2306 01660 en Es

Traducido del inglés al español - www.onlinedoctranslator.
com
AREVISIÓN SISTEMÁTICA DE LA LITERATURA SOBRE ENFOQUES DE SOLUCIÓN

POR EL PROBLEMA DEL SEGUIMIENTO DEL ÍNDICE EN LA ÚLTIMA DÉCADA
Julio Cezar Soares Silva, Adiel Teixeira de Almeida Filho

Centro de Informática
Universidad Federal de Pernambuco
Recife
{jcss4,adielfilho}@cin.ufpe.br
arXiv:2306.01660v2 [q-fin.PM] 5 de junio de 2023
ARESUMEN
El enfoque de gestión pasiva ofrece a los inversores conservadores una forma de reducir el riesgo relacionado con el mercado.
Esta estrategia de inversión tiene como objetivo replicar un índice específico, como el NASDAQ Composite o el índice FTSE100. El
problema es que comprar todos los activos del índice implica altos costos de reequilibrio y esto perjudica los rendimientos futuros.
El problema del seguimiento del índice tiene que ver con la construcción de una cartera que siga un punto de referencia específico
con menores costos de transacción. Dado que se requiere un subconjunto de activos para resolver el problema del índice, esta
clase de problemas es NP-difícil y, en los últimos años, los investigadores han estado estudiando enfoques de solución para
obtener carteras de seguimiento de manera más práctica. Este trabajo ofrece un análisis, que abarca la última década, de los
avances en los enfoques matemáticos para el seguimiento de índices. La revisión sistemática de la literatura cubrió cuestiones
importantes, como las áreas de investigación más relevantes, los métodos de solución y las estructuras de los modelos. Se prestó
especial atención a la exploración y análisis de metaheurísticas aplicadas al problema de seguimiento de índices.
kpalabras claveSeguimiento del índice·Finanzas·metaheurística·Optimización de cartera
1. Introducción
El análisis de inversiones es un proceso estratégico para una organización y para inversores individuales, ya que implica asignaciones
de capital que deben realizarse de manera eficiente. En este escenario, los agentes financieros enfrentan constantemente la
disyuntiva entre recorrer un camino más riesgoso (bajo la perspectiva de mayores rendimientos) y asumir menos riesgos y estar
satisfechos con rendimientos más bajos (pero menos inciertos). Desde los estudios seminales de [1] y [2], que representaron los
puntos de partida de la Teoría Moderna de Carteras, se han publicado varios artículos y se han observado avances en el problema de
la selección de carteras, como se muestra en [3]. Kolm et al. [3] afirman que los expertos financieros están preocupados por la
aplicación del MVO clásico en datos reales, especialmente debido a la sensibilidad de la asignación de peso óptima en relación con la
perturbación de las entradas del modelo. Además, la dificultad generalizada intrínseca a la estimación de parámetros, como se
analiza en [4], al ser imposible predecir los rendimientos futuros uno o más días antes del día de reequilibrio de la cartera, trae más
dificultades en cuanto a la consistencia y robustez de los resultados producidos utilizando este modelo.
De esta manera, el resultado de la optimización utilizando este enfoque de datos históricos puede conducir a carteras contrarias a la intuición,
por lo que se necesitan modelos más robustos [5, 6, 7]. Algunos de los desafíos de este campo están asociados con enfoques para modelar la
incertidumbre y ambigüedad de la información [8, 9, 10, 11], la predicción del precio de las acciones [12, 13, 14, 15], la incorporación de
restricciones que reflejan las preferencias de los inversores y las prácticas. cuestiones relacionadas con el mercado [16, 17, 18, 19, 20, 21, 22],
las criptomonedas [23] y nuevos paradigmas, como la selección de cartera basada en redes de activos [24, 25], representan algunos de los
desafíos que enfrentan los investigadores.
Un fondo administrado pasivamente se conoce comofondo indexado/fondo de seguimiento. Un gestor que adopte esta estrategia podría comprar todas
las acciones de un índice bursátil determinado y reproducirlo perfectamente (replicación completa), pero esta estrategia tiene algunas desventajas [26,
27, 28]:
• La composición del índice se revisa periódicamente. Por lo tanto, las tenencias de todas las acciones cambiarán
periódicamente para reflejar las ponderaciones del índice de la nueva composición.
Enfoques de solución para el seguimiento de índices en la última década
• Los costos de transacción asociados con las acciones del índice no pueden limitarse ya que es necesario negociar todas las acciones para
reducir el error de seguimiento periódicamente.
El problema del seguimiento del índice tiene que ver con la replicación del índice, pero limitando los costos de transacción mediante el uso de
menos acciones. Los modelos de seguimiento de índices se clasifican como problemas de optimización combinatoria cuando integran
restricciones de cardinalidad para controlar la cantidad de activos, de modo que los costos se reducen al utilizar una pequeña cantidad de
acciones (en comparación con la cantidad de componentes del índice a replicar). en la cartera [26, 29, 28].
Este problema es difícil de resolver para una computadora a medida que crece el número de acciones. La mayoría de combinatorias.
Los problemas de optimización son NP-completos y NP-difíciles. Algunos enfoques de solución son algoritmos exactos, como el de ramificación
y corte y el heurístico, que consisten en algoritmos que proporcionan una solución factible sin garantías de calidad y tiempo computacional
[30, 31, 32].
Desde el estudio de Beasley et al. [26], que es un estudio popular que considera un enfoque de solución aproximada para el seguimiento de
índices, se han desarrollado muchos estudios computacionales para este tipo de problema y selección de cartera. Los estudios recientes sobre
el seguimiento de índices se desarrollaron principalmente por la popularización de las metaheurísticas/heurísticas como herramientas para
buscar soluciones óptimas aproximadas [33], y también por la importancia de considerar estrategias de procesos de reequilibrio [34, 28].
Presentamos una revisión de la literatura que comprende enfoques de solución para el problema del seguimiento de índices durante la última década. El
estudio sistemático plantea preguntas relevantes, como las estructuras de modelos más utilizadas, los enfoques de solución más utilizados, los métodos
de solución más relevantes y las fuentes de datos más utilizadas. Esto ofrece una visión general del desarrollo de la investigación de seguimiento de
índices durante la última década.
2 Metodología de revisión
Los procedimientos y reglas que llevaron a cabo la revisión sistemática de la literatura se basaron en [35] y [36]. [35] presentaron una revisión
exhaustiva de la literatura sobre enfoques de solución para el problema de selección de cartera guiados por preguntas de investigación. [36]
también utilizaron preguntas de investigación para desarrollar una revisión sistemática de la literatura que abarca modelos financieros con
toma de decisiones multicriterio.
2.1 Preguntas de investigación configuradas
Para guiar el análisis de los resultados y el alcance de este trabajo, se definieron algunas preguntas de investigación. Las preguntas de investigación se
presentan en la Tabla 1
Las preguntas de investigación relacionadas con fuentes importantes, producción e impacto de las citas (PI 1-6) se desarrollaron con base en el
trabajo de [36]. Las preguntas de investigación relacionadas con los enfoques heurísticos (CR 7-13) se desarrollaron teniendo en cuenta el
trabajo de [35]
2.2 Recolección y selección de materiales.
La búsqueda se realizó cubriendo artículos y actas publicados entre 2010 y 2021. El proceso de recopilación de bibliografía se llevó a cabo en la
base de datos Web of Science utilizando la estructura de palabras clave presentada en la Tabla 2. Esta estructura de combinación de palabras
clave se basó en [35] y palabras clave relacionadas. al seguimiento del índice se incluyeron a partir del conocimiento a priori del campo por
parte del autor. Los niveles 1 y 2 orientan la búsqueda de problemas de optimización de cartera financiera. El nivel 3 restringe la clase de
problema de la cartera financiera al seguimiento de índices.
El proceso de filtrado se muestra en la Figura 1. El primer filtro se utilizó para seleccionar solo artículos escritos en inglés. El
segundo filtro se aplicó para limitar el tipo de documentos a artículos y actas. El filtro final se realizó mediante la lectura
completa de los artículos y seleccionando aquellos que se ajustaban al alcance de este trabajo. Muchos de los trabajos fuera
del alcance aparecieron debido a las palabras clave del primer y segundo nivel. Los trabajos eliminados no abordaban
problemas de optimización de cartera financiera o eran problemas de optimización de cartera cuyo objetivo no era replicar
el índice, o artículos de actas que culminaban en artículos de revista.
Se seleccionaron un total de 73 artículos tras aplicar todos los filtros. De los 73 artículos, 64 son artículos de revistas y 9 son artículos de
congresos. Algunas preguntas de investigación necesitaron el apoyo de herramientas bibliométricas para ser respondidas. Para realizar estos
análisis se adoptaron Bibliometrix [37] y Web Of Science.
2
RQ Descripción
¿Son los métodos de solución de seguimiento de índices más relevantes para las revistas que se centran
#1
¿En investigación de operaciones e informática?
¿Existe una concentración de métodos heurísticos aplicados en un área específica?
#2
¿Marco de modelado cuantitativo?
¿Ha habido un crecimiento en el número de métodos no heurísticos aplicados a
#3
¿El problema del seguimiento del índice?
¿Ha habido un crecimiento en el número de heurísticas/metaheurísticas aplicadas?
#4
al problema de seguimiento del índice?
¿Se utilizan más los enfoques heurísticos que los no heurísticos para
#5
¿Problemas de seguimiento de índices?
¿Los enfoques heurísticos tienen más impacto en las citas que los no heurísticos?
#6
¿Enfoques para problemas de seguimiento de índices?
¿Existe una prevalencia del uso de una heurística/metaheurística específica?
#7
en problemas de seguimiento de índices?
#8 ¿Existe una integración entre los solucionadores heurísticos y de propósito general?

