El problema
En una cartera real, predecir bien y decidir bien no son exactamente lo mismo.
Una forma habitual de construir carteras consiste en separar el proceso: primero se estima cómo se comportan los activos y después se resuelve el problema de optimización. Esta separación es cómoda, pero puede crear una desconexión entre lo que el modelo aprende y lo que la decisión necesita.
El caso se vuelve más delicado cuando la cartera tiene una restricción de cardinalidad. En lenguaje sencillo, no se permite comprar todos los activos: hay que elegir solo algunos. Esa selección introduce decisiones discretas, como entrar o no entrar en la cartera, que son mucho más difíciles de tratar que ajustar pesos continuos.
Para una herramienta tipo ParetoInvest, este punto es central. El usuario no quiere solo una predicción bonita; quiere una cartera razonable, limitada, interpretable y comparable con otras alternativas.
Por qué es difícil
La decisión es discreta
Cuando solo pueden entrar algunos activos, el modelo debe elegir presencia o ausencia, no solo pesos.
El riesgo se estima con error
La matriz de covarianzas depende de parámetros que nunca se conocen con certeza y que afectan directamente a la cartera.
No se puede derivar de forma directa
La región factible del problema con cardinalidad es discontinua, por lo que no encaja bien con el entrenamiento estándar de redes neuronales.
La métrica correcta no es obvia
Un modelo puede tener poco error predictivo y aun así producir una cartera peor desde el punto de vista de la decisión.
La idea principal
Los autores plantean un enfoque integrado: en vez de entrenar el modelo de riesgo por un lado y optimizar después, entrenan el sistema usando una pérdida relacionada con la calidad de la cartera que se obtiene.
Para hacerlo viable, sustituyen temporalmente el problema discreto por relajaciones continuas. Estas relajaciones actúan como una versión suave del problema original, lo bastante manejable como para colocarse dentro de una red neuronal y permitir el aprendizaje.
La idea no elimina la optimización. Al contrario: la mete dentro del proceso de aprendizaje para que el modelo no solo aprenda a describir el mercado, sino a tomar mejores decisiones con esa descripción.
El modelo no se entrena solo para acertar datos, sino para mejorar la cartera que esos datos permiten construir.
Una forma sencilla de verlo
Es como entrenar a alguien para conducir no solo mirando si predice bien cada curva, sino evaluando si llega de forma segura, eficiente y sin salirse de la ruta.
Cómo se resolvió
El trabajo combina aprendizaje automático, modelos de riesgo y optimización con cardinalidad en un mismo flujo de decisión.
Definir la cartera con cardinalidad
Parten de un problema donde la cartera debe seleccionar un número limitado de activos, lo que introduce variables de decisión discretas.
Usar un modelo factorial de riesgo
La estructura de covarianzas se gobierna mediante parámetros de un modelo factorial, que son los que el sistema debe aprender.
Relajar el problema discreto
Como la región factible no permite diferenciar de forma directa, comparan tres relajaciones continuas con distinto grado de ajuste al problema original.
Insertar la optimización en la red
Cada relajación funciona como una capa implícita: la red no solo predice, sino que pasa por un bloque de optimización antes de recibir la señal de error.
Entrenar con calidad de decisión
La función de pérdida se vincula a la cartera obtenida, no únicamente al error de predicción de los parámetros intermedios.
Comparar con enfoques desacoplados
El modelo integrado se evalúa frente a dos alternativas que mantienen separadas la estimación del riesgo y la construcción de la cartera.
Conclusión del enfoque
La aportación principal es cambiar la pregunta de entrenamiento: no solo "¿he estimado bien?", sino "¿esa estimación ayuda a decidir mejor?". Para carteras limitadas por número de activos, esa diferencia puede ser decisiva.
Aprendizaje basado en decisiones
Entrenamiento en el que el error se mide por la calidad de la decisión final, no solo por la precisión de una predicción intermedia.
Optimización con cardinalidad
Problema de cartera donde se limita cuántos activos pueden estar presentes, una restricción muy habitual cuando se busca simplicidad operativa.
Capas implícitas
Bloques de optimización integrados dentro de una red neuronal para que el aprendizaje tenga en cuenta una decisión posterior.
Relajaciones continuas
Aproximaciones suaves de un problema discreto que permiten entrenar y comparar sin resolver directamente el problema entero en cada paso.
