Comparación entre los algoritmos de selección clonal y GRG en un portafolio de inversión

Genaro Garduño-Ruiz; Juan Fernando García-Mejía; Everardo Efrén Granda-Gutierrez; Yenit Martínez-Garduño; Pedro Enrique Lizola-Margullis; Laura Leticia Laurent-Martínez

doi:10.29057/icbi.v10iEspecial4.9337

Genaro Garduño Ruiz Universidad Autónoma del Estado de México https://orcid.org/0000-0001-7027-9930
Juan Fernando García Mejía Universidad Autónoma del Estado de México https://orcid.org/0000-0003-3564-3121
E. E. Granda-Gutierrez Universidad Autónoma del Estado de México https://orcid.org/0000-0002-9316-9627
Yenit Martínez Garduño Universidad Autónoma del Estado de México https://orcid.org/0000-0002-1637-4985
Pedro Enrique Lizola Margolis Universidad Autónoma del Estado de México https://orcid.org/0000-0002-0101-9323
Laura Leticia Laurent Martínez Universidad Autónoma del Estado de México https://orcid.org/0000-0002-4399-5410

DOI: https://doi.org/10.29057/icbi.v10iEspecial4.9337

Palabras clave: Teoría del portafolio optimo, Sistema Inmunológico Artificial, Gradiente Reducido Generalizado, Algoritmo Genético

Resumen

Un problema que enfrenta la población mexicana desde 1997 hasta 2022, son las pensiones debido a que el sector privado cobra comisiones altas por administración, dejando al trabajador en un estado de vulnerabilidad económica. Una alternativa para incrementar los ahorros se encuentra en la compraventa de acciones. El cálculo de los montos a invertir en un portafolio de inversión se realiza por la teoría del portafolio óptimo de Markowitz resuelto por el Gradiente Reducido Generalizado (GRG).

En este trabajo que se propone un algoritmo denominado Sistema Inmunológico Artificial de (SIA) de selección clonal, debido a que es una herramienta a la solución de problemas de optimización no lineales, constituyéndose en alternativa a otros algoritmos evolutivos como el presentado en CIRC- 2020 (Algoritmo Genético (García, et al, 2020)). El resultado dada la implementación del SIA en un portafolio de inversión es que diversifica los montos a invertir de mejor manera y tiene una convergencia más rápida con respecto al algoritmo genético.

Descargas

La descarga de datos todavía no está disponible.

Citas

Rodríguez López, E., García Mejía, J., & Martínez Garduño, Y. (2021, marzo 5). Diseño de un portafolio de inversión con algoritmos evolutivos. Tecnología, Diseño E Innovación, 6(1), 51-70. Recuperado a partir de https://ojs.unae.unae.edu.py/index.php/facat/article/view/261

Cruz, L. M. C., Muñoz, P. C. & Castro, G. Á., (2019). Impacto económico de alternativas de inversión para el sistema de pensiones en México. Revista de Economía, 38(1), 48.

Bazan, M. L., Morales, R. C. & López, F., (2014). Evaluación del coeficiente beta como medida del riesgo mercado o sistemático en el mercado accionario mexicano de 2003 a 2013. XIX Congreso Internacional De Contaduría Administración e informática, 14.

Diaz Diaz, N. E., Luna Martínez, L. J., Gómez Bueno, W. A. & Bautista Rozo, L. X., (2013). Algoritmo Inmune de Selección Clonal. Conference: IV Congreso Internacional de Computación e Informática del Norte de Chile, 8.

Duarte Ojeda, J. R. & Elizalde Sánchez, C. C., (2011). La década de los fondos de pensiones en los países latinoamericanos. Revista Venezolana de Análisis de Coyuntura, XVII (1),72.

De Greiff, S. & Rivera, J.C. (2018). Optimización de portafolios de inversión con costos de transacción utilizando un algoritmo genético multiobjetivo: caso aplicado a la Bolsa de Valores de Colombia. Estudios Gerenciales, 34(146), 74-87.

Clara Elena Mendoza-González, Javier Alexis Trasviña-Carrillo & Alfonso Gutiérrez-López, (2018). Empleo del algoritmo GRG Nonlinear en el cálculo de intensidades de lluvia. Revista NTHE.

José Alberto García Gutiérrez (2014). Análisis e implementación de algoritmos evolutivos para la optimización de simulaciones en ingeniería civil. Universidad Católica San Antonio.

Rafael Rivera-López, Efrén Mezura-Montes, Alicia Morales- Reyes, Mario Graff, Daniela Moctezuma, Eric S. Tellez, Sabino Miranda- Jiménez, Carlos Segura, Joel Chacón- Castillo, Calos A. Brizuela, Julio Juárez, Hugo Terashima- Marín, Santiago Enrique Conant- Pa-los, José Carlos Ortiz- Bayliss e Iván Mauricio Amaya- Contreras (2019). Computación evolutiva. Academia Mexicana de Computación. Amexcomp.

Eduardo Arturo Cruz, Jorge Hernan Restrepo & John Jairo Sánchez (2005). Portafolio de inversión en acciones optimizado. Scientia et Technica, XI, 27, 175-180.

Humberto Antonio Brenes- González (2020). Aplicación de la programación lineal en la maximización del desempeño de los rendimientos de un portafolio compuesto por dos activos, utilizando Solver. Revista Electrónica de investigación en ciencias económicas, 16, 8, 24-39.

Juan Carlos Herrera- Lozada (2011). Sistema Inmune Artificial con población reducida para optimización numérica.

Luis Antonio Cala- Cala, Marcos Traslaviña- Sosa & Alfonso Enrique Gualdrón- López (2014). Beta como variable que mide el riesgo. Innovando en la U, 6, 85-92.

Armando Lenin Támara- Ayús, Ignacio Emilio Chica- Arrieta & Aníbal Montiel- Ensuncho (2017). Metodología de cálculo del Beta: Beta de los activos, Beta apalancado y Beta corregido por Cash. Espacios, 38, 15-36.

Juan Fernando García- Mejía, Elsa T. Rodríguez- López, Mineli de Jesús- Navarrete & Yenit Martínez- Garduño (2020). Diversificación de un portafolio de inversión por medio de un Algoritmo Genético con codificación real. CIRC2020, 148- 156.