Este trabajo de fin de grado aborda la optimización y la simulación de carteras que mezclan criptomonedas y activos tradicionales desde una perspectiva aplicada. En la introducción se plantea el reto: las criptomonedas presentan características de volatilidad y correlación distintas a las de los instrumentos convencionales, por lo que su inclusión exige modelos y pruebas robustas.
Aquí explicamos el propósito y los elementos metodológicos clave, definiendo además el término optimización de cartera como el proceso de hallar la combinación de activos que maximiza un objetivo (por ejemplo, retorno ajustado por riesgo).
El objetivo académico es demostrar cómo técnicas cuantitativas clásicas y metodologías de simulación pueden adaptarse para incorporar activos digitales junto a acciones, bonos y otros instrumentos.
Se introduce también el concepto de simulación de escenarios, entendido como la generación de trayectorias hipotéticas de precios para evaluar el comportamiento de una cartera bajo condiciones diversas. El trabajo combina teoría financiera, programación y análisis experimental para ofrecer conclusiones útiles tanto para el entorno universitario como para profesionales interesados en innovación financiera.
Metodología: modelos, datos y ajustes
La metodología combina modelos de optimización clásicos con técnicas de Monte Carlo y calibración histórica. Para el tratamiento de las criptomonedas se emplean series temporales ajustadas por volatilidad y medidas de correlación que reconocen cambios en regímenes de mercado. Los datos provienen de fuentes públicas y APIs especializadas, limpiados y homogeneizados para permitir comparaciones con activos tradicionales. Se utiliza software estadístico y lenguajes como Python o R para implementar algoritmos de optimización e integración de restricciones, como límites de exposición o requisitos de liquidez, que reflejan condiciones reales de inversión.
Optimización de carteras
En la fase de optimización se prueban enfoques como la media-varianza y variantes robustas que mitiguen el impacto de estimaciones imprecisas. Se incorporan criterios multicriterio, incluyendo maximización del rendimiento y control del riesgo, así como penalizaciones por alta concentración en criptomonedas. Para contrastar resultados se efectúan ejercicios de backtesting y se evalúan métricas financieras habituales (ratio de Sharpe, volatilidad, drawdown). El uso de restricciones reales permite reproducir escenarios de gestión, como exigencias regulatorias o límites de inversión por activo.
Simulación de escenarios
La simulación se apoya en métodos de Monte Carlo y en modelos estocásticos que capturan saltos y heterocedasticidad, frecuentes en mercados cripto. Se generan múltiples trayectorias de precios para estimar distribuciones de resultados y calcular probabilidades de eventos adversos. Además, se ejecutan simulaciones de estrés que introducen choques extremos para analizar la resiliencia de la cartera. Estas pruebas permiten identificar combinaciones que ofrecen diversificación efectiva y aquellas que, pese a prometedoras en rentabilidad, incrementan el riesgo sistémico.
Resultados esperados y aplicaciones prácticas
Los resultados buscan ofrecer pautas sobre la inclusión óptima de criptomonedas en carteras mixtas: proporciones que mejoran el perfil retorno-riesgo, condiciones bajo las cuales la diversificación falla y recomendaciones operativas para gestores. Se anticipa que, en muchos casos, una exposición limitada a criptoactivos puede mejorar el rendimiento ajustado por riesgo, pero también aumenta la sensibilidad a eventos extremos. Por ello, la interpretación de métricas y la validación mediante simulación son esenciales para decisiones informadas.
Implicaciones para inversores y limitaciones
Desde el punto de vista práctico, los hallazgos proporcionan un marco para diseñar políticas de inversión que integren innovación y prudencia: asignaciones escalonadas, mecanismos de rebalanceo y límites de concentración. No obstante, el estudio reconoce limitaciones como la calidad y disponibilidad de datos cripto, la posible evolución normativa y el riesgo de modelos que no capten comportamientos inéditos. La robustez se mejora mediante validación cruzada y pruebas de sensibilidad, pero la incertidumbre inherente exige vigilancia continua.
En conclusión, la combinación de optimización y simulación ofrece una ruta sólida para explorar la convivencia entre activos tradicionales y criptomonedas, tanto en contextos académicos como aplicados. Este enfoque permite generar recomendaciones prácticas para gestores y crear un registro replicable para futuros trabajos académicos, preservando el rigor y la relevancia en un entorno financiero en rápida evolución.