¿Existe una prevalencia del uso de métricas de evaluación específicas para heurísticas?
#9
¿enfoques?
¿Existe una prevalencia del uso de un método de solución específico para
# 10
comparar con enfoques heurísticos?
¿Existe una prevalencia de resolución para un objetivo de error de seguimiento específico?
# 11
¿Funciona cuando se utilizan enfoques heurísticos?
¿Existe una prevalencia de resolver restricciones prácticas específicas cuando
# 12
¿Usando enfoques heurísticos?
# 13 ¿Qué bases de datos fueron las más adoptadas en los enfoques heurísticos?
Tabla 1: Preguntas de investigación para la revisión sistemática de la literatura de seguimiento de índices
Nivel Términos de búsqueda
Cartera O Inversión O Activo

1
Y
Optimización O Gestión O Selección
2
Y
3 "Seguimiento de índice" O "Error de seguimiento" O Error de seguimiento
Tabla 2: Estructura de combinación de palabras clave propuesta para la revisión sistemática de seguimiento del índice
3 Revisar resultados
La respuesta a la pregunta número 1 se construyó considerando revistas científicas responsables de publicaciones que involucran
aplicaciones de seguimiento de índices. La Tabla 3 presenta el porcentaje de fuentes según su número de publicaciones asociadas.
Publicaciones Número de fuentes (%)Revistas (%) Acumulado

1 40 78,43 78,43
2 6 11.76 90.19
3 2 3.92 94.11
>3 3 5,88 100.00
Total 51 100
Tabla 3: Porcentaje de fuentes según su número total de publicaciones de seguimiento de índices
La mayoría de las fuentes en papel (40), que representan el 78,43% del total de fuentes, son responsables de una sola publicación. Este
resultado muestra que, a pesar de ser literatura nueva, donde se encuentran los primeros artículos de investigación desarrollados por [38] y
[39], los artículos de seguimiento de índices se encuentran dispersos en un amplio espectro de áreas, como economía, estadística, informática
e investigación de operaciones. Un análisis más específico se desarrolló considerando 11 revistas que habían publicado más de un artículo
(21,57% del total de fuentes) en el período considerado. El número total de artículos publicados sobre las fuentes seleccionadas es igual a 33, lo
que representa alrededor del 45% del total de artículos publicados en la última década. Esto demuestra que estas 11 revistas concentran
buena parte del total de publicaciones relativas al seguimiento de índices en los últimos años.
3
Figura 1: Proceso de filtrado de la revisión de la literatura de seguimiento del índice
década. La Tabla 4 muestra el nombre de la fuente, el número de publicaciones, el porcentaje relativo de publicaciones y la categoría
de investigación asociada de Web of Science.
Se alcanzaron las siguientes categorías de investigación de Web of Science: investigación de operaciones (incluida la investigación y
gestión de operaciones), gestión, negocios (incluidos negocios y finanzas), estadística y probabilidad, economía, matemáticas
(incluidos métodos matemáticos en ciencias sociales y matemáticas aplicadas), informática. Ciencias (interdisciplinarias e inteligencia
artificial) e ingeniería (incluidas la industrial y la eléctrica y electrónica). La Tabla 5 contiene el número de revistas y publicaciones
asociadas a cada una de las categorías que se encontraron. La respuesta a la pregunta #1 es positiva ya que las revistas más
relevantes cubren las áreas de investigación de operaciones e investigación en ciencias de la computación. Informática contiene el
mismo número de publicaciones relacionadas en las categorías de Economía, Matemáticas y Negocios, pero obtuvo mejor
puntuación porque sus publicaciones relacionadas se distribuyen en 4 revistas con mejores factores de impacto.
3.1 Categorización: marcos de modelado cuantitativo y enfoques de solución
Para responder las preguntas 2, 3, 4, 5 y 6, fue necesario categorizar primero el marco de modelado y luego categorizar el
enfoque de solución. Se definieron tres categorías de marcos de modelado cuantitativo: marcos de programación
matemática, marcos de técnicas estadísticas y otros marcos. Esta taxonomía se construyó a partir de los modelos utilizados
en los trabajos seleccionados. Las tablas 6, 7 y 8 muestran las publicaciones asociadas con las categorías Modelado
matemático, técnicas estadísticas y otros marcos, respectivamente.
La Figura 2 muestra el porcentaje relativo de artículos publicados por marco de modelado cuantitativo. Se puede observar que la mayoría de
los trabajos sobre el problema de seguimiento de índices exploran más marcos de programación matemática que cualquier otro tipo de
marco de modelado para este problema. En este trabajo, consideramos que los enfoques heurísticos son aquellos que combinan algoritmos
estocásticos, como los algoritmos genéticos, con al menos uno de los marcos de modelado cuantitativo explorados para resolver el problema
de seguimiento de índices. El número total de artículos asignados al grupo heurístico y no heurístico es 25 y 48, respectivamente. Por tanto, la
mayoría de los trabajos sobre seguimiento de índices adoptaron métodos de solución no heurísticos. Como se analiza en [111], se puede
aplicar eficientemente un algoritmo exacto para resolver carteras de pequeña cardinalidad (cuando contiene menos de cinco activos) o cuando
la cardinalidad de la cartera se aproxima al tamaño del universo de activos considerado. Dependiendo del tamaño de la cartera a optimizar,
existen condiciones específicas en las que las heurísticas son aún más eficientes [111]. Sin embargo, en algunas situaciones específicas, se
pueden implementar algoritmos exactos de manera eficiente.
4
Nombre Publicaciones % de 33 Categorías

Negocios económicos
Finanzas cuantitativas 7 21.21
, Matemáticas
Anales de operaciones
4 12.12 La investigación de operaciones
Investigación
Revista Europea de
4 12.12 La investigación de operaciones
Investigación Operativa
Ciencias de la Computación,
Computadoras y operaciones
3 9.09 ingeniería y
Investigación
La investigación de operaciones
Diario del Operativo Administración y

3 9.09
Sociedad de investigación La investigación de operaciones
Computación blanda aplicada 2 6.06 Ciencias de la Computación
Estadística Computacional y Ciencias de la Computación,

2 6.06
Análisis de los datos y Estadística y Probabilidad
Ciencias de la Computación,
Sistemas expertos con
2 6.06 Ingeniería y Operaciones
Aplicaciones
Investigación
Revista de Economía
2 6.06 Ciencias económicas
Dinámica y control
Revista de Gestión
2 6.06 Negocio
Financiera y de Riesgos
Investigación de Operaciones y
Cartas de optimización 2 6.06
Matemáticas
Tabla 4: Fuentes seleccionadas
Número de relacionados Número de relacionados