El experimento
La validación se hace con datos financieros reales. Los autores comparan el enfoque integrado con dos métodos desacoplados, manteniendo el foco en cómo cambia la calidad de las carteras al variar el tamaño de la cardinalidad y la forma del modelo.
Un elemento importante del experimento es la comparación entre tres relajaciones continuas. La pregunta no es solo si entrenar de extremo a extremo ayuda, sino qué aproximación del problema discreto transmite mejor la información necesaria para aprender.
El resultado se presenta como una mejora significativa frente a los enfoques tradicionales desacoplados en los tamaños de cardinalidad y variaciones de modelo evaluados. También deja una advertencia útil: el grado de ajuste de la relajación, el diseño experimental y el tamaño del problema importan.
Qué se descubrió
La conclusión más clara es que optimizar el aprendizaje por la decisión final puede superar a entrenar por predicción y optimizar después. En carteras con cardinalidad, esa ventaja tiene sentido porque la selección de activos amplifica pequeños errores de estimación.
El trabajo también muestra que no todas las relajaciones son iguales. Una aproximación más adecuada al problema original puede transmitir una señal de entrenamiento más útil, pero también puede aumentar la complejidad del cálculo.
Visto desde la práctica, el mensaje es sobrio: no se trata de sustituir toda la teoría de carteras por una red neuronal, sino de unir mejor las piezas cuando la predicción solo es un medio para decidir.
- El enfoque integrado mejora a las alternativas desacopladas en los escenarios evaluados.
- La restricción de cardinalidad convierte la selección de activos en una parte central del problema.
- La calidad de la relajación continua afecta a lo que la red aprende.
- La decisión final puede ser una mejor brújula de entrenamiento que el error predictivo aislado.
Menos separación
El modelo aprende con la cartera final en mente, no solo con una métrica estadística previa.
Más realismo operativo
Limitar el número de activos acerca el problema a carteras que una persona o herramienta puede manejar.
Mejor señal
La pérdida basada en decisión penaliza aquello que realmente empeora la cartera resultante.
Para construir carteras útiles, la pregunta clave no es solo qué se predice, sino qué decisión nace de esa predicción.
Por qué importa
Este trabajo es especialmente relevante para herramientas como ParetoInvest porque aborda una frontera muy concreta: cómo combinar modelos predictivos con optimización de carteras sin que cada bloque persiga un objetivo distinto.
En una plataforma de decisión, el usuario ve carteras, no matrices de covarianza. Por eso tiene sentido entrenar y evaluar los modelos pensando en la calidad de esas carteras, en sus restricciones y en los compromisos que ofrecen.
También aporta una idea metodológica potente para otros sistemas de apoyo a la decisión: cuando el resultado final es una acción, la inteligencia del sistema debería juzgarse por la acción que ayuda a tomar.
Aplicaciones reales
ParetoInvest
Entrenar futuros módulos de predicción mirando la calidad de las carteras generadas y no solo el error estadístico.
Carteras con pocos activos
Construir soluciones más manejables cuando hay costes de transacción, límites operativos o necesidad de interpretación.
Modelos de riesgo
Ajustar parámetros de riesgo con una señal vinculada al uso real que tendrá el modelo en la optimización.
Sistemas predict-and-optimize
Diseñar sistemas donde predicción y optimización se entrenan como partes de una misma cadena de decisión.
Qué podemos aprender
Cuando una predicción se usa para decidir, el éxito no debería medirse solo por la predicción. En carteras, medicina, logística o industria, el modelo realmente útil es el que mejora la decisión final bajo restricciones reales.
Preguntas frecuentes
¿Significa esto que una red neuronal sustituye al optimizador?
No. La idea es integrar la optimización dentro del aprendizaje para que el modelo aprenda teniendo en cuenta la cartera resultante. La optimización sigue siendo una parte esencial del proceso.
¿Qué es una restricción de cardinalidad en una cartera?
Es una regla que limita cuántos activos pueden formar parte de la cartera. Por ejemplo, elegir 20 activos de un universo mucho mayor.
¿Por qué esto es relevante para ParetoInvest?
Porque ParetoInvest trabaja con alternativas de cartera y compromisos entre objetivos. Este enfoque refuerza la idea de entrenar y evaluar modelos por la calidad de las soluciones que generan.
Publicación y recursos
Anis, H. T.; Kwon, R. H. End-to-end, decision-based, cardinality-constrained portfolio optimization. European Journal of Operational Research, 320(3), 739-753, 2025.