Optimización multiobjetivo evolutiva

Casi ninguna decisión de ingeniería tiene una sola respuesta óptima. Al invertir, más rendimiento suele significar más riesgo; al diseñar un modelo, más precisión suele costar más tamaño. No existe la mejor solución: existe una frontera de compromisos — el frente de Pareto — donde ninguna solución puede mejorar en un objetivo sin empeorar en otro.

Mi línea de origen estudia cómo descubrir esa frontera completa con algoritmos evolutivos multiobjetivo, e indicadores basados en hipervolumen para guiar la búsqueda. Parte de mi trabajo publicado desarrolla precisamente métodos basados en hipervolumen para este problema.

Pruébalo

La demo entrena un optimizador SMS-EMOA real sobre un problema de portafolio: elige activos para equilibrar riesgo (desviación estándar) y rendimiento, con una restricción de cardinalidad (no puedes tener 500 acciones, solo unas pocas). Esa restricción vuelve el problema no convexo — y ahí es donde los métodos exactos clásicos ya no bastan y brilla la optimización evolutiva.

Primero observa la convergencia hacia la frontera; luego elige una solución según tu perfil de inversor: ninguna es "la mejor", depende de cuánto riesgo quieras asumir.

El hueco entre la frontera clásica (línea punteada) y las soluciones encontradas es el costo de la cardinalidad: el precio, en rendimiento, de operar con una cartera realista y acotada.