El artículo presenta estrategias de fortalecimiento para algoritmos evolutivos multiobjetivo con el fin de abordar la optimización de carteras a gran escala bajo restricciones de cardinalidad, donde los métodos exactos se vuelven ineficientes debido a su complejidad NP-dura.
- Introduce una representación única de soluciones, un operador novedoso y nuevos mecanismos de reparación para manejar los límites inferior y superior sobre el número de activos.
- Implementa estrategias de apareamiento personalizadas dentro de algoritmos evolutivos multiobjetivo bien conocidos.
- Prueba el enfoque propuesto frente a algoritmos tradicionales utilizando índices de mercado bien conocidos como puntos de referencia.
Los resultados indican que la estrategia propuesta proporciona mejores aproximaciones y converge más rápido sin pérdida de rendimiento a medida que aumenta el número de activos.