Asignación estratégica de activos de reservas internacionales: Un enfoque comparado entre el modelo de Nelson-Siegel y Redes Neuronales Artificiales

Abstract

La presente tesis analiza y compara dos enfoques metodológicos para la asignación estratégica de activos en el contexto de la gestión de reservas internacionales. El primer enfoque se basa en el modelo de Nelson-Siegel con rotación de factores y tasas sombra, ampliamente utilizado por bancos centrales para modelar la curva de rendimientos soberanos. El segundo enfoque emplea redes neuronales recurrentes (RNN) para predecir retornos financieros a partir de variables macroeconómicas y de mercado. Utilizando datos de bonos soberanos, corporativos y de agencias de diversas jurisdicciones para el peŕıodo 2005–2023, se estima y evalúa la efectividad de cada modelo en términos de retorno ajustado por riesgo (́ındice de Sharpe), Valor en Riesgo (VaR) y proyecciones fuera de muestra. Se incorporan medidas de optimización del portafolio bajo restricciones operativas reales, y se evalúa la robustez de los resultados ante cambios en la dinámica de mercado. Los hallazgos sugieren que, bajo ciertas condiciones, los modelos basados en inteligencia artificial pueden superar en desempeño a los enfoques estructurales tradicionales, contribu-yendo con evidencia emṕırica al debate sobre la modernización de herramientas para la gestión oficial de reservas.