Este proyecto implementa un motor de construcción de portafolios basado en meta-learning, diseñado para seleccionar dinámicamente estrategias de inversión en función del régimen de mercado.
El sistema combina múltiples enfoques clásicos de optimización de portafolios con técnicas de detección de regímenes y selección probabilística de estrategias, permitiendo adaptar la asignación de activos de forma continua.
A través de un dashboard interactivo desarrollado en Streamlit, el usuario puede explorar la evolución del portafolio, analizar métricas de desempeño y visualizar dinámicas complejas del mercado, incluyendo descomposición espectral y evolución tridimensional de asignaciones.
El objetivo principal es construir un sistema capaz de tomar decisiones adaptativas de asignación de capital, similar a los utilizados en entornos de gestión cuantitativa institucional.
Proyecto desarrollado como investigación independiente en finanzas cuantitativas y sistemas adaptativos de inversión. SANTIAGO PEÑA DIAZ
GitHub: github.com/Lmao320x
Este proyecto presenta un sistema cuantitativo de asignación de portafolio basado en meta-learning adaptativo, diseñado para seleccionar dinámamente estrategias de inversión en función de los regímenes de mercado.
El modelo combina técnicas de machine learning, optimización de portafolio y análisis estadístico para construir un framework que replica procesos utilizados en hedge funds cuantitativos.
El objetivo es maximizar el rendimiento ajustado por riesgo mediante la selección continua de la estrategia óptima bajo condiciones cambiantes del mercado.
Desarrollar un motor de inversión que:
Market Data (yfinance)
↓
Feature Engineering
(Returns, Volatility, Correlation, Trend)
↓
Market Regime Detection
(GMM + PCA)
↓
Strategy Universe
(MVO, Risk Parity, Momentum, etc.)
↓
Meta-Learning Engine
(Sharpe-based Selection + Confidence Score)
↓
Dynamic Portfolio Allocation
↓
Performance Evaluation
El sistema utiliza datos históricos de mercado (precios ajustados) para construir variables clave:
Retornos logarítmicos utilizados como base para todas las métricas financieras.
Estimación de volatilidad anualizada mediante ventanas móviles.
Estructura de correlación dinámica entre activos.
Promedio móvil de retornos que captura dirección del mercado.
Estas variables representan el estado latente del mercado.
El modelo identifica diferentes condiciones de mercado mediante:
Estos componentes generan un vector de estado:
Regime = [Volatility, Correlation, Trend]
El núcleo del sistema es un mecanismo de selección adaptativa de estrategias.
Para cada ventana temporal:
La selección se basa en:
Confidence = CDF(Sharpe_best)
Esto introduce un enfoque probabilístico en la toma de decisiones.
El sistema:
El modelo evalúa:
Estas métricas permiten analizar la robustez del sistema.
Los mercados financieros no son estáticos; cambian constantemente entre distintos regímenes.
Una estrategia que funciona en un entorno puede fallar en otro.
Este modelo aborda ese problema mediante:
En lugar de predecir el mercado, el sistema se adapta a él.