Categoría
revistas publicaciones
La investigación de operaciones 6 18
Ciencias de la Computación 4 9
Ciencias económicas 2 9
Matemáticas 2 9
Negocio 2 9
Ingeniería 2 5
Gestión 1 3
Estadística y probabilidad 1 3
Tabla 5: Las categorías relevantes
3.2 Comparación de producción e impacto de los enfoques de solución
Después de asociar cada artículo con su enfoque de solución, se desarrolló un análisis del crecimiento de la producción y el impacto de las
citas. La Figura 3 muestra el número acumulado de publicaciones por año para cada enfoque de solución. Dado que ha habido un crecimiento
en el número de métodos heurísticos y no heurísticos aplicados al problema de seguimiento de índices, la respuesta para las preguntas 3 y 4
es positiva. La respuesta a la pregunta número 5 es negativa, ya que la tasa de producción de artículos que adoptan enfoques no heurísticos
es mayor que la de los artículos que adoptan enfoques heurísticos.
Se evaluaron dos métricas para responder la Pregunta #6: media anual acumulada de citas totales y media anual acumulada de citas
totales por artículo. La Figura 4 muestra la media total anual acumulada de citas para cada enfoque de solución y la Figura 5 muestra
la media total anual acumulada de citas por artículo.
Los artículos que adoptaron enfoques heurísticos obtuvieron un total de 322 citas durante la última década. El grupo no heurístico
obtuvo un total de 281 citas. La media anual de citas totales de enfoques de solución heurística supera a la de enfoques de solución
no heurísticos en la mayoría de los años. Este resultado también se observa para la métrica media total anual de citas por artículo. La
respuesta a la Pregunta #6 es positiva porque el grupo heurístico superó al grupo no heurístico en los dos
5
Subcategoría Publicaciones
[40]; [41];
Programación lineal
[42]
[43]; [40];
[44]; [45];
entero mixto
[46]; [47];
programación lineal
[48]; [49];
[50]
Programación no lineal [51]; [52]
[53];
[54];
[55]; [56];
[57]; [45];
[58]; [59];
entero mixto [28]; [60];
Programación no lineal [61]; [62];
[63]; [64];
[sesenta y cinco]; [66];
[67]; [68];
[69]; [70];
[71]
Programación cónica [72];
entero mixto
[73]
Programación cónica
[74];
Programación estocástica
[75]; [76]
Programación dinámica [77]; [76]
[78];
[79]; [80];
Multiobjetivo
[81]; [82];
Mejoramiento
[59]; [83];
[84]
Tabla 6: Publicaciones asociadas a la categoría de programación matemática
métricas de evaluación. Una observación interesante sobre el resultado del impacto en la producción y las citas es que aunque la
producción de artículos heurísticos es menor, su impacto es mayor.
3.3 Categorización: heurísticas/metaheurísticas adoptadas
Se realizó un trabajo exploratorio para encontrar todas las heurísticas utilizadas en cada uno de los 25 artículos para responder las
preguntas 2 y 7. Además, se realizó una investigación sobre la hibridación de las heurísticas con solucionadores de propósito general
para responder la Pregunta #8. Las heurísticas encontradas fueron: Algoritmo genético (GA), Evolución diferencial (DE), Búsqueda
tabú (TS), Construcción codiciosa (GC), Mejor intercambio por uno (BEBO), Búsqueda combinatoria (CS), Ramificación local (LB),
basada en Lagrangiano. (LGR), búsqueda de kernel (KS), búsqueda de vecindario variable (VNS), algoritmo de descomposición (DA),
algoritmo genético multiobjetivo (MOGA), enjambre de partículas multiobjetivo (MOPS), poda heurística (HP), recocido simulado (SA) y
optimización de malezas invasivas (IWO). En la Tabla 9 se muestra la asignación realizada de artículos a una heurística.
Dado que hay 13 heurísticas hibridadas, la respuesta a la pregunta 8 es positiva. Los solucionadores se integran con heurísticas
principalmente para realizar la asignación de capital, lo que elimina la necesidad de enfoques de manejo de restricciones y/o mecanismos de
reparación. Luego, en esos casos, se utilizaron heurísticas para realizar únicamente la selección de activos. La Tabla 10 resume la
6
[85];
Cointegración [86]; [60];
[61]; [87]
Regresión [88]; [89]
[90]; [56]
Regresión con
[91]; [92];
regularización
[93]; [94]; [66]
Regresión con [95]; [96];

regularización y [97]; [98]; [99];
selección de variables [87]
Tabla 7: Publicaciones asociadas a la categoría técnicas estadísticas
[100]; [101];
[102]; [103]; [104];
Aprendizaje automático [50]; [105];
[106]; [107];
[108]
Muestreo [109]; [110]

Tabla 8: Publicaciones asociadas a la categoría de otro marco
Figura 2: Porcentaje de obras que utilizaron cada marco de modelado
Subcategoría de marco cuantitativo asociada, el número de veces que se aplicó una heurística específica a un modelo específico. Un
resultado interesante es que todas las heurísticas/metaheurísticas aplicadas a MILP (Programación lineal entera mixta)
7
Figura 3: Comparación del total anual acumulado de publicaciones de artículos que utilizan enfoques heurísticos y no heurísticos
Figura 4: Comparación del promedio total anual acumulado de citas para enfoques heurísticos y no heurísticos
están hibridados. La Figura 6 presenta el número relativo de trabajos que realizaron/no realizaron hibridación de
heurísticas/metaheurísticas.
La respuesta a la pregunta número 2 es positiva. En la Tabla 10 se puede observar que la gran cantidad de soluciones heurísticas/
metaheurísticas desarrolladas se aplicaron a formulaciones de programación matemática con mayor frecuencia, más
específicamente a formulaciones MINLP (Programación no lineal de enteros mixtos). Aunque MINLP es la forma más típica de aplicar
una heurística al problema, las formulaciones MILP también pueden exigir heurísticas debido a la naturaleza combinatoria de la
restricción de cardinalidad. La Figura 7 muestra el número relativo de trabajos por heurística/metaheurística. Se resaltaron las dos
heurísticas principales y las otras heurísticas (aplicadas sólo una vez) se agruparon como un solo grupo.
La respuesta a la pregunta 7 es positiva. Los trabajos que utilizan enfoques de solución heurísticos/metaheurísticos se centran en la
aplicación de dos heurísticas: algoritmos genéticos y de evolución diferencial.
3.4 Análisis de evaluaciones de desempeño heurísticas/metaheurísticas
Un éxito heurístico/metaheurístico se indica mediante métricas de evaluación adecuadas. En esta subsección, se identificaron todas las métricas de
evaluación utilizadas para analizar heurísticas en el problema de seguimiento de índices en la última década. 36 métricas diferentes fueron
8
Figura 5: Comparación del promedio total anual acumulado de citas por artículo para enfoques heurísticos y no heurísticos
Figura 6: Porcentaje de obras que realizaron/no realizaron hibridación
encontró. Luego, se decidió resaltar las métricas más utilizadas (aplicadas al menos 3 veces) entre las 36. 9 de 36 métricas se
aplicaron al menos 3 veces, las cuales fueron: tiempo de CPU, GAP (diferencia entre la solución aproximada y la mejor
-solución conocida), Correlación con respecto al índice (CWRTI), Error cuadrático medio (MSE), Relación de información (IR),
Error cuadrático medio (RMSE), Exceso de rendimiento medio (MER), Rendimiento anualizado (ANNR) y Anualizado Error de
seguimiento (ANNTE). La Tabla 11 muestra las métricas destacadas y los artículos asociados.
La Figura 8 presenta el porcentaje de obras que aplicaron cada una de las nueve métricas destacadas y las otras 36 métricas. La respuesta a la
pregunta número 9 es positiva, ya que esas nueve métricas prevalecen entre las otras 36 métricas.
Para responder la pregunta #10 se realizó una búsqueda sobre tipos de comparación. Los tipos de comparación identificados fueron:
heurístico versus heurístico, heurístico versus CPLEX, heurístico versus Gurobi, heurístico versus algoritmo de gradiente proyectado, heurístico
versus algoritmo de punto interior, heurístico versus algoritmo de descenso de coordenadas cíclico y heurístico versus selección aleatoria. La
Tabla 12 muestra los tipos de comparación y artículos relacionados.
La Figura 9 presenta el porcentaje de artículos que realizaron cada tipo de comparación. Se puede observar que la respuesta a la PI
#10 es positiva ya que la mayoría de los autores que desarrollaron una heurística/metaheurística la compararon con otra heurística/
metaheurística o con el solucionador comercial CPLEX.
9
No híbrido Híbrido
[85];
[53];
[28]; [48];
[54];
[66];
[sesenta y cinco];
Georgia [56];
[63];
[55];
[67]; [89];
[93]; [57];
[59];
[53];
Delaware [54]; [62]

[57];
TS [55];
[58];
GC
[67];
BEBO [58];
CS [62]
libra [63]
LGR [73];
Kansas [44];
ENV [49]
DA [76]
OIWO [71]
MOGA [79];
fregonas [84];
SA [70];
caballos de fuerza [70];

