La asignación de activos determina la mayor parte del rendimiento de una cartera. Las estimaciones tradicionales de retornos esperados y correlaciones fallan durante cambios de régimen de mercado.
Esta formación combina técnicas de forecasting de series temporales con optimización de carteras, enseñando a construir sistemas que predicen retornos, volatilidades y correlaciones usando modelos como LSTM, Temporal Convolutional Networks y Transformer adaptados a datos financieros. Los participantes aprenden a integrar estas predicciones en frameworks de optimización que generan asignaciones robustas bajo incertidumbre.
El programa cubre desde el preprocesamiento de series de precios multivariadas hasta la implementación de modelos que capturan dependencias temporales complejas y efectos de contagio entre mercados. Se trabaja con datasets históricos extensos para entrenar modelos que generan distribuciones predictivas completas, no solo estimaciones puntuales, permitiendo cuantificar la incertidumbre en las proyecciones.
Los equipos desarrollan habilidades para implementar estrategias de rebalanceo dinámico que ajustan pesos de cartera basándose en predicciones actualizadas, incluyendo restricciones prácticas como costes de transacción, límites de tracking error y requisitos de liquidez. La formación incluye técnicas de evaluación de performance que separan la calidad de las predicciones de las decisiones de optimización.