Portfolio Optimization with Long-Short Term Memory Deep Learning (LSTM)

• Ángel Samaniego Alcántar ^[1]
  1. [1] Instituto Tecnológico y de Estudios Superiores de Occidente

     Instituto Tecnológico y de Estudios Superiores de Occidente

     México

     
• Localización: Revista Mexicana de Economía y Finanzas (REMEF): nueva época, ISSN-e 2448-6795, ISSN 1665-5346, Vol. 20, Nº. 2, 2025
• Idioma: inglés
• DOI: 10.21919/remef.v20i2.862
• Títulos paralelos:
  • Optimización de carteras con Aprendizaje Profundo de memoria a largo y corto plazo (LSTM
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El objetivo es una metodología para ponderar losactivos financieros en una cartera de inversión. Se contrasta con los componentes del Dow Jones Industrial Average (DJIA). Para ello, se estudian carteras con horizontes de inversión entre 1 y 2 años utilizando la optimización Long-Short Term Memory (LSTM). La mejor cartera se obtuvo con un horizonte de inversión de 1.5 años. La red neuronal se entrena con 1 000 observaciones y se simulan más de 2 777 carteras. El modelo supera al DJIA entre un 73% y un 85%, con un diferencial de rentabilidad geométrica media anual entre 3.7% y 5%. Los componentes del DJIA en la historia se utilizan para asignar activos a las carteras entre 2008 a 2021. Se recomienda contrastar la metodología junto con otra metodología de selección de activos financieros. Las conclusiones se limitan a los activos que componen el DJIA. Mayoritariamente en la literatura se utilizan redes neuronales para el corto plazo; en este trabajo se contrasta el modelo para el largo plazo, buscando ponderar activos y no precios futuros de activos. Concluyendo que el modelo LSTM puede utilizarse para este fin, para horizontes de inversión de 1 a 2 años.

  • English

    The objective is a methodology for weighting financial assets in an investment portfolio. It is contrasted by the components of the Dow Jones Industrial Average (DJIA). For this purpose, portfolios with investment horizons between 1 and 2 years are studied using Long-Short Term Memory (LSTM) optimization. The best portfolio was with an investment horizon of 1.5 years. The neural network is trained with 1,000 observations and more than 2,777 portfolios are simulated. The model outperforms the DJIA by 73% to 85%, with a geometric mean annual return differential between 3.7% and 5%. The components of theDJIA in history are used to allocate assets to portfolios between 2008 and 2021. It is recommended that the methodology be contrasted in conjunction with another methodology for selecting financial assets. The conclusions are limited to assets that make up the DJIA. Mostly in the literature, neural networks are used for the short term; this paper contrasts the model to the long term, seeking to weigh assets and not future asset prices. The conclusion is that the LSTM model can be used for this purpose, forinvestment horizons of 1 to 2 years