○ planned · proyecto
Otorga nivel a: Python · Time Series
Usa: Python · NumPy · Time Series · Linear Algebra · Econometrics · Statistics
Ismael Medina muestra cómo aplicar dos modelos clásicos de optimización financiera —Markowitz y el Criterio de Kelly— para construir un portafolio de inversión personal usando Python y datos de Yahoo Finance. Su tesis central es que no todo es machine learning: la optimización y las finanzas ofrecen una guía analítica y medible del riesgo, frente al “meter dinero al S&P 500 o Bitcoin” sin criterio.
Hallazgos clave
- Los dos modelos no son bolas de cristal pero sí dan un “norte” analítico: Markowitz minimiza volatilidad y Kelly, al depurar las acciones perdedoras (p. ej. asignar 0 a FIS), resulta más coherente con lo que muestran las gráficas.
- El propio Markowitz no usaba su modelo en la práctica (y en industria casi no se usa); ganó el Nobel pero es una línea base, no una verdad absoluta: sirve para tener un punto de referencia.
- Se asume normalidad en los retornos aunque en realidad tienen colas pesadas y no siguen una distribución normal; es un supuesto conocido que hay que aceptar igual que en los modelos de machine learning.
- Los dos modelos pueden converger o divergir; cuando convergen en la misma selección es una señal fuerte de confianza, y cuando divergen Kelly tiende a depurar mejor las acciones que conviene evitar.
- Las decisiones finales siguen siendo de criterio (él apostó 35% a NVIDIA por la analogía de “quien vende las palas en la fiebre del oro”), pero respaldadas por una forma analítica de medir riesgo.
Módulos
- Colecta de datos financieros — Uso de
yfinance(Yahoo Finance) yforex-pythonpara obtener cierres y tasas de cambio, y estructura de proyecto basada en Team Data Science Process. - Análisis exploratorio y métricas de riesgo — Retornos esperados, desviación estándar, matriz de covarianza/correlación y heatmaps para detectar concentración y efecto dominó.
- Markowitz y la frontera eficiente — Minimización de volatilidad vs maximización de retorno, portafolio de mínima varianza y tangencial con PyPortfolioOpt.
- Criterio de Kelly con Pyomo + IPOPT — Modelado del problema con
pyomoy el solver IPOPT, medias y varianzas rolling, y optimización por día. - Interpretación y sentido común del inversor — Cómo comparar ambos modelos, detectar convergencia/divergencia y combinar la guía analítica con tus convicciones.
Fuente: https://www.youtube.com/watch?v=8n16xYNQfts · Transcript local: data/cursos/datapub-optimizacion-portafolios-python/optimizacion-portafolios-python.srt
Enlaces
Otorga nivel a: Python · Time Series Usa: Python · NumPy · Time Series · Linear Algebra · Econometrics · Statistics