Tabla 9: Resultado de la categorización heurística
3.5 Análisis de modelos de seguimiento de índices resueltos mediante metaheurísticas/heurísticas
Las funciones objetivo encontradas fueron: Error cuadrático medio (RMSE), Error cuadrático medio (MSE), Desviación media absoluta
(MAD), Desviación absoluta (AD), Varianza del error de seguimiento (TEV), Suma de cuadrados de errores (SES), Correlación , Exceso
de retorno del índice medio (MIER), Exceso de retorno acumulado (AER), Dickey-Fuller aumentadotestadística (ADF), rentabilidad,
utilidad, sanciones (por error de seguimiento, tamaño de la cartera, capital y volatilidad), valor en riesgo (VaR), sensibilidad y costos
de transacción (TC). La clasificación de cada artículo en una función objetivo se presenta en la tabla 13. En esta tabla podemos ver que
el marco de programación matemática contiene un conjunto más diverso de funciones objetivo en comparación con otros. Además,
la posibilidad de utilizar formulaciones multiobjetivo hace que el marco matemático sea más interesante cuando el analista quiere
considerar la inclusión de las preferencias de los inversores frente a los objetivos considerados.
La frecuencia relativa de obras por función objetivo se muestra en la Figura 10. La respuesta a la PI #11 es positiva ya que
buena parte de las obras adopta RMSE y MSE.
Generalmente se aplican dos restricciones principales a los problemas de seguimiento de índices: cardinalidad y tenencia. Estas restricciones
fueron adoptadas por artículos que utilizaron programación matemática solo porque su uso es obligatorio para el modelo de seguimiento de
índices en este marco. En este trabajo, se tuvieron en cuenta restricciones más prácticas para responder la Pregunta 12. Las restricciones
encontradas fueron: Costos de Transacción, Error de Seguimiento, Rotación, Regulaciones del Mercado, Clase, CVaR y Round-lot. Además de
las dos restricciones principales, estas restricciones prácticas sólo ocurrieron en el marco de modelado de programación matemática. Esto se
debe a que el marco de programación matemática es más flexible en términos de inclusión de restricciones prácticas, lo que no es el caso de
otros marcos de modelado. El número relativo de obras por restricción se muestra en la Figura 11.
10
Estructura Algoritmo norte nortehíbrido
entero mixto
Georgia 9 5
Programación no lineal
Delaware 4 1
TS 1 0
GC 2 0
BEBO 1 0
CS 1 1
libra 1 1
SA 1 0
caballos de fuerza 1 0
OIWO 1 0
entero mixto
Georgia 1 1
Kansas 1 1
ENV 1 1
entero mixto
LGR 1 0
Programación estocástica DA 1 1
Multiobjetivo
Georgia 1 0
Mejoramiento
MOGA 1 0
fregonas 1 0
Cointegración Georgia 1 0
Regresión con
Georgia 2 0
regularización
Regresión Georgia 0 1
Total 32 13
Tabla 10: Resumen de aplicaciones heurísticas
Figura 7: Porcentaje de trabajos por heurística. Se destacaron las dos heurísticas principales.
Dado que las restricciones están bien distribuidas entre los artículos, no prevalece una restricción práctica específica al aplicar
heurísticas/metaheurísticas y la respuesta relativa a la pregunta #12 es negativa. La Tabla 14 muestra la subcategoría de
programación matemática, el nombre de la restricción y los artículos asociados.
11
Métrico Artículos
[55]; [57];
[58]; [28];
Tiempo de CPU
[63]; [sesenta y cinco];
[44]; [76]
[44]; [28];
BRECHA [62]; [49]; [67];
[70]
[85]; [62];
CWRTI
[53]; [54]
[79]; [59];
MSE
[55]; [63]
[85]; [84];
IR
[54]; [93]
[53]; [54];
RMSE
[28]; [89]
[85];
MER
[53]; [54]
[85];
ANNR
[53]; [54]
[85];
ANTE
[93]; [62]
Tabla 11: Resumen de métricas de evaluación
Figura 8: Porcentaje de trabajos por métricas de evaluación. Se destacaron las nueve principales métricas de evaluación.
Aunque esta revisión de la literatura se centra en las características de los modelos resueltos mediante heurísticas/metaheurísticas, los resultados
presentados en esta parte de la revisión también pueden ser útiles para los investigadores que están desarrollando modelos de seguimiento de índices.
12
Tipo de comparación Artículos
[85]; [53];
[54]; [79];
Heurístico versus heurístico [55]; [57];
[59]; [49];
[67]; [70]
[58];
Heurística versus CPLEX [28];
[62]; [76];
[63]; [sesenta y cinco];

Heurística vs Gurobi
[67];
Heurística vs ProjGrad [93]; [66];
Heurística vs IntPoint [93];
Heurística versus CycD [93];
Heurístico versus aleatorio [71]; [67];

Tabla 12: Resumen de tipos de comparación
Figura 9: Porcentaje de obras por tipo de comparación.
Pueden comparar sus funciones objetivas y restricciones prácticas con los modelos de otros autores que también las incluyeron en
un marco de modelado cuantitativo específico.
3.6 Categorización: fuentes de datos para problemas de seguimiento de índices resueltos mediante heurística/metaheurística
Para responder a la pregunta de investigación RQ #13 fue necesario identificar todas las fuentes de datos. Se identificaron las
siguientes fuentes de datos: OR-library, Datastream, Historical Stock Data Downloader (HSDD), Economatica, Bloomberg, Markit,
Academic Research Lab (Universidad) y Yahoo Finance. La Tabla 15 muestra todas las bases de datos y artículos asociados.
La Figura 12 muestra el porcentaje de obras por fuente de datos. OR-library y Datastream fueron adoptados por la mayoría de los trabajos que
son transparentes sobre sus bases de datos. Entonces, la respuesta a la pregunta n.º 13 es biblioteca OR y flujo de datos.
13
Estructura Objetivo Artículos
entero mixto [54];

RMSE
Programación no lineal [53];
[55];
[28];
MSE [62];
[63];
[70];
ENOJADO [57];
SES
[sesenta y cinco];
[66];
[58];
TEV
[67];
Devolver [71]
Multavolatilidad [71]
MultaportafolioTamaño [71]
Multacapital [71]
MultaTE [71]
entero mixto
ENOJADO [48]
ANUNCIO [44];
Correlación [49];
entero mixto
MIER [73];
Programación estocástica ANUNCIO [76];
Multiobjetivo [59];
RMSE
Mejoramiento [84];
MSE [79];
ARE [59];
TC [79];
SBTY [84];
VaR [84];
Cointegración AAD [85];
Correlación [85];
Regresión RMSE [89];
Regresión con
SES [66];
regularización
MSE [93];
Tabla 13: Resumen de ocurrencia de la función objetivo
4. Discusión
El objetivo de esta revisión sistemática fue desarrollar una investigación sobre los enfoques de solución actuales para el problema de
seguimiento de índices utilizando un conjunto de preguntas de investigación. La metodología consistió en la búsqueda de artículos y
ponencias de congresos escritos en idioma inglés relacionados con esta clase de problemas de selección de portafolios. El conjunto de
preguntas de investigación se dividió en dos partes.
La primera parte se refiere a enfoques generales de solución para el problema de seguimiento de índices y la comparación entre dos
grupos: métodos heurísticos y no heurísticos. La producción de ambos enfoques creció en la última década, además, los métodos no
heurísticos fueron más adoptados que sus contrapartes. Por otro lado, la heurística obtuvo el mejor desempeño cuando se toma en
consideración el impacto de las citas, considerando las métricas adoptadas en este trabajo.
La segunda parte se refiere a un análisis específico de las aplicaciones de los enfoques heurísticos/metaheurísticos desarrollados
para este problema. La primera parte de este análisis consistió en investigar las principales heurísticas, si había hibridadas
14
Figura 10: Porcentaje de obras por función objetivo.
Figura 11: Porcentaje de obras por restricción.
heurísticas/metaheurísticas, comparación con otros métodos y las métricas de evaluación asociadas. A continuación, se estudió la
estructura de los modelos resueltos mediante métodos aproximados, teniendo en cuenta funciones objetivo, restricciones y datos
utilizados en el problema. La Tabla 16 resume las respuestas a cada pregunta de investigación.
Los investigadores pueden considerar este trabajo para futuros desarrollos en los problemas de seguimiento de índices, especialmente si utilizan
métodos de solución aproximada para resolverlos. Además, se detalla información sobre la estructura del modelo de última generación para estudios
que consideran el desarrollo de modelos para esta clase de problemas.
5. Conclusión
Con el crecimiento de los enfoques de solución heurísticos y no heurísticos aplicados al problema del seguimiento de índices en la última
década, las revistas que abarcan áreas de investigación operativa y ciencias de la computación fueron los destinos más prometedores para los
artículos de investigación relacionados con este problema. A pesar de su tasa de producción relativamente baja en la última década, las
heurísticas/metaheurísticas tienen más impacto en las citas que los enfoques de solución no heurísticos. Además, se pudo verificar que los
enfoques de solución heurística/metaheurística se concentran en el marco de modelación cuantitativa del MINLP.
15
Estructura Restricción Artículos
entero mixto
Error de seguimiento [28];
Programación no lineal
Rotación [62];
[62];
Regulación del mercado
[63];
Clase [sesenta y cinco];
CVaR [sesenta y cinco];
lote redondo [sesenta y cinco];
entero mixto [44];

Costos de transacción
programación lineal [49]
Clase [49];
CVaR [48];
entero mixto
Error de seguimiento [73];
Programación estocástica Rotación [76];
Clase [76];
Multiobjetivo [59];
Costos de transacción
Mejoramiento [84];
Rotación [59];
lote redondo [79];

