El problema
Invertir no es solo buscar más retorno: también hay que decidir qué riesgo y qué impacto se está dispuesto a aceptar.
La selección clásica de carteras suele presentarse como un equilibrio entre rentabilidad y riesgo. Esa visión sigue siendo útil, pero hoy muchas decisiones de inversión incorporan una tercera capa: sostenibilidad, impacto social y gobernanza.
El problema es que mezclar predicciones de mercado, riesgo financiero y criterios ESG no es trivial. Si se hace de forma superficial, la cartera puede parecer responsable en promedio, pero esconder activos con debilidades importantes.
El artículo aborda esa dificultad proponiendo un marco que junta información predictiva, control de riesgo de cola y restricciones sostenibles dentro de un mismo proceso de decisión.
Por qué es difícil
Los retornos son inciertos
Los precios financieros cambian con ruido, no linealidad y cambios de régimen que hacen difícil predecirlos.
El riesgo medio no cuenta toda la historia
Una cartera puede parecer razonable en volatilidad media y aun así ser vulnerable a pérdidas extremas.
ESG no es una etiqueta simple
Ambiental, social y gobernanza pueden comportarse de forma distinta y no siempre se resumen bien en una única puntuación.
Las señales predictivas pueden fallar
Usar IA no elimina el riesgo de sobreajuste, errores de predicción o confianza excesiva en patrones pasados.
La idea principal
Las autoras combinan varias piezas en una arquitectura de inversión. Primero, varios modelos de machine learning generan previsiones sobre los activos. Después, esas previsiones se agregan según su rendimiento histórico y se incorporan como opiniones dentro de Black-Litterman.
Black-Litterman sirve para mezclar dos fuentes de información: el equilibrio implícito del mercado y las opiniones del inversor o del modelo. En este caso, las opiniones proceden de algoritmos predictivos.
La cartera resultante no solo intenta mejorar retorno. También usa CVaR para mirar pérdidas de cola y criterios ESG para alinear la inversión con sostenibilidad. En términos de ParetoInvest, es una forma de ampliar la conversación: no hay una única cartera perfecta, sino compromisos entre objetivos.
La aportación central es convertir la inversión responsable en un problema de decisión multiobjetivo, no en una etiqueta decorativa.
Una forma sencilla de verlo
Es como elegir una ruta que no solo sea rápida: también quieres evitar precipicios y pasar por zonas compatibles con tus valores.
Cómo se resolvió
El trabajo construye un marco BL-ML-CVaR-ESG: Black-Litterman con predicciones de machine learning, riesgo de cola y restricciones sostenibles.
Predecir señales de mercado
Se usan modelos como LSTM, Random Forest, redes neuronales artificiales, GRU y ARIMA para anticipar comportamiento de activos.
Agregar predicciones
Las previsiones individuales se combinan ponderando cada modelo según su rendimiento histórico reciente.
Incorporar opiniones al modelo
Las señales predictivas se introducen en Black-Litterman para ajustar los retornos esperados sin depender solo de datos históricos.
Medir riesgo de cola
Se utiliza CVaR para considerar pérdidas más allá de un umbral, no solo variabilidad promedio.
Añadir criterios ESG
Las puntuaciones ambientales, sociales y de gobernanza se integran para orientar la cartera hacia inversión responsable.
Conclusión del enfoque
La solución une predicción, riesgo y sostenibilidad en un mismo marco, permitiendo comparar carteras por varios objetivos a la vez.
Black-Litterman
Modelo de asignación de activos que combina equilibrio de mercado con opiniones o señales adicionales.
Machine learning
Conjunto de modelos que intenta capturar patrones no lineales en precios y retornos financieros.
CVaR
Medida de riesgo que mira pérdidas extremas esperadas cuando las cosas van peor de lo normal.
ESG
Criterios ambientales, sociales y de gobernanza usados para orientar la inversión responsable.
El experimento
El marco se aplica al sector global del agua, un ámbito conectado con el Objetivo de Desarrollo Sostenible 6: agua limpia y saneamiento.
