Optimización de Portafolios de Inversión con Algoritmos Genéticos

Vanesa Fernandez Cortez, David Valle Cruz, Pablo E Lizola Margolis

Resumen


Los inversionistas buscan maximizar el rendimiento de sus acciones con el mínimo riesgo, situación que se torna compleja. El objetivo del trabajo de investigación, es generar portafolios de inversión conformados por acciones de las empresas nacionales emisoras que participan en la Bolsa Mexicana de Valores para el segundo semestre de 2018. La metodología se basa en aplicar algoritmos genéticos, a un modelo matemático lineal, para conformar portafolios eficientes que establezcan el monto óptimo de inversión en cada uno de los instrumentos financieros seleccionados, además de generar diversificación. Después de varias pruebas con el algoritmo genético, el portafolio optimizado quedó conformado por acciones de las empresas: Alsea, Arca Continental, Autlan, Banco del Bajío, Banorte, Cemex, G México, Mexichem, Peñoles, Pinfra y Vitro. Al invertir las cantidades calculadas en cada una de las acciones, de las emisoras, se obtiene un rendimiento óptimo con diversificación.

Palabras clave


Optimización; Portafolio eficiente; Algoritmos genéticos; Bolsa de valores

Texto completo:

PDF

Referencias


Aranha, C., & Iba, H. (2009). The memetic tree-based genetic algorithm and its application to portfolio optimization. Memetic Computing, 1(2), 139–151.

Arteaga, J. R. (2017) Las 5 empresas favoritas de la BMV para invertir en 2018, Alto nivel. Disponible en: https://www.altonivel.com.mx/empresas/las-5-empresas-favoritas-la-bmv-invertir-en-2018/ (Consultado: 14 May 2018).

Brealey, R., Myers, S. (1993). Principios de finanzas corporativas, Cuarta edición, 1202 páginas, Mc Graw Hill, Madrid.

Brinson, G. P., Hood, L. R., & Beebower, G. L. (1995). Determinants of portfolio performance. Financial Analysts Journal, 51(1), 133–138.

Chang, T.-J., Yang, S.-C., & Chang, K.-J. (2009). Portfolio optimization problems in different risk measures using genetic algorithm. Expert Systems with Applications, 36(7), 10529–10537.

Cohn, R. A., Lewellen, W. G., Lease, R. C., & Schlarbaum, G. G. (1975). Individual investor risk aversion and investment portfolio composition. The Journal of Finance, 30(2), 605–620.

Dacchille, C. (2007). Portafolios eficientes de inversion en la bolsa de valores.

Davis, L. (1991). Handbook of genetic algorithms. Retrieved from http://cumincad.scix.net/cgi-bin/works/Show?eaca

Edesess, M. (1999). System and method for generating and displaying risk and return in an investment portfolio. Google Patents. Retrieved from https://www.google.com/patents/US5884287

Epstein, L. G., & Zin, S. E. (1989). Substitution, risk aversion, and the temporal behavior of consumption and asset returns: A theoretical framework. Econometrica: Journal of the Econometric Society, 937–969.

Friend, I., & Blume, M. (1970). Measurement of portfolio performance under uncertainty. The American Economic Review, 60(4), 561–575.

Giansante, J. E., & Dragun, B. C. (2001). Investment portfolio selection system and method. Google Patents. Retrieved from https://www.google.com/patents/US6275814

Goldberg, D. E., & Holland, J. H. (1988). Genetic algorithms and machine learning. Machine Learning, 3(2), 95–99.

Grinblatt, M., & Titman, S. (1989). Portfolio performance evaluation: Old issues and new insights. Review of Financial Studies, 2(3), 393–421.

Markowitz, H. M. (1991). Foundations of portfolio theory. The Journal of Finance, 46(2), 469–477.

Medina, V., Cruz, T., Restrepo, C. (2008). Portafolio de inversión en acciones un enfoque estocastico. Scientia Et Technica, XIV() 235-240. Recuperado de http://www.redalyc.org/articulo.oa?id=84920503042

Palma, J., Marín, R. (2008). Inteligencia Artificial. Técnicas, métodos y aplicaciones. Editorial Mac Graw Hill. Primera edición. España. Pág. 433-437

Pratt, J. W. (1964). Risk aversion in the small and in the large. Econometrica: Journal of the Econometric Society, 122–136.

Santana, L., Coello, C. (2006)“Una introducción a la computación evolutiva y algunas de sus aplicaciones en Economía y Finanzas”, Revista de Métodos Cuantitativos Para la Economía y la Empresa, http://www.upo.es/RevMetCuant/art4.pdf, Consultado el 15/04/2007.

Soleimani, H., Golmakani, H. R., & Salimi, M. H. (2009). Markowitz-based portfolio selection with minimum transaction lots, cardinality constraints and regarding sector capitalization using genetic algorithm. Expert Systems with Applications, 36(3), 5058–5063.

Streichert, F., Ulmer, H., & Zell, A. (2003). Evolutionary algorithms and the cardinality constrained portfolio selection problem. In Operations Research Proceedings 2003, Selected Papers of the International Conference on Operations Research (OR 2003. Citeseer. Retrieved from http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.135.4263

Tomassini, M. (1999). Parallel and distributed evolutionary algorithms: A review. Retrieved from http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.18.924

Yang, X. (2006). Improving portfolio efficiency: A genetic algorithm approach. Computational Economics, 28(1), 1–14.


Enlaces refback

  • No hay ningún enlace refback.


Copyright (c) 2019 Vanesa Fernandez Cortez, David Valle Cruz, Pablo E Lizola Margolis

Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internacional.

  

Revista de Investigación en Ciencias Contables y Administrativas , Volumen IV, Número 2, enero-junio de 2018, es una publicación semestral en formato electrónico, editada por la  Universidad Michoacana de San Nicolás de Hidalgo a través de la  Facultad de Contaduría y Ciencias Administrativas , Av. Gral. Francisco J. Múgica S/N, Ciudad Universitaria, Edificio AII, Morelia, Michoacán, México, Tel. y Fax (443) 3-16-74-11, C.P. 58030,  ricca@umich.mx http://ricca.umich.mx. Editor de la revista: Dr. Oscar De la Torre. Reserva de Derechos al Uso Exclusivo ID: 04-2019-061212154000-203, otorgado por INDAUTOR, ISSN: 2448-606X

  
Licencia Creative Commons
Revista de investigación en Ciencias Contables y Administrativas por Universidad Michoacana de San Nicolás de Hidalgo se distribuye bajo una Licencia Creative Commons Atribución-NoComercial 4.0 Internacional.
Basada en una obra en http://ricca.umich.mx/index.php/ricca.
Permisos más allá del alcance de esta licencia pueden estar disponibles en http://ricca.umich.mx/index.php/ricca/about/submissions#copyrightNotice.