Tabla 14: Resumen de ocurrencia de restricciones prácticas
Figura 12: Porcentaje de obras por base de datos.
La mayoría de los artículos que adoptaron la heurística/metaheurística como enfoque de solución implementaron algoritmos de evolución
genética y diferencial en su formulación de seguimiento de índices. No sólo se aplicaron heurísticas puras a este problema, sino que
dieciséis
Fuente de datos Artículos
[71]; [53];
Flujo de datos
[53]; [63];
[55]; [57];
[58]; [63];
Biblioteca OR
[44]; [48];
[79]; [67];
HSDD [58];
economatica [28];
Bloomberg [28];
Márcalo [73];
Universidad [49];
Yahoo Finanzas [85];

Tabla 15: Resumen de fuentes de datos
RQ Recomendaciones
Los métodos de solución de seguimiento de índices son más relevantes para las revistas que se centran
#1
sobre investigación de operaciones e informática
La gran cantidad de soluciones heurísticas/metaheurísticas desarrolladas se
#2
aplicaron con mayor frecuencia a formulaciones de programación matemática.
Ha habido un crecimiento en el número de métodos no heurísticos aplicados a
#3
el problema del seguimiento del índice
Ha habido un crecimiento en el número de heurísticas/metaheurísticas aplicadas.
#4
al problema de seguimiento del índice
Los enfoques heurísticos no se utilizan más que los no heurísticos para
#5
problemas de seguimiento del índice
Los enfoques heurísticos tienen más impacto en las citas que los no heurísticos
#6
enfoques para problemas de seguimiento de índices
Existe una prevalencia del uso de algoritmos genéticos y de evolución diferencial.
#7
en problemas de seguimiento de índices
Los solucionadores están integrados con heurísticas. Un total de 11 hibridados.
#8
se encontraron heurísticas
Existe una prevalencia del uso de métricas de evaluación específicas para heurísticas.
#9
enfoques. Las métricas más utilizadas fueron RMSE y MSE. Sí,
las heurísticas se comparan más con otras heurísticas.
# 10
o el solucionador CPLEX
Existe una prevalencia de resolución para un objetivo de error de seguimiento específico.
# 11 funcionan cuando se utilizan enfoques heurísticos. Una buena parte del
obras adoptadas RMSE y MSE
No. No prevalece la resolución de restricciones prácticas específicas cuando
# 12
usando enfoques heurísticos
# 13 Las bases de datos más utilizadas fueron OR-library y datastream.
Tabla 16: Resumen de las respuestas a cada pregunta de investigación del índice de seguimiento de la revisión sistemática de la literatura
también hibridaciones utilizando tanto heurísticas como solucionadores comerciales. El tiempo de CPU y la correlación con respecto al índice fueron
algunas de las métricas de evaluación más utilizadas para indicar el éxito de las heurísticas/metaheurísticas. Estas métricas de evaluación se utilizaron
con mayor frecuencia al comparar diferentes heurísticas/metaheurísticas o al utilizar el solucionador CPLEX como principal método de solución de
referencia.
17
Se encontró una diversidad de funciones objetivas entre los trabajos en modelos de seguimiento de índices, como la minimización de medidas
de error de seguimiento, la minimización de los costos de transacción y la maximización del rendimiento. Buena parte de las funciones objetivo
utilizadas en las formulaciones resueltas mediante enfoques de solución heurística consistieron en dos medidas de error de seguimiento: error
cuadrático medio y error cuadrático medio. Aunque en la última década se utilizaron diferentes tipos de restricciones prácticas en los
problemas de seguimiento de índices resueltos mediante métodos heurísticos, como el lote redondo y el CVaR (valor condicional en riesgo), no
prevalece el uso de ninguno de ellos. El marco de programación matemática contenía un conjunto más diverso de objetivos y restricciones, lo
que lo hace más flexible y extensible que otros marcos de modelado cuantitativo. Con respecto a las bases de datos adoptadas, la más utilizada
es la biblioteca OR seguida de Datastream. La primera base de datos contiene datos públicos y la segunda es una base de datos comercial.
Los desafíos futuros implican el desarrollo de modelos de seguimiento de índices y heurísticas que aborden restricciones más prácticas, como
los costos de transacción y las que involucran regulaciones de mercado. Además, el trabajo futuro debería comparar el desempeño de las
heurísticas híbridas y las heurísticas no híbridas en modelos de seguimiento de índices para evaluar si es más eficiente adoptar un
solucionador de propósito general que un mecanismo de manejo o reparación de restricciones para abordar las restricciones de asignación de
capital. Con la aplicación de más técnicas de aprendizaje automático/profundo a este problema, los desarrollos futuros pueden explorar cómo
incorporar restricciones más prácticas en los problemas de seguimiento de índices combinando estas técnicas de aprendizaje con
programación matemática. El marco de programación matemática también permite la configuración de múltiples objetivos, que no se ha
explorado mucho en el seguimiento de índices, especialmente para formulaciones de muchos objetivos y optimización interactiva de múltiples
objetivos.
Expresiones de gratitud
Este trabajo fue parcialmente apoyado por CNPQ (315245/2020-4) y CAPES (001) (agencias brasileñas de investigación), por lo que
estamos agradecidos.
Referencias
[1] Harry Markowitz. Selección de cartera.La revista de finanzas, 7(1):77–91, 1952.

