AI + Optimización de Portfolios

[@davidpena4756]

Entendí re poco, pero suena muy bien. Toma mi dinero.

[@Manu_Henriquez]

😂

[@gabrielcelis1934]

Buena, para seguir aprendiendo

[@Sfgarcia]

Está muy interesante! Me quedan algunas dudas: 1. A partir de qué fecha empezaron a ocupar la metodología nueva (con IA) para optimizar los portafolios de Fintual? 2. Si hay suficiente historia, han hecho alguna comparativa de cuánta rentabilidad adicional están generando por este método vs haber seguido usando el CVAR con los rendimientos históricos?

[@fintual]

Hola! aquí te dejo las respuestas. 1- Entre el 25 de enero y el 15 de marzo de 2024, más info acá: fintualist.com/chile/educacion-financiera/rebalanceo-de-portafolios-primer-semestre-del-2024/ 2- Precisamente el paper responde esa pregunta, en la sección “4.3. Testing strategy” haciendo una comparación out-of-sample de una buena cantidad de historia y diferentes métricas de comparación. Sobre los resultados en los portafolios de Fintual, en el fondo Norris por ejemplo aún hay muy poca información para concluir, pero al menos comparando cartera dinámica contra estática este año se ve bien (ver grafico)

[@Gerard91999]

Cuál es la composición del benchmark que usan? Además, cómo controlan el risk on/risk off?

[@fintual]

Hola, no tenemos un benchmark definido, pero buscamos un portafolio global diversificado, similar a índices como el ACWI o el S&P 500. En cuanto al risk on/off, no buscamos hacer market timing, si no más bien tener una estrategia estable a lo largo del tiempo, con rebalanceos periódicos en función de un proceso de optimización de carteras. Si quieres saber más de nuestro proceso de inversión, puedes leerlo en fintual.mx/proceso-de-inversiones

[@Kernnel98]

Me intereso... tu charla, pero no explicas los "pesos" en las formulas, como calculas ?, si tienes otra charla seria interesante y educacinal ir, asi voy con mi hijo para que tenga un punto de vista nuevo

[@fintual]

Al igual que la mayoría de las redes neuronales, los pesos se obtienen usando métodos de optimización, en que se minimiza la diferencia entre los datos generados por el modelo y los que efectivamente ocurrieron, todo esto dentro del dataset de entrenamiento.