Professional Documents
Culture Documents
1. Introduccin.
Una cartera de inversin es una combinacin de activos o ttulos individuales, donde
se pretende que esa combinacin de acciones disminuya el riesgo y aumente la
utilidad. Desde el punto de vista terico, la existencia del equilibrio riesgorendimiento es bsica para los modelos de evaluacin de activos. Mientras que desde
el punto de vista prctico se debe tener la capacidad de colocar los resultados
absolutos en el contexto de caractersticas de riesgo-rendimiento de un programa de
inversin.
Los cinco pasos del proceso de la inversin son [1]: La poltica de la inversin, el
anlisis de los valores, la construccin de la cartera, la revisin de la cartera y la
evaluacin peridica del desempeo de la cartera.
397
398
como: Encontrar el vector x * x1* , x2* ,...x*n que satisfaga las m restricciones de la
desigualdad:
(1)
g i x 0 , i = 1, 2, , m
hi x 0 , i = 1, 2, , p
(2)
Y que optimice:
T
f x f1 x , f 2 x ... f k x
(3)
restricciones definen la regin factible del problema y cualquier vector x que est en
esta regin se considera como una solucin factible.
En optimizacin multiobjetivo, el trmino optimizar cambia con respecto a la
optimizacin mono-objetivo (global), porque se trata de encontrar un ajuste entre las
distintas funciones objetivo en lugar de una sola solucin como en optimizacin
global. Wilfredo Pareto en 1896 dio una definicin ms formal del ptimo en
problemas multiobjetivo [9], que se conoce en la actualidad como ptimo de Pareto.
La definicin formal es la siguiente:
Pareto es aquel vector de variables en el cual no se pueden mejorar las soluciones del
problema en una funcin objetivo sin empeorar cualquiera de las dems [8,9]. Con
esto se obtiene un conjunto de soluciones llamado Conjunto de ptimos de Pareto. El
conjunto de vectores que corresponden a una solucin, incluida en el conjunto de
ptimos de Pareto, son llamados no dominados.
399
(4)
P* x F : x F f x f x
domina a otro v v1 ,..., v k (denotado mediante u v ) si, y slo si u es
parcialmente menor a v:
i 1,..., k , u i vi i 1,..., k : u i vi
(5)
Es decir, para que una solucin domine a otra, sta necesita ser estrictamente
mejor en al menos un objetivo y no peor en ninguno de ellos.
2.3 Frente de Pareto.
La representacin de las funciones objetivo cuyos vectores son no dominados y
estn en el conjunto de ptimos de Pareto se llama el Frente de Pareto. Su definicin
FP * f f1 x ,..., f k x : x P *
(6)
La mejor forma para encontrar el frente de Pareto es evaluar todos y cada uno de
los puntos en la regin factible, al realizar una bsqueda exhaustiva el problema se
hace no computable. Por tanto, se tiene la necesidad de aplicar o desarrollar
heursticas para producir aproximaciones del frente de Pareto. En la figura 1 se
describe cada uno de los elementos definidos previamente.
400
401
Fig. 2. El CAPM
402
durante el periodo julio de 2005 a febrero 2007 [11]. La grfica muestra que la
determinacin del punto a se hace desde la regin de las soluciones factibles.
Rendimiento X 10-2
600
500
400
300
200
100
0
1
Fig. 3. Carteras de inversin de la regin factible periodo julio 2005 a febrero 2007 [11]
En la figura tres se muestra que slo un punto es la solucin, este punto es el que se
encuentra ms a la izquierda de todos los puntos, y ste tiene la diferencia mnima
entre el riesgo y el rendimiento.
A causa de que los dos problemas se resuelven en forma independiente, el de
maximizar el rendimiento y el de minimizar el riesgo, en las figuras 4 y 5 se grafican
el rendimiento y el riesgo en funcin de la diferencia mnima entre ellos,
respectivamente.
4 50
Riesgo-Rendimiento X10-2
4 00
3 50
3 00
2 50
2 00
1 50
1 00
50
0
1
51
101
151
2 01
251
30 1
351
401
451
501
Rendimiento X 10-2
Fig. 4. Rendimiento en funcin de la diferencia mnima para 10 acciones, periodo julio 2005 a
febrero 2007 [11].
Las grficas de las figuras 4 y 5 muestran que son reas convexas, como se
esperaba, ya que cuando un problema tiene una solucin por medio de programacin
lineal no pueden existir superficies que no sean convexas [10].
403
450
Riesgo-Rendimiento X10-2
400
350
300
250
200
150
100
50
0
1
101
201
301
401
501
601
701
801
901
Riesgo X10-2
Fig. 5. Riesgo en funcin de la diferencia mnima para 10 acciones, periodo julio 2005 a
febrero 2007 [11]
404
Maximizar z1 xi Ri
(7)
i 1
Sujeto a:
n
i 1
n
i 1
n
xi 1 ,
i 1
xi 1
Minimizar z 2 xi i
i 1
Sujeto a:
n
i 1
n
i 1
n
xi 1 ,
i 1
xi 1
Las variables son las mismas que en el problema de maximizar del punto 4.1.
