Optimización de carteras financieras bajo arquitecturas de redes neuronales recurrentes LSTM

Abstract

La inteligencia artificial ha adquirido un papel cada vez más relevante en las finanzas, especialmente en la predicción de variables de mercado. Se propone un modelo basado en redes neuronales recurrentes de tipo Long Short-Term Memory (LSTM) para la selección de activos financieros. La arquitectura desarrollada integra dos redes paralelas: una para estimar retornos esperados y otra para predecir volatilidades, entendidas como medida de riesgo. Ambas salidas se combinan mediante un meta-modelo inspirado en el Ratio de Sharpe, que genera señales de inversión y las traduce en pesos de cartera. El modelo se entrena con datos históricos de múltiples activos y se valida mediante técnicas de backtesting en distintos escenarios de mercado. También se discuten limitaciones propias del enfoque, como el coste computacional y la escasa interpretabilidad, y se proponen líneas de mejora basadas en modelos híbridos y técnicas de inteligencia artificial explicable (XAI).

Artificial intelligence has gained increasing relevance in finance, particularly in market variable forecasting. This work proposes a model based on Long ShortTerm Memory (LSTM) recurrent neural networks for financial asset selection. The architecture integrates two parallel networks: one estimating expected returns and another predicting volatility as a proxy for risk. Both outputs are combined through a Sharpe-Inspired meta-model that generates investment signals and translates them into portfolio weights. The model is trained on historical data from multiple assets and validated through backtesting across different market conditions. Limitations related to computational cost and model interpretability are discussed, and potential improvements are suggested through hybrid architectures and explainable artificial intelligence (XAI) techniques.