[2] AD Roy. La seguridad es lo primero y la tenencia de activos.ECONOMÉTRICA, 20(3):A431–449, 1952.
[3] Petter N. Kolm, Reha Tuetuencue y Frank J. Fabozzi. 60 años de optimización de cartera: desafíos prácticos y
tendencias actuales.Revista europea de investigación operativa, 234(2):356–371, 2014.
[4] Eugenio F. Fama. Mercados de capitales eficientes: una revisión de la teoría y el trabajo empírico.La revista de finanzas,
25(2):383, 1970.
[5] Frank J. Fabozzi, Petter N. Kolm, Dessislava A. Pachamanova y Sergio M. Focardi.Sólida optimización y
gestión de cartera. John Wiley & Sons, Hoboken, Nueva Jersey, 2007.
[6] Chuan-Hsiang Han y Kun Wang. Optimización de cartera estresada con método semiparamétrico.Innovación financiera
, 8(1), marzo de 2022.
[7] Fernando GDC Ferreira y Rodrigo TN Cardoso. Enfoques de optimización de cartera de CVaR medio con restricción de
cardinalidad variable y proceso de reequilibrio.Archivos de métodos computacionales en ingeniería, 28(5):3703–3720,
enero de 2021.
[8] Somayyeh Lotfi y Stavros A. Zenios. Robusta optimización de VaR y CVaR bajo ambigüedad conjunta en distribuciones,
medias y covarianzas.Revista europea de investigación operativa, 269(2):556–576, 2018.
[9]Yuji Yoshida. Optimización de cartera en gestión de activos difusos con medidas de riesgo coherentes derivadas de la utilidad
adversa al riesgo.Computación neuronal y aplicaciones, 32(15):10847–10857, 2020.
[10] Yuyang Cheng y Marcos Escobar-Anel. Sólida elección de cartera según el modelo de volatilidad estocástica 4/2.Revista
IMA de Matemáticas de Gestión, 10 de 2021. dpab033.
[11] Xiaoshi Guo y Sarah M Ryan. Reequilibrio de cartera basado en el impulso de series temporales y el riesgo a la baja.Revista IMA
de Matemáticas de Gestión, 11 de 2021. dpab037.
[12] S. Dutta, MP Biswal, S. Acharya y Rajashree Mishra. Selección de cartera basada en escenarios de precios estocásticos difusos y
su aplicación a la EEB mediante algoritmo genético.Computación blanda aplicada, 62:867–891, 2018.
[13] Ricardo de A. Araujo, Nadia Nedjah, José M. de Seixas, Adriano LI Oliveira y Silvio R. de L. Meira. Máquinas de
aprendizaje morfológico-evolutivo para la predicción de series temporales financieras de alta frecuencia.Enjambre y
computación evolutiva, 42:1–15, 2018.
18
[14] Ricardo de A. Araujo, Nadia Nedjah, Adriano L. Oliveira, I y Silvio R. de L. Meira. Una red neuronal profunda, creciente y
decreciente para la predicción de series temporales financieras.Neurocomputación, 347:59–81, 2019.
[15] Ankit Thakkar y Kinjal Chaudhari. Un estudio completo sobre optimización de carteras, precio de acciones y predicción de tendencias
mediante optimización de enjambre de partículas.Archivos de métodos computacionales en ingeniería, 28(4):2133–2164, junio de 2021.
[16] Luciano Ferreira, Denis Borenstein, Marcelo Brutti Righi y Adiel Teixeira de Almeida Filho. Un marco integrado
híbrido difuso para la optimización de carteras en banca privada.Sistemas Expertos con Aplicaciones, 92:350–
362, 2018.
[17] Julio Cezar Soares Silva, Diogo Ferreira de Lima Silva, Luciano Ferreira y Adiel Teixeira de Almeida-Filho. Se aplicó un enfoque
aproximado basado en la dominancia para evaluar el riesgo crediticio de los bonos soberanos.4O, enero de 2021.
[18] Julio Cezar Soares Silva y Adiel Teixeira de Almeida-Filho. Un enfoque imo-drsa simulado para la reducción cognitiva en
la optimización interactiva de cartera financiera multiobjetivo. EnCongreso IEEE 2021 sobre Computación Evolutiva
(CEC), páginas 1560–1568, 2021.
[19] Diogo Ferreira de Lima Silva, Luciano Ferreira y Adiel Teixeira de Almeida-Filho. Se aplica un nuevo enfoque de topsis de
desagregación de preferencias para clasificar los bonos corporativos en función de los estados financieros y la evaluación de
expertos.Sistemas Expertos con Aplicaciones, 152:113369, 2020.
[20] Diogo F. de Lima Silva, Julio Cezar Soares Silva, Lucimário GO Silva, Luciano Ferreira y Adiel T. de Almeida-Filho.
Evaluación del riesgo de crédito soberano con múltiples criterios utilizando un método de outranking.Problemas
matemáticos en ingeniería, 2018:1–11, septiembre de 2018.
[21] Puneet Pasricha, Dharmaraja Selvamuthu, Guglielmo D'Amico y Raimondo Manca. Optimización de cartera de bonos con riesgo
crediticio: un enfoque de proceso semi-markov.Innovación financiera, 6(1), mayo de 2020.
[22] Noureddine Kouaissah y Sergio Ortobelli Lozza. Dominio estocástico multivariado aplicado a la selección de cartera
basada en sectores.Revista IMA de Matemáticas de Gestión, 32(2):139–160, 04 2020.
[23] Yuze Li, Shangrong Jiang, Yunjie Wei y Shouyang Wang. Incorpore bitcoin a su cartera: un novedoso marco de optimización de
cartera conjunta para activos de materias primas amplios.Innovación financiera, 7(1), agosto de 2021.
[24] Justo Puerto, Moisés Rodríguez-Madrena y Andrea Scozzari. Problemas de agrupación y selección de carteras: un marco
unificado.Investigación de operaciones y computadoras, 117:104891, 2020.
[25] Gian Paolo Clemente, Rosanna Grassi y Asmerilda Hitaj. Asignación de activos: nueva evidencia a través de enfoques de
red.Anales de investigación de operaciones, 299:61–80, enero de 2019.
[26] JE Beasley, N Meade y TJ Chang. Una heurística evolutiva para el problema de seguimiento de índices.Revista europea
de investigación operativa, 148(3):621–643, 2003.
[27] NA Canakgoz y JE Beasley. Enfoques de programación de enteros mixtos para el seguimiento de índices y la indexación
mejorada.Revista europea de investigación operativa, 196(1):384–399, 2009.
[28] Leonardo Riegel Sant'Anna, Tiago Pascoal Filomena, Pablo Cristini Guedes y Denis Borenstein. Seguimiento de índices con un
número controlado de activos mediante una heurística híbrida que combina algoritmo genético y programación no lineal.
Anales de investigación de operaciones, 258(2):849–867, 2017.
[29] AA Gaivoronski, S Krylov y N van der Wijst. Selección óptima de cartera y seguimiento dinámico de benchmarks. Revista
europea de investigación operativa, 163(1):115–131, 2005.
[30] Christos H. Papadimitriou y Kenneth Steiglitz.Optimización combinatoria. Publicaciones de Dover, Mineola,
Nueva York, 1998.
[31] Rafael Martí, Panos M. Pardalos y Mauricio GC Resende.manual de heurística. Springer, Cham, 2018.
[32] Mauricio GC Resende y Celso C. Ribeiro.Optimización por GRASP: procedimientos de búsqueda adaptativos aleatorios
codiciosos. Springer, Nueva York, 2016.
[33] Dimitris Andriosopoulos, Michalis Doumpos, Panos M. Pardalos y Constantin Zopounidis. Enfoques computacionales y
análisis de datos en servicios financieros: una revisión de la literatura.Revista de la sociedad de investigación
operativa, 70(10, SI):1581–1599, 2019.
[34] O. Strub y P. Baumann. Óptima construcción y reequilibrio de carteras indexadas.Revista europea de
investigación operativa, 264(1):370–387, 2018.
[35] Can B. Kalayci, Okkes Ertenlice y Mehmet Anil Akbay. Una revisión exhaustiva de modelos deterministas y aplicaciones
para la optimización de carteras de media-varianza.Sistemas Expertos con Aplicaciones, 125:345–368, 2019.
19
[36] Adiel Teixeira de Almeida-Filho, Diogo Ferreira de Lima Silva y Luciano Ferreira. Modelado financiero con toma de decisiones
con múltiples criterios: una revisión sistemática de la literatura.Revista de la Sociedad de Investigación Operativa,
72(10):2161–2179, 2021.
[37] Massimo Aria y Corrado Cuccurullo. bibliometrix: una herramienta r para el análisis integral de mapas científicos.
Revista de informetría, 11(4):959–975, 2017.
[38] Andrea Consiglio y Stavros Zenios. Modelos integrados de simulación y optimización para el seguimiento de índices
internacionales de renta fija.Programación matemática, 89:311–339, 2001.
[39] Hiroshi Konno y Annista Wijayanayke. Seguimiento del índice de costos mínimo bajo costos de transacción no lineales y
restricciones mínimas de unidades de transacción.Revista Internacional de Finanzas Teóricas y Aplicadas, 04(06):939–957,
2001.
[40] Anubha Goel, Amita Sharma y Aparna Mehra. Seguimiento de índices e indexación mejorada utilizando valor en riesgo
condicional mixto.Revista de Matemática Computacional y Aplicada, 335:361–380, 2018.
[41] Steven Kusiak. Portafolios de transportistas.Revista de gestión de carteras, 40(1):61+, 2013.
[42] Michael F. Theobald y Peter J. Yallup. Inversión basada en pasivos: pasivos múltiples y la cuestión del número de
momentos.Revista europea de finanzas, 16(5):413–435, 2010.
[43] Chen Chen y Roy H. Kwon. Sólida selección de cartera para el seguimiento de índices.Investigación de operaciones y computadoras, 39(4,
SI):829–837, 2012.
[44] G. Guastaroba y MG Speranza. Búsqueda de kernel: una aplicación al problema de seguimiento de índices.Revista
europea de investigación operativa, 217(1):54–68, 2012.
[45] Jinbo Huang, Yong Li y Haixiang Yao. Modelo de seguimiento de índices, riesgo a la baja y estimación kernel no
paramétrica.Revista de dinámica y control económicos, 92(SI):103–128, 2018.
[46] H. Mezali y JE Beasley. Regresión cuantil para seguimiento de índices e indexación mejorada.Revista de la sociedad de
investigación operativa, 64(11):1676–1692, 2013.
[47] H. Mezali y JE Beasley. Seguimiento de índices con costos de transacción fijos y variables.Cartas de optimización,
8(1):61–80, 2014.
[48] Meihua Wang, Chengxian Xu, Fengmin Xu y Hongang Xue. Un LP mixto 0-1 para el problema de seguimiento del índice con
restricciones de riesgo CVaR.Anales de investigación de operaciones, 196(1):591–609, 2012.
[49] Dexiang Wu, Roy H. Kwon y Giorgio Costa. Un enfoque restringido basado en clústeres para rastrear el índice S&P 500.
Revista Internacional de Economía de la Producción, 193:222–243, 2017.
[50] Oliver Strub y Philipp Baumann. Seguimiento de índices mediante técnicas de minería de datos y programación lineal
binaria mixta. EnConferencia internacional IEEE 2015 sobre ingeniería industrial y gestión de ingeniería (IEEM),
páginas 1208–1212. Sección IEEE Singapur; Capítulo IEEE TEMS de Singapur; Capítulo IEEE TEMS de Hong Kong, 2015.
[51] S. Penev, PV Shevchenko y W. Wu. Seguimiento miope y robusto del índice con divergencia de Bregman.Finanzas
cuantitativas, 0(0):1–14, 2021.
[52] Paskalis Glabadanidis. Estrategias de cartera para seguir y superar un índice de referencia.Revista de Gestión Financiera y de
Riesgos, 13(8), 2020.
[53] Kostas Andriosopoulos, Michael Doumpos, Nikos C. Papapostolou y Panos K. Pouliasis. Optimización de cartera y seguimiento
de índices para los mercados de stock y transporte marítimo mediante algoritmos evolutivos.Parte de investigación sobre
transporte Revisión de logística y transporte electrónico, 52(SI):16–34, 2013.
[54] Kostas Andriosopoulos y Nikos Nomikos. Replicación del desempeño del Spot Energy Index con una selección óptima
de cartera de acciones: evidencia de los mercados del Reino Unido, EE. UU. y Brasil.Revista europea de investigación
operativa, 234(2):571–582, 2014.
[55] Fernando García, Francisco Guijarro y Javier Oliver. Optimización del seguimiento de índices con restricción de cardinalidad: una
comparación de rendimiento de algoritmos genéticos y heurísticas de búsqueda tabú.Computación neuronal y aplicaciones,
30(8):2625–2641, 2018.
[56] Bjoern Fastrich, Sandra Paterlini y Peter Winker. Restricciones de cardinalidad versus norma q para el seguimiento del índice.
Finanzas cuantitativas, 14(11):2019–2032, 2014.
[57] N. Grishina, CA Lucas y P. Date. Optimización de cartera basada en la teoría de perspectivas: un estudio y análisis
empírico utilizando algoritmos inteligentes.Finanzas cuantitativas, 17(3):353–367, 2017.
[58] Pureza Mutunge y Dag Haugland. Minimizar el error de seguimiento de carteras con restricciones de cardinalidad.Investigación de
