El problema
Predecir retornos no basta: la predicción tiene que convertirse en una cartera que pueda ejecutarse.
En inversión cuantitativa es tentador medir un modelo por su capacidad para predecir. Pero el inversor no compra una predicción: compra una cartera. Entre una señal estadística y una cartera real aparecen decisiones incómodas, como costes, liquidez, frecuencia de rebalanceo y estabilidad de pesos.
El trabajo se sitúa justo en ese punto. En lugar de operar con cientos de acciones individuales, utiliza tres ETFs muy líquidos que representan piezas clásicas de una cartera all-weather: renta variable, bonos largos y oro.
La pregunta práctica es si los modelos de machine learning pueden ajustar dinámicamente la asignación entre esas piezas y mejorar a carteras estáticas conocidas, sin que el resultado dependa de supuestos poco realistas.
Por qué es difícil
Los retornos son ruidosos
Pequeñas señales predictivas pueden desaparecer cuando cambia el mercado o cuando se evalúan fuera de muestra.
Más variables no siempre ayudan
El estudio usa 47 variables predictivas; sin control, un modelo puede aprender ruido en vez de información útil.
La cartera se rebalancea
Una estrategia dinámica puede parecer buena antes de costes y perder atractivo si opera demasiado.
El benchmark importa
Comparar contra una cartera all-weather obliga a demostrar que la mejora no es solo frente a una referencia débil.
La idea principal
Los autores toman una cartera all-weather como referencia y prueban si una asignación dinámica basada en predicciones puede mejorarla. Para ello predicen retornos diarios de SPY, TLT y GLD, tres ETFs que resumen crecimiento, protección frente a deflación y cobertura en crisis.
El enfoque compara familias de modelos: regresiones penalizadas como ridge, LASSO y elastic net; modelos de árboles como random forest, LightGBM y XGBoost; y redes neuronales. La idea es ver qué tipo de aprendizaje aporta señal práctica, no solo sofisticación técnica.
El resultado más didáctico es que los modelos más complejos no ganan por defecto. LASSO y elastic net funcionan especialmente bien porque reducen ruido, seleccionan señales y evitan que el modelo se enamore de demasiadas variables.
Una cartera con machine learning solo tiene sentido si la señal predictiva mejora la asignación después de costes y rebalanceos.
Una forma sencilla de verlo
Es como ajustar la ruta de un viaje con información del tráfico. Si cambias de camino cada minuto, puedes perder más tiempo girando que avanzando.
Cómo se resolvió
El trabajo convierte predicciones diarias en decisiones de asignación entre tres ETFs y compara el resultado con carteras estáticas.
Elegir activos operables
La cartera se construye con SPY, TLT y GLD, ETFs líquidos y conocidos que reducen problemas de ejecución frente a universos enormes de acciones individuales.
Preparar señales predictivas
Se usan 47 variables financieras y macroeconómicas para intentar anticipar los retornos diarios de cada ETF.
Comparar familias de modelos
El estudio prueba modelos lineales regularizados, árboles de decisión avanzados y redes neuronales, midiendo tanto predicción como resultado de cartera.
Construir asignaciones dinámicas
Las predicciones alimentan estrategias que ajustan pesos entre renta variable, bonos largos y oro, en lugar de mantener porcentajes fijos.
Evaluar contra benchmarks
Las estrategias se comparan con tres carteras all-weather estáticas y con inversiones simples en índices.
Comprobar costes
El análisis incluye pruebas de robustez con restricciones de pesos y costes de transacción, una condición clave para que la mejora sea práctica.
Conclusión del enfoque
El valor del método está en unir predicción y ejecución sencilla: pocos activos, liquidez alta, costes bajos y una comparación clara frente a carteras estáticas.
LASSO
Modelo regularizado que puede reducir a cero variables poco útiles, ayudando a evitar sobreajuste cuando hay muchas señales.
Elastic net
Combina penalizaciones de LASSO y ridge para manejar variables correlacionadas sin dejar que el modelo se vuelva inestable.
Cartera all-weather
Estrategia que reparte exposición entre activos que responden de forma distinta a crecimiento, inflación, deflación y crisis.
Sharpe ratio
Medida que compara rentabilidad y volatilidad; no lo explica todo, pero ayuda a valorar retorno ajustado por riesgo.
El experimento
El estudio usa datos diarios entre diciembre de 2004 y julio de 2024. Los activos son SPY, TLT y GLD, que representan respectivamente bolsa estadounidense, bonos del Tesoro a largo plazo y oro.