Las autoras usan activos vinculados al iShares Global Water UCITS ETF y datos ESG procedentes de LSEG Data & Analytics. Para modelar dependencias y riesgo, generan simulaciones mediante una t-cópula.
El artículo compara la propuesta con modelos tradicionales y analiza cómo se comporta la cartera cuando se añaden predicciones de machine learning, CVaR y filtros ESG.
Según los resultados reportados, el modelo BL-ML-CVaR ofrece mayores retornos con riesgo equilibrado frente a referencias tradicionales, y la versión con ESG mantiene rendimiento competitivo respetando criterios de sostenibilidad.
Qué se descubrió
El resultado principal es que añadir señales de machine learning al marco Black-Litterman puede mejorar la adaptación de la cartera a dinámicas de mercado no lineales.
El uso de CVaR ayuda a construir una visión más conservadora del riesgo, porque se fija en pérdidas extremas y no solo en volatilidad media.
La parte ESG introduce una corrección importante: no basta con que la puntuación global parezca aceptable si algunos activos tienen debilidades ambientales, sociales o de gobernanza significativas.
El estudio también reconoce límites prácticos. No incorpora costes de transacción y propone como futuro trabajo aplicar el marco a otros sectores o regiones.
- El modelo integra previsión, asignación de activos, riesgo de cola y sostenibilidad.
- La agregación de varios modelos predictivos busca señales más robustas que un único modelo.
- CVaR mejora la atención sobre escenarios adversos.
- La transformación de puntuaciones ESG reduce el riesgo de esconder debilidades bajo un promedio.
- El enfoque es extensible, pero debe considerar costes de transacción en aplicaciones reales.
La cartera más interesante no es siempre la que promete más retorno, sino la que hace explícito qué compromisos acepta.
Por qué importa
Este trabajo encaja directamente con la lógica de ParetoInvest porque trata la inversión como un espacio de alternativas eficientes, no como una respuesta única.
Además amplía el problema clásico de cartera. En lugar de mirar solo retorno y riesgo, incorpora señales predictivas, riesgo extremo y criterios ESG. Eso se parece mucho más a cómo se toman decisiones reales de inversión.
También recuerda una idea esencial para cualquier herramienta de optimización financiera: el valor no está en ocultar la complejidad, sino en hacer visibles los compromisos para que el usuario pueda decidir con más información.
Aplicaciones reales
Carteras sostenibles
Construir portfolios que integren rendimiento financiero y restricciones ESG de forma explícita.
Gestión de riesgo
Usar CVaR para mirar escenarios de pérdida extrema y no solo volatilidad promedio.
Señales predictivas
Incorporar modelos de machine learning como opiniones dentro de un marco de asignación de activos.
Herramientas tipo ParetoInvest
Explorar carteras como compromisos entre múltiples objetivos, restricciones y preferencias.
Qué podemos aprender
Optimizar una cartera moderna no consiste solo en encontrar el punto con más retorno esperado. Consiste en entender qué riesgo, qué sostenibilidad y qué confianza en las predicciones estamos aceptando.
Preguntas frecuentes
Este comentario es una publicación propia
No. Es una explicación divulgativa de un trabajo de M. Antonia Truyols-Pont, Mar Arenas-Parra y Amelia Bilbao-Terol.
El artículo ofrece asesoramiento financiero
No. Presenta una metodología de investigación para construir y comparar carteras bajo varios objetivos.
Qué aporta frente a Markowitz
Amplía la visión clásica incorporando opiniones predictivas, riesgo de cola y sostenibilidad, no solo retorno y varianza.
Por qué se relaciona con ParetoInvest
Porque plantea la inversión como una decisión multiobjetivo donde se comparan compromisos entre retorno, riesgo y otras restricciones relevantes.
Trabajo comentado
Publicación original y recursos
Truyols-Pont, M.A.; Arenas-Parra, M.; Bilbao-Terol, A. Artificial intelligence for socially responsible investment: a multi-objective decision-making framework. Annals of Operations Research, 2026.