Palabras clave
Gestión de Portafolios
Optimización del Índice de Sharpe
Cómo citar
Resumen
Este estudio evalúa el desempeño del Optimizador de Lobo Gris (GWO) en la optimización de portafolios de inversión, comparándolo con métodos basados en gradientes y otras metaheurísticas. Aunque existen diversas variantes de este algoritmo, no se han realizado estudios que lo enfrenten directamente a estos enfoques en un mismo marco comparativo. Para ello, se emplea el modelo media-varianza de Markowitz, analizando su capacidad para maximizar el retorno esperado dentro de un nivel de riesgo aceptable, con base en el índice de Sharpe y el tiempo de convergencia. El estudio sigue un diseño cuantitativo-longitudinal, analizando estrategias de inversión a partir de datos históricos obtenidos del sitio Investing.com. Se consideran dos portafolios: uno con 20 activos para diversificación y otro con 10 activos de alta volatilidad. La optimización se implementa en Matlab, comparando los métodos fmincon, algoritmo genético, optimización por enjambre de partículas, búsqueda por patrones y GWO con 4, 10 y 20 agentes. Los resultados destacan que GWO logra un equilibrio entre rendimiento y eficiencia computacional, posicionándose como una alternativa robusta frente a los demás métodos evaluados.
Citas
Asaithambi, S., Rajappa, M., & Ravi, L. (2019). Optimal transistor sizes and bias current values of CMOS differential amplifier and an operational amplifier using a hybrid grey wolf optimization method. Journal of Intelligent & Fuzzy Systems, 36(5), 4235–4245. https://doi.org/10.3233/JIFS-169981
Chang, K.-H., & Young, M. N. (2019). Behavioral stock portfolio optimization considering holding periods of B-stocks with short-selling. Computers & Operations Research, 112, 104773. https://doi.org/10.1016/j.cor.2019.104773
De Greiff, J., & Rivera, G. (2018). Optimización de portafolios de inversión con costos de transacción utilizando un algoritmo genético multiobjetivo: Caso aplicado a la Bolsa de Valores de Colombia. Estudios Gerenciales, 34(146), 74-87. https://doi.org/10.18046/j.estger.2018.146.2812
Doering, J., Kizys, R., Juan, A. A., Fito, A., & Polat, O. (2019). Metaheuristics for rich portfolio optimisation and risk management: Current state and future trends. Operations Research Perspectives, 6, 100121. https://doi.org/10.1016/j.orp.2019.100121
Fernández Cortez, V., Valle Cruz, D., & Lizola Margolis, P. E. (2019). Optimización de portafolios de inversión con algoritmos genéticos. Revista de Investigación en Ciencias Contables y Administrativas, 4(2). https://ricca.umich.mx/index.php/ricca/article/view/38
Gunjan, A., & Bhattacharyya, S. (2023). A brief review of portfolio optimization techniques. Artificial Intelligence Review, 56(7), 3847–3886. https://doi.org/10.1007/s10462-022-10273-7
Khosravi, A., & Azarnik, A. (2024). LDA-GWO: Utilizing LDA and Gray Wolf Optimizer in diabetes diseases diagnosis. In 2024 20th CSI International Symposium on Artificial Intelligence and Signal Processing (AISP) (pp. 1–7). https://doi.org/10.1109/AISP61396.2024.10475253
Markowitz, H. (1952). Portfolio selection. The Journal of Finance, 7(1), 77–91. https://doi.org/10.2307/2975974
Mazraeh, N. B., Daneshvar, A., Madanchi Zaj, M., & Roodposhti, F. R. (2022). Stock portfolio optimization using a combined approach of multi-objective grey wolf optimizer and machine learning preselection methods. Computational Intelligence and Neuroscience, 2022, 5974842, 20 pages. https://doi.org/10.1155/2022/5974842
Mendizabal Zubeldia, A., Miera Zabalza, L. M., & Zubia Zubiaurre, M. (2002). El modelo de Markowitz en la gestión de carteras. Cuadernos de Gestión, 2(1), 33–46. https://doi.org/10.5295/cdg.19217am
Mirjalili, S., Mirjalili, S. M., & Lewis, A. (2014). Grey Wolf Optimizer. Advances in Engineering Software, 69, 46-61. https://doi.org/10.1016/j.advengsoft.2013.12.007
Mirjalili, S., Mirjalili, S. M., Saremi, S., Faris, H., & Aljarah, I. (2016). Grey wolf optimizer: A review of recent variants and applications. Neural Computing and Applications, 27, 3055–3065. https://doi.org/10.1007/s00521-017-3272-5
Ortiz, R., Contreras, M., & Mellado, C. (2021). Improving the volatility of the optimal weights of the Markowitz model. Economic Research-Ekonomska Istraživanja, 35(1), 2836–2858. https://doi.org/10.1080/1331677X.2021.1981963
Sakalauskas, V., Kriksciuniene, D., & Imbrazas, A. (2023). Stock portfolio risk-return ratio optimisation using grey wolf model. In Springer International Publishing (pp. 211–232). https://doi.org/10.1007/978-3-031-24453-7_10
Wang, M., Liu, W., Chen, M., Huang, X., Han, W. (2021). A band selection approach based on a modified gray wolf optimizer and weight updating of bands for hyperspectral image. Applied Soft Computing 112, 107805. https://doi.org/10.1016/j.asoc.2021.107805
Xue, H., Lu, S., & Zhang, C. (2024). An adaptive control based on improved gray wolf algorithm for mobile robots. Applied Sciences, 14(7), 7092. https://doi.org/10.3390/app14167092
Yu, X., & Liu, Z. (2022). Multiple strategies grey wolf optimizer for constrained portfolio optimization. Journal of Intelligent & Fuzzy Systems, 43, 1203–1227. https://doi.org/10.3233/JIFS-212729
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.