operaciones y computadoras, 90:33–41, 2018.
20
[59] Él Ni y Yongqiao Wang. Seguimiento de índices bursátiles mediante algoritmo genético eficiente de Pareto.Computación blanda aplicada,
13(12):4519–4535, 2013.
[60] Leonardo R. Sant'Anna, Tiago P. Filomena y Joao F. Caldeira. Seguimiento de índices e indexación mejorada mediante
cointegración y correlación con la selección de cartera endógena.Revista trimestral de economía y finanzas, 65:146–
157, 2017.
[61] Leonardo Riegel Sant'Anna, Tiago Pascoal Filomena, Joao Frois Caldeira y Denis Borenstein. Investigar el uso de gráficos de
control de procesos estadísticos para carteras de seguimiento de índices.Revista de la sociedad de investigación operativa,
70(10, SI):1622–1638, 2019.
[62] Andrea Scozzari, Fabio Tardella, Sandra Paterlini y Thiemo Krink. Enfoques exactos y heurísticos para el problema de
seguimiento de índices con restricciones de OICVM.Anales de investigación de operaciones, 205(1):235–250, 2013.
[63] O. Strub y N. Trautmann. Un enfoque en dos etapas al problema del seguimiento de índices restringido por los OICVM.Investigación de
operaciones y computadoras, 103:167–183, 2019.
[64] CA Valle, N. Meade y JE Beasley. Un enfoque de optimización para la construcción de un fondo cotizado en bolsa. Cartas
de optimización, 9(4):635–661, 2015.
[65] Meihua Wang, Fengmin Xu y Yu-Hong Dai. Un modelo de seguimiento de índices con muestreo estratificado y asignación
óptima.Modelos estocásticos aplicados en los negocios y la industria, 34(2):144–157, 2018.
[66] Fengmin Xu, Zhaosong Lu y Zongben Xu. Un enfoque de optimización eficiente para un problema de seguimiento de índices
restringido por cardinalidad.Métodos y software de optimización, 31(2):258–271, 2016.
[67] Oliver Strub y Norbert Trautmann. Una aplicación del solucionador evolutivo de Microsoft Excel basado en un nuevo esquema
de codificación de cromosomas para el problema de seguimiento de carteras 1/n. EnConferencia internacional IEEE 2016
sobre ingeniería industrial y gestión de ingeniería (IEEM), páginas 745–749, 2016.
[68] Eduardo Bered Fernandes Vieira, Tiago Pascoal Filomena, Leonardo Riegel Sant'anna y Miguel A. Lejeune. Modelos de optimización de
seguimiento de índices con restricciones de liquidez.Anales de investigación de operaciones, julio de 2021.
[69] Leonardo Riegel Sant'Anna, Alan Delgado de Oliveira, Tiago Pascoal Filomena y João Frois Caldeira. Resolver el problema de
seguimiento del índice a partir de una reformulación convexa para la cointegración.Cartas de investigación financiera,
37:101356, 2020.
[70] Samuel Fernández-Lorenzo, Diego Porras y Juan José García-Ripoll. Optimización híbrida cuántica-clásica con
restricciones de cardinalidad y aplicaciones a las finanzas.Ciencia y tecnología cuánticas, 6(3):034010, junio de 2021.
[71] K. Affolter, T. Hanne, D. Schweizer y R. Dornberger. Optimización invasiva de malezas para resolver problemas de seguimiento
de índices.Computación suave, 20(9, SI):3393–3401, 2016.
[72] Aifan Ling, Jie Sun y Xiaoguang Yang. Sólida selección de carteras con error de seguimiento con medidas de riesgo a la baja en
el peor de los casos.Revista de dinámica y control económicos, 39:178–207, 2014.
[73] Dexiang Wu y Desheng Dash Wu. Un enfoque mejorado de apoyo a la toma de decisiones para el aprendizaje y seguimiento del índice
de derivados.Omega- Revista Internacional de Ciencias de la Gestión, 88:63–76, 2019.
[74] Diana Barro y Elio Canestrelli. Riesgo a la baja en modelos de error de seguimiento multiperíodo.Revista Centroeuropea de
Investigación de Operaciones, 22(2, SI):263–283, 2014.
[75] Diana Barro, Elio Canestrelli y Giorgio Consigli. Volatilidad versus riesgo a la baja: protección del desempeño en
estrategias de cartera dinámicas.Ciencia de la gestión computacional, 16(3):433–479, 2019.
[76] Stephen J. Stoyan y Roy H. Kwon. Un enfoque de programación estocástica de enteros mixtos en dos etapas para el problema
de seguimiento de índices.Optimización e Ingeniería, 11(2):247–275, 2010.
[77] Bei Cheng, Zhiping Chen y Jia Liu. MODELO DE SEGUIMIENTO DE ÍNDICES FINANCIEROS MULTIETAPAS BAJO
DISTRIBUCIÓN GH.Revista de estadística de Pakistán, 29(5):795–810, 2013.
[78] Amelia Bilbao-Terol, Mar Arenas-Parra y Verónica Canal-Fernández. Un enfoque difuso y multiobjetivo para
inversiones sostenibles.Sistemas Expertos con Aplicaciones, 39(12):10904–10915, 2012.
[79] SC Chiam, KC Tan y A. Al Mamun. Seguimiento dinámico de índices mediante algoritmo evolutivo multiobjetivo.
Computación blanda aplicada, 13(7):3392–3408, 2013.
[80] Fernando García, Francisco Guijarro e Ismael Moya. La curvatura de la frontera de seguimiento: un nuevo criterio para el
problema de seguimiento del índice parcial.Modelado matemático e informático, 54(7-8):1781–1784, 2011.
[81] Fernando García, Francisco Guijarro e Ismael Moya. Un modelo multiobjetivo para la gestión pasiva de
carteras: una aplicación al índice S&P 100.Revista de Economía y Gestión Empresarial, 14(4):758–775,
2013.
21
[82] Q. Li, L. Bao y QL Zhang. Dinámica de seguimiento multiescala y replicación óptima de índices.Cartas de Economía
Aplicada, 21(4):252–256, 2014.
[83] Liang-Chuan Wu e I-Chan Tsai. Tres modelos de programación de objetivos difusos para carteras indexadas.Revista de la
sociedad de investigación operativa, 65(8):1155–1169, 2014.
[84] Huiming Zhang y Junzo Watada. Un enfoque multiobjetivo de seguimiento de índices difusos para el análisis de datos bursátiles.
En2018 4ta Conferencia Internacional sobre Informática y Ciencias de la Información (ICCOINS), 2018.
[85] Eduardo Acosta González, Reinaldo Armas Herrera y Fernando Fernández Rodríguez. Sobre el seguimiento de índices y el
arbitraje estadístico en la elección de acciones mediante cointegración: el papel de la selección de acciones.Finanzas
cuantitativas, 15(6, SI):1075–1091, 2015.
[86] Ioannis Papantonis. Comercio basado en cointegración: evidencia sobre seguimiento de índices y estrategias neutrales al
mercado. Finanza Gerencial, 42(5):449–471, 2016.
[87] Leonardo Riegel Sant'Ana, Joao Frois Caldeira y Tiago Pascoal Filomena. Seguimiento de índices basado en Lasso y
estrategias de arbitraje estadístico largo-corto.Revista norteamericana de economía y finanzas, 51, enero de 2020.
[88] Lam Weng Siew, Saiful Hafizah Jaaman y Hamizun Ismail. Optimización de cartera para modelado de
seguimiento de índices en el mercado de valores de Malasia. En Chen, CY e Ibrahim, SNI y Lee, LS y Lim, FP y
Jaffar, MZAM y Mustafa, MS y Rana, MS, editor,Innovaciones a través de la investigación matemática y
estadística: Actas de la Segunda Conferencia Internacional sobre Ciencias Matemáticas y Estadística
(ICMSS2016), volumen 1739 deActas de la conferencia AIP, 2016.
[89] Zhe Chen, Shizhu Liu, Jiangang Shen y Shenghong Li. Un método GA-PLS para el problema de seguimiento de índices. En Shen, G y
Huang, X, editor,Investigación Avanzada sobre Comercio Electrónico, Aplicaciones Web y Comunicación, volumen 143 de
Comunicaciones en informática y ciencias de la información., páginas 12+. Asociación Internacional de Ciencias y Educación; Centro de
conferencias de información VIP, 2011.
[90] Konstantinos Benidis, Yiyong Feng y Daniel P. Palomar. Carteras dispersas para el seguimiento de índices financieros de alta
dimensión.Transacciones IEEE sobre procesamiento de señales, 66(1):155–170, 2018.
[91] Margherita Giuzio, Davide Ferrari y Sandra Paterlini. Carteras normales y t escasas y robustas mediante minimización
de probabilidad Lq penalizada.Revista europea de investigación operativa, 250(1):251–261, 2016.
[92] Lianjie Shu, Fangquan Shi y Guoliang Tian. Seguimiento de índices de alta dimensión basado en la red elástica adaptativa.
Finanzas cuantitativas, 20(9):1513–1530, 1 de septiembre de 2020.
[93] Margarita Giuzio. Algoritmo genético versus métodos clásicos en el seguimiento de índices dispersos.Decisiones en economía y
finanzas, 40(1-2, SI):243–256, 2017.
[94] Engin Tas y Ayca Hatice Turkan. Selección óptima de cartera con seguimiento de índices regularizados.Estudios e
Investigaciones sobre Computación Económica y Cibernética Económica, 52(3):135–146, 2018.
[95] Lan Wu y Yuehan Yang. Elastic Net no negativo y aplicación en seguimiento de índices.Matemáticas Aplicadas y
Computación, 227:541–552, 2014.
[96] Lan Wu, Yuehan Yang y Hanzhong Liu. Lazo no negativo y aplicación en el seguimiento de índices.Estadística
computacional y análisis de datos, 70:116–126, 2014.
[97] Yuehan Yang y Lan Wu. Lazo adaptativo no negativo para modelos de regresión de dimensiones ultraaltas y un método
de dos etapas aplicado en modelos financieros.Revista de planificación e inferencia estadística, 174:52–67, 2016.
[98] Kaifeng Zhao y Heng Lian. El enfoque de expectativa-maximización para la regresión cuantil bayesiana.
Estadística computacional y análisis de datos, 96:1–11, 2016.
[99] Ning Li. Carteras dispersas eficientes basadas en regresión cuantil compuesta para seguimiento de índices de alta dimensión.
Revista de simulación y computación estadística, 90(8):1466–1478, 23 DE MAYO DE 2020.
[100] Hongbing Ouyang, Xiaowei Zhang y Hongju Yan. Seguimiento de índices basado en red neuronal profunda.Investigación de
sistemas cognitivos, 57:107–114, 2019.
[101] Jun Nakayama y Daisuke Yokouchi. Aplicación de la descomposición de series temporales para construir una cartera de seguimiento de
índices.Mercados financieros de Asia y el Pacífico, 25(4):341–352, 2018.
[102] Saejoon Kim y Soon Kim. Seguimiento de índices a través del aprendizaje profundo de representaciones latentes.Finanzas cuantitativas,
20(4):639–652, 2020.
[103] Lina Ni y Jinquan Zhang. Optimización de cartera para inversiones indexadas basada en una red neuronal
autoorganizada. En KIm, YH y Yarlagadda, P, editor,Sensores, Medición y Materiales inteligentes, volumen 303-306 de
Mecánica Aplicada y Materiales, páginas 1595–1598, 2013.
22
[104] Ruinan Tang y Panfeng Li. Algoritmo de replicación de optimización de índices mediante el método de agrupamiento en
subespacio suave. En2014 IEEE 7ª Conferencia Internacional Conjunta sobre Tecnología de la Información e Inteligencia
Artificial (ITAIC), páginas 414–418, 2014.
[105] Jian Fu Li y Ying Sheng Su. Método de seguimiento de índices basado en las redes neuronales y su estudio empírico. En Sistemas
de fabricación y aplicaciones industriales., volumen 267 deInvestigación de materiales avanzados, páginas 974–978.
Publicaciones Trans Tech Ltd, 7 2011.
[106] Chi Zhang, Shuang Liang, Fei Lyu y Libing Fang. Optimización del seguimiento del índice bursátil mediante codificadores automáticos.
Fronteras de la física, 8:388, 2020.
[107] Seo Woo Hong, Pierre Miasnikof, Roy Kwon y Yuri Lawryshyn. Agrupación de gráficos de mercado mediante qubo y
recocido digital.Revista de Gestión Financiera y de Riesgos, 14(1), 2021.
[108] Yuyeong Kwak, Junho Song y Hongchul Lee. Red neuronal con ruido fijo para optimización de cartera de seguimiento
de índices.Sistemas Expertos con Aplicaciones, 183:115298, 2021.
[109] Donatien Tafin Djoko e Yves Tille. Selección de carteras equilibradas para seguir las principales propiedades de un gran
mercado.Finanzas cuantitativas, 15(2, SI):359–370, 2015.
[110] Martin Bod'a y Maria Kanderova. COMPARACIÓN DE ENFOQUES PARA LA PRESELECCIÓN DE ACTIVOS EN EL
SEGUIMIENTO DE CARTERA. En Boda, M y Mendelova, V, editor,Aplicaciones de las Matemáticas y la Estadística en
Economía, Actas de conferencias sobre aplicaciones de matemáticas y estadística en economía, páginas 44 a 57, 2016.
[111] David I. Graham y Matthew J. Craven. Un algoritmo exacto para la optimización de carteras limitadas por cardinalidad
pequeña.Revista de la Sociedad de Investigación Operativa, 0(0):1–17, 2020.
23

