Por Ángel Samaniego Alcántar
Profesor de la Escuela de Negocios
Un portafolio de inversión es como una “canasta” donde una persona o institución guarda diferentes tipos de inversiones para hacer crecer su dinero y reducir riesgos. Puede incluir acciones (de empresas), bonos (deuda), fondos de inversión, bienes raíces e incluso efectivo.
Para lo anterior, se requiere seleccionar los activos y decidir qué inversión tener en cada uno de ellos. Al seleccionar, no se busca una variedad de activos, se buscan los activos con mayor probabilidad de obtener un rendimiento, mientras que diversificar busca gestionar el riesgo. Este documento busca mejorar la diversificación para obtener un mejor desempeño, y así mejorar la relación riesgo-rendimiento.
En resumen, un portafolio de inversión es una estrategia para administrar tu dinero de forma diversificada y con un plan claro, igual que un chef que combina varios ingredientes para lograr un buen platillo. La combinación importa, dado que equivale a la diversificación.
Administrar un portafolio de inversión suele parecer complejo para quienes se inician en el tema. Sin embargo, los avances en inteligencia artificial (IA) han creado herramientas que facilitan la toma de decisiones. Este documento comparte mis hallazgos de sobre el uso de redes Long‑Short Term Memory (LSTM) para optimizar portafolios de acciones del índice Dow Jones Industrial Average (DJIA).
¿Qué es una red LSTM?
Es una red neuronal recurrente capaz de “recordar” patrones pasados en series temporales. LSTM significa que puede utilizar variables rezagadas en el tiempo para incluirlas en el modelo. Así, esta red neuronal tiene memoria a largo y corto plazo.
Fue diseñada en 1997 por los informáticos alemanes Sepp Hochreiter y Jürgen Schmidhuber para procesar información secuencial, como los precios bursátiles.
A diferencia de métodos clásicos —como la teoría de portafolios de Harry Markowitz de 1952— la red LSTM captura relaciones no lineales y dinámicas entre activos. Dentro del estudio se utilizó para pronosticar rendimientos.
Cómo se llevó a cabo el estudio
| Paso | Descripción breve |
| Selección de datos | 48 componentes (acciones) históricos deL DJIA (2000‑2021) 48 componentes (acciones) históricos del |
| Entrenamiento | 1000 observaciones anuales alimentaron la red LSTM para aprender patrones de rendimiento |
| Simulación | Se generaron 2,777 portafolios aproximadamente en cada horizonte de inversión: 1, 1.5 y 2 años |
| Estrategias probadas | 1. Compra misma ponderación 2. Compra-venta misma ponderación 3. Solo compra ponderada por expectativas de rendimiento |
| Mejor estrategia | Sólo compra ponderada por expectativas de rendimiento. Entre mayor sea el rendimiento esperado de un activo, mayor ponderación tendrá dentro del portafolio |
En la Figura 1 se observan las 2,777 simulaciones de los portafolios utilizando la red LSTM en diferentes plazos de inversión. En azul la estrategia LSTM y en naranja el índice DJIA. Se puede ver que las observaciones azules se cargan hacia la derecha, indicando un mejor desempeño. En el estudio se utilizaron otras técnicas para evaluar el desempeño.
Resultados clave
- Mejor estrategia: solo compra ponderada por expectativas del LSTM. Esto representa un riesgo, ya que solo busca ganar al alza.
- Rendimiento anual promedio: 12% frente a 8% del DJIA.
- Probabilidad de superar al DJIA: 73% a 85% según el horizonte; la cima se alcanzó a 1.5 años.
- Exceso de rendimiento (alpha): 3.7% – 5% anual sobre el índice. El mejor alpha fue a 1.5 años de horizonte de inversión.
¿En qué me ayuda como inversionista principiante?
Para la diversificación, utilizar los activos del índice sigue siendo clave. Actualmente, el 50% está invertido en ETF, que replican mayormente índices. Por lo que empresas gestoras de portafolios están comprando estas acciones, lo cual beneficia a su precio.
Horizontes entre 1, 1.5 y 2 años. Es conveniente rebalancear un portafolio entre 1 a 2 años de inversión.
Seleccionar estrategias analizando un backtesting/simulaciones. Hay que poner a prueba la estrategia utilizando muchas simulaciones para su evaluación.
Riesgos: hay periodos de caídas en el mercado. Evaluar los riesgos analizando gráficas logarítmicas, ya que muestran mejor las caídas del mercado, ver figura 2. En una gráfica con escala lineal, las proporciones se pierden visualmente, mientras que caídas en el año 2000 vs. 2020 no se muestran con proporciones comparables, mientras que en la gráfica logarítmica sí se pueden observar las diferencias en proporciones. El DJIA entre 1998 y 2008 no muestra un crecimiento; son 10 años de subidas y bajadas.
La investigación demuestra que las redes LSTM pueden incrementar la probabilidad de obtener rendimientos superiores al DJIA cuando se usan para ponderar activos según expectativas de retorno. Para el pequeño inversionista, el hallazgo sugiere que herramientas de IA pueden complementar estrategias tradicionales, siempre y cuando se evalúe su desempeño con suficientes observaciones.
Descargo de responsabilidad
Este documento es únicamente informativo y no constituye asesoría financiera personalizada. Invertir implica riesgos, incluida la posible pérdida del capital invertido.
Glosario breve
- DJIA: Índice que agrupa 30 grandes empresas estadounidenses.
- Rendimiento anual: Porcentaje de ganancia o pérdida en un año.
- Volatilidad: Medida de qué tanto varía el precio de un activo.
- Diversificación: Combinar varios activos para reducir riesgos.
- Alpha: Exceso de rendimiento sobre un índice de referencia.
Declaración sobre la IA generativa en el proceso de redacción
Durante la preparación de este documento, el autor utilizó ChatGPT (2025) para mejorar la redacción. Tras utilizar esta herramienta, el autor revisó y editó el contenido según fue necesario y asume toda la responsabilidad por contenido.
Para saber más
- Hochreiter, S., & Schmidhuber, J. (1997). Long Short‑Term Memory. Neural Computation, 9(8), 1735‑1780.
- Markowitz, H. (1952). Portfolio Selection. The Journal of Finance, 7(1), 77‑91.
- OpenAI. (2025). ChatGPT (versión GPT-5) [Modelo de lenguaje grande]. https://chat.openai.com/
- Samaniego A. (2025). Portfolio Optimization with Long‑Short Term Memory Deep Learning (LSTM). Revista Mexicana de Economía y Finanzas, 20(2), 1‑14.