(8)
405
Minimizar z 3 xi i Ri
(9)
i 1
Sujeto a:
n
(10)
(11)
(12)
i 1
x i Ri R min 2 R max R min
i 1
x i Pv i Pv min
i 1
n
xi 1 ,
i 1
xi 1
406
La estrategia consiste en iniciar desde el origen producido por las cotas mnimas,
posteriormente se incrementa un , primero en la funcin f1 y despus en la f2, as
sucesivamente hasta llegar a una solucin factible. Una vez que se llego a una
solucin factible se recorre la regin convexa manteniendo f1 constante hasta alcanzar
el frente de Pareto. Cuando se halla alcanzado el frente de Pareto, ste se recorre
modificando el incremento , la cual consiste en dividir en dos ese incremento cada
1
1
vez. La primera modificacin ser , la segunda y as sucesivamente hasta
2
4
1
llegar a m , donde m es el nmero de modificaciones necesarias para llegar al
2
portafolio considerado ptimo.
ij
Ri
j 1
ij
Ri
(14)
j 1
m 1
12 Jos Crispn Zavala-Daz1, Marco Antonio Cruz-Chavez2, Jorge Ruiz Vanoye3, Martn
H. Cruz-Rosales4
Tabla 1. Rendimiento, precio de venta y riesgo de diez empresas de julio 2005 a febrero 2007
[11,12].
Var
x1
x2
x3
x4
x5
x6
x7
x8
x9
x10
Empresa
GMEXICOB
WALMEX V
G MODELOC
CEMEX CPO
TELMEX L
TELEVISACPO
URBI
KIMBERA
TELECOMA1
NAFTRAC02
Ri (%)
5.053
2.230
2.016
1.024
1.834
2.388
4.147
1.135
3.140
2.962
Pvi
76.00
39.67
59.11
35.47
18.85
55.56
46.42
43.52
49.18
30.82
i (%)
9.289
5.985
5.381
10.331
6.332
6.569
7.851
6.191
9.459
4.527
Modelo
Minimizar
Riesgo
(%)
Ri
i
Maximizar
(%)
Rendimiento R
i
i
Multiobjetivo (%)
Ri
i
x1
(%)
1.05
0.053
0.098
0.0
0.0
0.0
8.56
.4325
.7951
x3
(%)
36.82
0.742
1.981
0.0
0.0
0.0
0.0
0.0
0.0
x5
(%)
0.0
0.0
0.0
0.0
0.0
0.0
0.02
.0004
.0013
X7
(%)
0.0
0.0
0.0
69.81
2.895
5.481
0.0
0.0
0.0
x10
(%)
62.13
1.840
2.813
30.19
0.894
1.367
91.42
2.7078
4.1385
Suma
(%)
100
2.636
4.891
100
3.789
6.847
100
3.1407
4.9349
Dif
(%)
2.256
3.058
1.7942
408
6. Conclusiones.
Se concluye que el planteamiento multiobjetivo del problema de la seleccin de una
cartera de inversin es mejor que solucionar en forma independiente los problemas de
maximizar el rendimiento y minimizar el riesgo.
La segunda conclusin es que las suposiciones del CAPM se pueden aplicar al
problema multiobjetivo, y que con ellas es posible limitar el espacio de bsqueda a un
solo punto y no determinar todo el Frente de Pareto.
La tercera conclusin es que los resultados nos muestran que la bsqueda se puede
hacer por medio de modificar los parmetros, y no necesariamente se requiere de un
algoritmo evolutivo para la generacin de los individuos que pueden formar una
solucin.
7. Referencias.
[1] D. J. Messuti, V. A. Alvarez, H. Romano Graff Selection of investment. Introduction to the
theory of portfolio Ed. Macchi, 1992, pp 135-187, 147-151, 175-187.
[2] H. M. Markowitz Portfolio Selection Journal of Finance, Vol 7, 1952, pp 77-91
[3] E. F. Fama and K. R. French The Capital Asset Pricing Model: Theory and Evidence
CRSP Working paper no. 550, 2003, doi:10.2139/ssrm. 440920
[4] J. C. Zavala-Daz, J. Perez-Ortega, R. A. Pazos-Rangel, D. V. Garca-Villagomez, L. CruzReyes Mathematical Model for Optimizing the Composition o fan Investment Potfolio for
the Mexican Stock Market. Second International Joint Conference on Computational
Sciences and Optimization (CSO2009), April 2009, pp 463-468.
[5] J. Branke, B. Scheckenbach, M. Stein, K. Deb, H. Schmeck Portfolio optimization with an
envelope-based multi-objective evolutionary algorithm Journal European Research 199
(2009), pp 684-693.
[6] Raj Subbu, Piero P. Bonissone, Neil Eklond, Sirnivas Bollapragada, Kate Chalerm Kraivuth
Multiobjective Financial Portfolio Design: A Hybrid Evolutionary Approach Congress on
Evolutionary Computation IEEE Sept. 2005, Volume: 2, pp 1722- 1729 Vol. 2 ISBN: 07803-9363-5
[7] Jonathan E. Fieldsend and Sameer Singh Pareto Multi-objective Non-Linear Regression
Modelling to Aid CAPM Analogous Forecating Proc. IEEE Intl. Conf. on