2306 01660 en Es

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

2306 01660 en Es

Cargado por

Copyright:

Formatos disponibles

Traducido del inglés al español - www.onlinedoctranslator.

AREVISIÓN SISTEMÁTICA DE LA LITERATURA SOBRE ENFOQUES DE SOLUCIÓN

Julio Cezar Soares Silva, Adiel Teixeira de Almeida Filho

kpalabras claveSeguimiento del índice·Finanzas·metaheurística·Optimización de cartera

2.1 Preguntas de investigación configuradas

2.2 Recolección y selección de materiales.

#8 ¿Existe una integración entre los solucionadores heurísticos y de propósito general?

Tabla 1: Preguntas de investigación para la revisión sistemática de la literatura de seguimiento de índices

Nivel Términos de búsqueda

Cartera O Inversión O Activo

Publicaciones Número de fuentes (%)Revistas (%) Acumulado

Tabla 3: Porcentaje de fuentes según su número total de publicaciones de seguimiento de índices

Figura 1: Proceso de filtrado de la revisión de la literatura de seguimiento del índice

3.1 Categorización: marcos de modelado cuantitativo y enfoques de solución

Nombre Publicaciones % de 33 Categorías

Diario del Operativo Administración y

Computación blanda aplicada 2 6.06 Ciencias de la Computación

Estadística Computacional y Ciencias de la Computación,

Tabla 4: Fuentes seleccionadas

Número de relacionados Número de relacionados

Tabla 5: Las categorías relevantes

3.2 Comparación de producción e impacto de los enfoques de solución

Programación no lineal [51]; [52]

Programación cónica [72];

Programación dinámica [77]; [76]

3.3 Categorización: heurísticas/metaheurísticas adoptadas

Regresión [88]; [89]

Regresión con [95]; [96];

Muestreo [109]; [110]

Figura 2: Porcentaje de obras que utilizaron cada marco de modelado

3.4 Análisis de evaluaciones de desempeño heurísticas/metaheurísticas

Figura 6: Porcentaje de obras que realizaron/no realizaron hibridación

Delaware [54]; [62]

caballos de fuerza [70];

3.5 Análisis de modelos de seguimiento de índices resueltos mediante metaheurísticas/heurísticas

Estructura Algoritmo norte nortehíbrido

Tipo de comparación Artículos

[63]; [sesenta y cinco];

Heurística vs ProjGrad [93]; [66];

Heurística vs IntPoint [93];

Heurística versus CycD [93];

Heurístico versus aleatorio [71]; [67];

Figura 9: Porcentaje de obras por tipo de comparación.

Estructura Objetivo Artículos

entero mixto [54];

Programación estocástica ANUNCIO [76];

Cointegración AAD [85];

Regresión RMSE [89];

Tabla 13: Resumen de ocurrencia de la función objetivo

Figura 10: Porcentaje de obras por función objetivo.

Figura 11: Porcentaje de obras por restricción.

Estructura Restricción Artículos

Clase [sesenta y cinco];

CVaR [sesenta y cinco];

lote redondo [sesenta y cinco];

entero mixto [44];

Programación estocástica Rotación [76];

lote redondo [79];

Figura 12: Porcentaje de obras por base de datos.

Fuente de datos Artículos

Yahoo Finanzas [85];

[1] Harry Markowitz. Selección de cartera.La revista de finanzas, 7(1):77–91, 1952.

También podría gustarte