Resumen
La integración de la sostenibilidad en los mercados financieros se ha convertido en una prioridad global para los inversores y responsables políticos. Los criterios Ambientales, Sociales y de Gobernanza (ESG) son cada vez más reconocidos como componentes esenciales en la toma de decisiones de inversión, promoviendo prácticas financieras responsables alineadas con los objetivos globales de sostenibilidad. Sin embargo, optimizar los portafolios mientras se equilibran el rendimiento financiero y las consideraciones ESG sigue siendo un desafío. Las técnicas tradicionales de gestión de portafolios a menudo no logran capturar la naturaleza multidimensional de los factores ESG, lo que lleva a ineficiencias. Mientras tanto, los avances en Inteligencia Artificial (AI) y Aprendizaje Automático (ML) han introducido potentes herramientas basadas en datos capaces de transformar la toma de decisiones financieras. Estas tecnologías mejoran la evaluación de riesgos, el análisis predictivo y la optimización de portafolios, ofreciendo nuevas oportunidades para refinar las estrategias de inversión impulsadas por ESG.
Esta tesis investiga la aplicación de técnicas de AI y ML a la optimización de portafolios enfocados en ESG, abordando los principales desafíos en el rendimiento financiero, la gestión de riesgos y la sostenibilidad. Se explora el uso de modelos predictivos, en particular redes Long Short Term Memory (LSTM), para prever los precios de los activos bajo diferentes condiciones de mercado y mejorar la optimización de portafolios mediante medidas de riesgo alternativas. Además, se introducen enfoques híbridos, como la integración de predicciones LSTM con algoritmos genéticos para mejorar la asignación de activos y la aplicación de aprendizaje automático bayesiano para evaluar el impacto ambiental de los activos financieros. El estudio también examina el papel de los Modelos de Lenguaje Extensos en el análisis de informes ESG y divulgaciones de sostenibilidad corporativa, aprovechando la AI para extraer información significativa para una inversión responsable. Al combinar la tecnología financiera con los principios de sostenibilidad, esta investigación desarrolla un marco integral que integra la AI en la optimización de portafolios, evaluando los compromisos entre los rendimientos financieros y los objetivos ESG.
El objetivo de esta tesis es cerrar la brecha entre los avances en AI y la gestión sostenible de portafolios, desarrollando metodologías impulsadas por AI que integren factores ESG en la toma de decisiones de inversión. En primer lugar, se propone un marco de optimización de portafolios mejorado por AI, integrando técnicas de ML para mejorar la selección de activos, la predicción de rendimientos y la evaluación de riesgos. A continuación, se incorporan los factores ESG en las estrategias de inversión utilizando LLMs para el análisis de informes de sostenibilidad y fuentes de datos alternativas para la puntuación dinámica de ESG. Finalmente, se aplican técnicas de optimización híbrida, como algoritmos bioinspirados, para mejorar la adaptabilidad y personalización en la construcción de portafolios, asegurando un equilibrio óptimo entre los rendimientos financieros y los principios de inversión responsable.
Los resultados de esta investigación demuestran la efectividad de los enfoques impulsados por AI en la optimización de portafolios ESG, mejorando la selección de activos, la evaluación de riesgos y la adaptabilidad al mercado. Los modelos propuestos aprovechan el ML y las fuentes de datos alternativas ESG para refinar la toma de decisiones, mientras que la integración de LLMs mejora el análisis y la transparencia ESG.