Los autores prueban modelos de machine learning con 47 variables predictivas, incluyendo indicadores económicos, métricas de mercado e índices globales. Después convierten esas predicciones en estrategias de asignación dinámica.
La comparación se hace frente a tres versiones estáticas de cartera all-weather y frente a inversiones simples en activos individuales. Además, el artículo incluye análisis de costes de transacción y restricciones de pesos para comprobar si la mejora aguanta condiciones más realistas.
Qué se descubrió
Los mejores resultados generales aparecen con LASSO y elastic net. LASSO alcanza un retorno anual medio del 13,24% y un Sharpe de 0,71; elastic net queda muy cerca, con 12,90% y Sharpe de 0,69.
Las carteras all-weather estáticas se quedan por debajo: sus retornos anualizados rondan entre 5,52% y 6,81%, con ratios de Sharpe entre 0,49 y 0,58. SPY, como inversión simple, tiene más retorno que esas carteras estáticas, pero peor Sharpe que las estrategias dinámicas de machine learning.
El resultado no dice que cualquier modelo complejo sirva. De hecho, las redes neuronales muestran baja capacidad predictiva en este contexto. La ventaja viene de modelos capaces de aprovechar señales sin sobreajustar demasiado.
El análisis también destaca que la mejora se mantiene tras considerar costes de transacción, algo especialmente relevante porque usa ETFs muy líquidos y de bajo coste.
- LASSO y elastic net ofrecen el mejor equilibrio entre señal predictiva y rendimiento de cartera.
- Los modelos de árboles funcionan especialmente bien para bonos largos.
- Las redes neuronales no destacan en este experimento.
- La elección de ETFs reduce fricciones y hace más realista la evaluación.
Mejor no siempre es más complejo
Los modelos regularizados superan a enfoques más pesados porque controlan mejor el ruido.
La liquidez importa
Usar ETFs conocidos permite probar estrategias dinámicas sin ignorar costes y ejecución.
Comparar contra algo serio
La cartera all-weather es un benchmark exigente porque ya está pensada para distintos regímenes de mercado.
La predicción solo demuestra valor cuando mejora una cartera frente a referencias razonables y después de considerar fricciones.
Por qué importa
Para ParetoInvest, el mensaje es muy práctico: una plataforma de carteras puede beneficiarse de machine learning, pero no debería medir el éxito solo por acierto predictivo. La pregunta importante es si la señal cambia el frente de alternativas de forma útil.
El trabajo también refuerza una idea de diseño: empezar con activos líquidos y pocas piezas puede ser más honesto que intentar optimizar miles de activos con datos ruidosos. Menos activos no significa menos inteligencia; a veces significa menos fricción.
Además, el estudio abre una vía natural para combinar predicción y optimización multiobjetivo: retorno esperado, volatilidad, drawdown, estabilidad de pesos, costes de transacción y frecuencia de rebalanceo pueden convertirse en criterios simultáneos.
Aplicaciones reales
ParetoInvest
Añadir señales predictivas como una capa previa y evaluar si mejoran el conjunto de carteras eficientes.
Asignación dinámica
Rebalancear entre activos líquidos cuando la señal predictiva supera el coste de cambiar pesos.
Control de fricción
Incorporar costes de transacción y estabilidad de pesos como parte de la decisión, no como una nota al final.
Educación financiera
Mostrar por qué una cartera robusta no siempre necesita muchos activos ni modelos excesivamente complejos.
Qué podemos aprender
El machine learning aporta más cuando se integra en una decisión completa: activos operables, señales controladas, costes explícitos y una comparación honesta frente a carteras sencillas.
Preguntas frecuentes
¿El artículo recomienda invertir en esos ETFs?
No. El trabajo evalúa una metodología científica con datos históricos. No es asesoramiento financiero ni una recomendación de compra.
¿Por qué ganan LASSO y elastic net?
Porque controlan mejor el ruido cuando hay muchas variables predictivas. En finanzas, esa capacidad de simplificar puede ser más útil que añadir complejidad.
¿Qué aporta a ParetoInvest?
Aporta una forma de pensar la predicción como entrada de la optimización, evaluando si mejora las carteras reales después de restricciones, costes y rebalanceos.
Publicación y recursos
Ha, Y. S.; Kang, J.; Kim, J.; Chun, D. Machine learning-based portfolio optimization: comparative analysis with the all-weather portfolio strategy. Financial Innovation, 12, 112, 2026. https://doi.org/10.1186/s40854-026-00927-8.