El problema
Elegir una cartera no empieza solo en la optimización: también empieza en qué activos merece la pena comparar.
Un modelo financiero puede decir que una cartera tiene buen equilibrio entre retorno y riesgo. Aun así, esa respuesta puede ser frágil si antes se han elegido mal los activos candidatos.
Muchos modelos usan clustering para organizar activos antes de optimizar. El problema es que algunos métodos clasifican de forma demasiado rígida: un activo pertenece o no pertenece a un grupo, aunque en realidad haya zonas grises.
El artículo plantea que el inversor es racional de forma limitada. No busca siempre la utilidad máxima perfecta; compara alternativas, evita arrepentirse y puede preferir una opción que encaje mejor con su percepción del riesgo.
Por qué es difícil
Hay objetivos contrapuestos
Buscar más retorno puede aumentar riesgo. Reducir riesgo puede limitar oportunidades.
El inversor no es una máquina
Las personas no siempre eligen la máxima utilidad teórica; también pesan preferencias, dudas y comparaciones.
Hay zonas de incertidumbre
Algunos activos no encajan claramente en un grupo. Forzar una decisión binaria puede empeorar la selección.
El arrepentimiento cambia la lectura
Una cartera puede parecer buena con los datos disponibles, pero generar más arrepentimiento si otra alternativa acaba funcionando mejor.
La idea principal
El artículo propone un modelo llamado RT-STWD-MOMV. La sigla resume tres ideas: regret theory, sequential three-way decision y multi-objective mean-variance.
La primera pieza se usa antes de optimizar: una agrupación de activos basada en decisión secuencial de tres vías. En lugar de clasificar todo de golpe, el método trabaja por niveles de granularidad y distingue entre aceptación, rechazo e incertidumbre.
La segunda pieza introduce la teoría del arrepentimiento. La idea es que el inversor no evalúa una alternativa en abstracto, sino comparándola con lo que podría haber elegido.
La tercera pieza modifica el modelo media-varianza multiobjetivo. En vez de convertir el arrepentimiento en un objetivo más, los autores lo incorporan como una restricción superior, lo que mantiene el modelo más manejable.
El artículo no solo pregunta qué cartera es eficiente, sino qué proceso de selección reduce incertidumbre y arrepentimiento.
Una forma sencilla de verlo
Es como elegir una ruta con información incompleta. Algunas rutas parecen claramente buenas, otras claramente malas y otras quedan en zona dudosa. La decisión mejora si tratas esa duda con cuidado.
Cómo se resolvió
El modelo tiene dos grandes bloques: primero agrupa activos teniendo en cuenta arrepentimiento; después construye la cartera con un modelo media-varianza multiobjetivo que limita el arrepentimiento aceptable.
Calcular una función de evaluación
Los autores combinan medición de distancia y grado de relación gris para evaluar cómo se parecen o se relacionan los activos.
Decidir por granularidades
La decisión secuencial de tres vías clasifica activos por etapas, distinguiendo región positiva, región negativa y región de incertidumbre.
Aprender umbrales con arrepentimiento
Los umbrales de decisión se obtienen mediante una función de utilidad de arrepentimiento y shadow set, no suponiendo un inversor perfectamente racional.
Elegir activos poco correlacionados
A partir de los grupos finales, el modelo selecciona activos de categorías con menor correlación para favorecer diversificación.
Optimizar con límite de arrepentimiento
El modelo MOMV se mejora añadiendo una restricción que refleja el nivel máximo de arrepentimiento que el decisor acepta.
MOMV
Modelo multiobjetivo de media-varianza que compara retorno y riesgo como criterios separados.
STWD
Decisión secuencial de tres vías, usada para clasificar alternativas en varias etapas y manejar regiones inciertas.
Regret theory
Teoría que modela el arrepentimiento del decisor cuando compara el resultado elegido con alternativas no elegidas.
Grey relational degree
Herramienta para medir relaciones entre objetos cuando la información es incompleta o difícil de comparar.
El experimento
El caso de estudio aplica el modelo a datos de acciones. El proceso no empieza directamente optimizando pesos, sino agrupando activos con el modelo RT-STWD.
