Asignación de activos mediante técnicas de clustering bajo diferentes medidas de proximidad

Ponente(s): Jose Sebastian Ramirez Jimenez

En esta plática abordaremos los desafíos típicos que enfrenta el machine learning en técnicas de clustering para modelos de asignación de activos en portafolios financieros basados en clustering jerárquico. Nos enfocaremos en dos problemas clave: la selección de medidas de proximidad adecuadas y los criterios para determinar el número óptimo de clústeres. Presentaremos una propuesta de modelo que utiliza el estadístico GAP modificado para el clustering jerárquico, ofreciendo una metodología eficaz para seleccionar el número óptimo de clústeres. Además, exploraremos diversas medidas de proximidad adecuadas para series de tiempo, incluyendo Dynamic Time Warping, Piccolo Distance, Kolmogorov Complexity Approximation, y Periodogram-based Distances, entre otras. Compararemos distintos escenarios utilizando métricas de rendimiento como el Annualized Mean y el Adjusted Sharpe Ratio, métricas de riesgo como el Conditional Value at Risk (CVaR) y el Max Drawdown, así como métricas de diversificación, entre otras. Los resultados obtenidos muestran un desempeño competitivo en comparación con modelos convencionales, especialmente en ciertas configuraciones de enlace y composiciones de portafolios.