Gestión de Portafolios en el Mercado Bursátil Colombiano: Comparación entre Metodologías Tradicionales de Optimización y Algoritmos de Machine Learning

Abstract

La presente investigación evalúa la hipótesis de que los algoritmos de machine learning pueden superar el desempeño de métodos tradicionales de optimización en la construcción de portafolios de inversión en el mercado bursátil colombiano. A través de un enfoque cuantitativo comparativo, se evalúan estrategias basadas en tres algoritmos de machine learning (Random Forest, XGBoost y LSTM) comparadas con metodologías tradicionales (Markowitz, mínima varianza y ponderación igualitaria). Utilizando datos del periodo 2019-2024, fue implementada una metodología de entrenamiento y optimización con datos del periodo 2019-2023, mientras que la evaluación fuera de la muestra se realizó con datos de 2024 para 20 acciones del mercado colombiano. Los resultados revelan que el portafolio LSTM alcanza el mejor desempeño con un ratio de Sharpe de 1.5799 y un alfa de 21.40%, superando significativamente al portafolio de Markowitz (ratio de Sharpe: 0.7568, alfa: 9.96%) y al índice COLCAP. Se identifica una clara jerarquía de rendimiento relacionada con la complejidad computacional y capacidad de aprendizaje de cada algoritmo, aunque con rendimientos marginales decrecientes. Las limitaciones incluyen la dependencia temporal del análisis (año 2024), restricciones en la fuente de datos Yahoo Finance, y simplificaciones en la ejecución de transacciones. La investigación proporciona evidencia empírica de que algoritmos de machine learning pueden generar valor superior en mercados emergentes como Colombia, contribuyendo a llenar el vacío identificado en la literatura sobre aplicaciones de ML en mercados latinoamericanos, especialmente Colombia.