Construcción de modelos para la optimización de portafolios de inversión en renta variable, con base en Markowitz, Blacklitterman y optimización heurística

Abstract

RESUMEN: La presente propuesta de investigación plantea el desarrollo de modelos automatizados en Python para la construcción de portafolios de inversión, como métodos alternativos e innovadores, a partir de los cuales se busca optimizar tiempo, capital de trabajo y lograr los objetivos planteados por los inversionistas en la relación riesgo-retorno respecto a un benchmark. Estas herramientas son un instrumento crucial para diferentes instituciones financieras que actualmente utilizan mecanismos estáticos (Excel) y modelos tradicionales de manera independiente, como Markowitz y/o Black-Litterman, sin dar solución a los inconvenientes de cada uno. Lo anterior se lleva a cabo a través de mejoras a los modelos tradicionales Markowitz y Black-Litterman, la implementación de un tercer modelo basado en optimización heurística (que incorpora elementos de la inteligencia computacional) y la combinación de los anteriores para aumentar la diversificación. En cuanto a las mejoras de los dos primeros, para Markowitz se tiene el cálculo de la varianza condicional mediante el modelo GARCH; para Black-Litterman, el cálculo objetivo de la tabla de views, según un horizonte de tiempo, mediante información obtenida a través del análisis de sentimiento de noticias, análisis de indicadores fundamentales y el pronóstico de retornos con una red neuronal LSTM. En lo referente al tercero, se optó por la programación de un modelo de algoritmo genético que busca maximizar una función objetivo, definida como la relación riesgo-retorno premiada por la rentabilidad adicional al benchmark y castigada por su sensibilidad con el mismo. Por otro lado, la combinación de modelos se efectuó mediante dos criterios: el primero, promediando los pesos resultantes de cada metodología; y el segundo, efectuando una ponderación de acuerdo a los resultados individuales de los modelos en indicadores de desempeño seleccionados. Para la evaluación óptima de las carteras arrojadas por los modelos mencionados anteriormente, se realizó un backtesting comprendido entre el 2013 y el 2019 (omitiendo los años siguientes con el fin de evitar el ruido generado por la pandemia como escenario extremo), en los cuales se implementaron rebalanceos periódicos en el portafolio de acuerdo a los plazos de inversión definidos (corto, mediano y largo plazo). Igualmente, se evaluaron los modelos en tiempo real para un periodo de un mes (marzo 2021). De lo anterior, en el backtesting todos los modelos propuestos, además de representar una ventaja frente a los tradicionales gracias a su automatización, arrojaron indicadores mejorados y rentabilidades superiores al benchmark de evaluación (S&P500), éste último seleccionado por la alta liquidez de los activos que lo conforman. Ahora, en referencia a la evaluación en tiempo real, se concluye que los modelos no tuvieron una buena respuesta bajo un escenario de estrés como lo es la contingencia actual. Los resultados finales muestran que el modelo de Markowitz mejorado presenta el mejor ratio de Sharpe para el corto y mediano plazo, mientras que el modelo de Black-Litterman y los modelos integrados se destacan por el desempeño en el mediano y largo plazo. Al tiempo, el algoritmo genético se presenta como un importante generador de alfa en el corto y mediano plazo. Es importante tener en cuenta que estos resultados pueden varían por la composición del portafolio y el periodo de tiempo en que se realiza el proceso de optimización.

ABSTRACT: This research project proposes the development of automated models in Python to build investment portfolios, as alternative and innovative methods to optimize time, working capital and achieve the objectives set by investors in the risk-return relationship versus a benchmark. These tools are a crucial instrument for different financial institutions that currently use static tools (Excel) and traditional models independently, such as Markowitz and / or Black-Litterman, without solving the drawbacks of each one. This is carried out through improvements to the traditional Markowitz and BlackLitterman models, the implementation of a third model based on heuristic optimization (that incorporates elements of computational intelligence), and the combination of the previous ones to increase diversification. Regarding the improvements of the first two, for Markowitz we computed the conditional variance using the GARCH model; for Black-Litterman, we implemented the objective calculation of the table of views, according to a time horizon, using information obtained through the analysis of news sentiment, analysis of fundamental indicators and the forecast of returns with an LSTM neural network. Regarding the third model, it was decided to program a genetic algorithm model that seeks to maximize an objective function, defined as the risk-return relationship awarded for the additional profitability compared to the benchmark and punished for its sensitivity to it. On the other hand, the combination of models was carried out using two criteria: the first, averaging the weights resulting from each methodology; and the second, making a weighting according to the individual results of the models in selected performance indicators. For the optimal evaluation of the portfolios produced by the aforementioned models, a backtesting was carried out between 2013 and 2019 (omitting the following years in order to avoid the noise generated by the pandemic as an extreme scenario), in which it was implemented a periodic rebalancing of the portfolio according to the defined investment terms (short, medium and long term). Likewise, the models were evaluated in real-time for a period of one month (March 2021). In the backtesting, all the proposed models, in addition to representing an advantage over the traditional ones thanks to their automation, yielded improved indicators and higher returns than the evaluation benchmark (S & P500), the latter selected for the high liquidity of the assets that composed it. Now, in reference to the real-time evaluation, it was concluded that the models did not have a good response under a stress scenario such as the current contingency. The final results show that the improved Markowitz model presents the best Sharpe ratio for the short and medium term, while the Black-Litterman model and the integrated models stand out for their performance in the medium and long term. At the same time, the genetic algorithm appears as an important alpha generator in the short and medium term.It is important to notice that these results may vary due to the composition of the portfolio and the period of time in which the optimization process is carried out.