Después se analizan las clases obtenidas y se seleccionan activos de categorías con baja correlación. Esa selección sirve como entrada para el modelo RT-MOMV.
La página oficial de ScienceDirect indica que el trabajo incluye análisis comparativo y pruebas de robustez, y que el modelo propuesto supera de forma consistente al MOMV combinado con otros métodos de clustering en varios conjuntos de datos reales.
Qué se descubrió
El resultado principal es que la selección de carteras mejora cuando el preprocesamiento de activos también refleja incertidumbre y comportamiento humano.
La agrupación RT-STWD intenta evitar dos errores habituales: clasificar demasiado pronto activos dudosos y suponer que el inversor decide siempre de forma completamente racional.
En la parte de optimización, el arrepentimiento no se trata como una emoción vaga, sino como una restricción que limita cuánto malestar comparativo acepta el decisor.
Según la página oficial del artículo, el modelo RT-STWD-MOMV es efectivo y factible, y en la fase comparativa supera de forma consistente a modelos MOMV integrados con otros clusters en múltiples datasets reales.
- La cartera se analiza como una decisión multiobjetivo, no como una única fórmula.
- La agrupación previa de activos forma parte del problema, no es un paso secundario.
- La región incierta de la decisión se trata de forma gradual mediante STWD.
- El arrepentimiento se convierte en una restricción interpretable para el inversor.
El salto conceptual está en unir dos decisiones: qué activos entran en juego y qué cartera final acepta el inversor.
Por qué importa
Este tipo de trabajo es relevante porque acerca la optimización financiera a problemas reales de decisión. Los inversores no solo quieren una fórmula: necesitan entender qué sacrifican, qué ganan y qué tipo de duda están aceptando.
También conecta con la idea de decisión explicable. Si una herramienta recomienda una cartera, debería poder explicar qué papel juegan el riesgo, el retorno, la clasificación previa de activos y el límite de arrepentimiento.
Para líneas como ParetoInvest, el artículo resulta interesante porque confirma que el futuro de la optimización de carteras no está solo en resolver más rápido, sino en representar mejor las preferencias, la incertidumbre y los conflictos del decisor.
La lección práctica es que el usuario no debería recibir una cartera como si saliera de una caja negra. Debería ver por qué ciertos activos fueron considerados, cuáles quedaron en zona dudosa y qué nivel de arrepentimiento se decidió tolerar.
Aplicaciones reales
Asesoramiento financiero
Explicar por qué una cartera puede ser adecuada para un perfil concreto, no solo eficiente en una gráfica.
Robo-advisors
Incorporar límites de arrepentimiento y regiones de incertidumbre en recomendaciones automatizadas.
Decision support
Mostrar criterios, grupos de activos y trade-offs de forma comprensible para que el usuario no reciba una caja negra.
Investigación multiobjetivo
Explorar modelos donde riesgo, retorno, clustering y factores humanos conviven dentro del proceso de decisión.
Qué podemos aprender
Optimizar no siempre significa encontrar la cartera con la mejor cifra final. A veces significa construir una decisión defendible desde el primer filtro de activos hasta el límite de arrepentimiento que el inversor está dispuesto a aceptar.
Preguntas frecuentes
Este comentario es una publicación propia
No. Es una explicación divulgativa de un trabajo de Jing Tu, Shuhua Su y Jianuan Qiu.
Qué aporta frente a Markowitz
Parte del enfoque media-varianza, pero añade una fase de agrupación secuencial de activos y una restricción de arrepentimiento para reflejar mejor cómo se comparan alternativas bajo incertidumbre.
Qué significa decisión de tres vías
Significa que una alternativa puede aceptarse, rechazarse o quedar temporalmente en una zona de incertidumbre, en lugar de forzar una respuesta inmediata.
Esto recomienda invertir en activos concretos
No. El texto explica un enfoque científico para selección de carteras. No constituye asesoramiento financiero.
Trabajo comentado
Publicación original y recursos
Tu, J.; Su, S.; Qiu, J. A multi-objective mean-variance portfolio selection model combining sequential three-way decision and regret theory. Expert Systems with Applications 2025, 267, 126183.