Construcción de portafolios de inversión por medio de aprendizaje reforzado multiagente y aplicaciones de lógica difusa
No Thumbnail Available
Date
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Description
La evidencia numérica es elocuente, utilizando datos diarios de la plataforma bloomberg en el período julio 2018 a octubre 2024. El modelo MARL, logra un retorno acumulado (RA) de 2.21, reduce el drawdown máximo (DD) a un -14 % y mejora el índice de Sharpe (SH) a 1.39, siendo notablemente superior a modelos de aprendizaje uniagente (RL), con un RA de 2.11, DD de -18 % y un SH de 1.31. El modelo multicriterio entrópico difuso (MED) registra un RA de 2.15, un DD de -17 % y un SH de 1.24. superando en gran medida a los modelos clásicos como Markowitz, con un RA de 1.63, DD de -22 % y SH de 1,07, siendo comparable con modelos RL, pero sin superar a MARL. Con base en los resultados, se plantea un modelo híbrido, a partir de una combinación de estrategias en la que los retornos de cada agente del Modelo RL, son vistos como activos de un portafolio a optimizar mediante un MED, los resultados son competitivos al nivel de MARL, con un RA de 2.18, un DD de -15 % y un SH de 1.33. <br/>Se concluye que la rentabilidad, eficiencia y resiliencia del modelo MARL es sustancialmente mejor. La tensión entre competencia y cooperación se convierte en el motor de innovación y eficiencia en un entorno realista, inspirado en la teoría de juegos y la noción de equilibrio de Nash, se demuestra que la inteligencia distribuida, la competencia-cooperación supervisada y la incorporación explícita de la incertidumbre no solo mejoran los resultados, sino que transforman la propia filosofía de la gestión de capital, cuya metodología es extrapolable a diferentes tipos deproblemas de optimización con asignación bajo incertidumbre.