Resumo

SAMANIEGO ALCANTAR, Ángel. Optimización de carteras con Aprendizaje Profundo de memoria a largo y corto plazo (LSTM). Rev. mex. econ. finanz [online]. 2025, vol.20, n.2, e862.  Epub 03-Out-2025. ISSN 2448-6795.  https://doi.org/10.21919/remef.v20i2.862.

El objetivo es una metodología para ponderar los activos financieros en una cartera de inversión. Se contrasta con los componentes del Dow Jones Industrial Average (DJIA). Para ello, se estudian carteras con horizontes de inversión entre 1 y 2 años utilizando la optimización Long-Short Term Memory (LSTM). La mejor cartera se obtuvo con un horizonte de inversión de 1.5 años. La red neuronal se entrena con 1 000 observaciones y se simulan más de 2 777 carteras. El modelo supera al DJIA entre un 73% y un 85%, con un diferencial de rentabilidad geométrica media anual entre 3.7% y 5%. Los componentes del DJIA en la historia se utilizan para asignar activos a las carteras entre 2008 a 2021. Se recomienda contrastar la metodología junto con otra metodología de selección de activos financieros. Las conclusiones se limitan a los activos que componen el DJIA. Mayoritariamente en la literatura se utilizan redes neuronales para el corto plazo; en este trabajo se contrasta el modelo para el largo plazo, buscando ponderar activos y no precios futuros de activos. Concluyendo que el modelo LSTM puede utilizarse para este fin, para horizontes de inversión de 1 a 2 años.

Palavras-chave : E12; C50; P10; Red neuronal artificial; diversificación de portafolios; Aprendizaje profundo; LSTM.

        · resumo em Inglês     · texto em Inglês     · Inglês ( pdf )