre el camino
para futuros ensayos y proyectos referidos al rea de la Inteligencia Artificial y la Investigacin de Operaciones aplicada a las finanzas.
De los experimentos que se utilizan en la RN se obtienen carteras de inversin para distintos tipos de inversionistas, ya sea adverso, moderado o amante al riesgo. Para un
inversionista adverso se le sugiere carteras como las generadas por el sub-experimento 1 con experimento 2, en promedio estas carteras generan el menor riesgo y un buen
rendimiento. Ahora bien, si se desea aceptar un poco ms
de riesgo se recomiendan carteras como las ofrecidas por el
sub-experimento 3 con experimento 2, pero si se es ms
amante al riesgo el sub-experimento 4 con experimento 1

ofrece en promedio el mayor rendimiento entre todos los


experimentos.
Uno de los aspectos ms importantes en la construccin de carteras de inversin est en una buena diversificacin, gracias a esto se logra reducir el riesgo de la cartera.
El mtodo de la Media-Varianza genera en promedio el
menor riesgo entre todos los portafolios ofrecidos y esto se
debe a que este siempre utiliza un mayor nmero de acciones que los que utiliza la RN al momento de generar la cartera de inversin, pues debe recordarse que la RN realiza
una segunda seleccin de las acciones que conforman la
cartera. En algunos casos se demuestra que aun cuando se
utilizan menos acciones se puede generar el mismo riesgo,
pero en general se obtienen carteras de inversin menos
riesgosas cuando se cuenta con ms acciones. Esto ratifica
la congruencia y robustez del enfoque matemtico planteado por Markowitz.
Al principio se seal el hecho del alza del IBC para el
ao 2003, esto indica que los rendimientos de las acciones
para este mismo ao subieron de manera violenta. Para el
patrn de prueba de la RN se utiliz el ao 2003; con esto
se pretende justificar posibles errores y variaciones en los
resultados de la RN a futuro.
Referencias
Aranguren SM. y Muzachiodi SL, Redes Neuronales y algoritmos inteligentes, Capitulo VII, Disponible en:

http://www.fceco.uner.edu.ar/extinv/publicdocent/sarangur
Bailey RE, Portfolio selection: The mean-variance model.
Disponible en: www.courses.essex.ac.uk/ec/ec371/fb04.pdf
Colina E. y Rivas F, 1998, Introduccin a la inteligencia
artificial
Collantes YV, 2001, Prediccin con redes neuronales:
Comparacin con las metodologas de Box y Jenkins
Cordero M. y Orellana K, Eficiencia de las inversiones de
los fondos de pensiones del sistema provisional chileno,
Disponible en : http://toti2113.tripod.com
Ferruz L, Teora de Carteras, Disponible en:
http://ciberconta.unizar.es/bolsa/INI11.htm
Martn B. y Sanz A, Redes neuronales y sistemas borrosos,
2 edicin ampliada y actualizada, Universidad de Zaragoza, Editorial RAMA.
Steinbach MC, Markowitz revisited: Mean-variance models
in financial portfolio analysis. Disponible en:
www.fiquam.polytechnique.fr/gt2002/mv.pdf
Weston F. y Copeland T, Teora de la cartera: Toma de decisiones en incertidumbre, finanzas en administracin, Octava Edicin, Mc-Graw-Hill.
Bolsa de Valores de Caracas, Disponible en:
http://www.caracasstock.com
Caractersticas principales de las redes neuronales, Capitulo
1, Disponible en: http://ohm.utp.edu.co/neuronales
Redes Neuronales, Disponible en:
http://www.monografias.com