Taller de Portafolios de Inversión

Jaime Maihurie

Banco Central de Reserva del Perú

20 de enero de 2018
Outline

Crı́ticas al enfoque media varianza

Regularizaciones

Re-muestreo

Black-Litterman

Risk Parity

Optimizacion No Lineales

Optimización Robusta
Crı́ticas a la teorı́a “moderna” de optimización de
portafolios
I Los parametros que utiliza el modelo, como insumos, no son co-
nocidos. Por lo contrario son estimados por técnicas estadı́sticas
las cuales conducen a errores de estimación.¿Qué técnicas usar?
I Existe una sobre sensibilidad del portafolio óptimo ante cam-
bios en los parámetros i.e retornos esperados y la matriz de
covarianzas (µ, Σ).
I No es posible combinar el expertiz de los inversionistas en los
resultados de la optimización MV.
I La estimación de los parametros no siempre es una tarea simple
de hacer. Es más preciso estimar la matriz de covarianzas que
los retornos esperados!!!1 (recuerden su curso de Econometrı́a
Financiera).
1
Al menos en el corto plazo los retornos se mueven como paseos aleatorios
pero a medida que el periodo de proyección crece los retornos se vuelven
predecibles
Crı́ticas a la teorı́a “moderna” de optimización de
portafolios

I ¿Es la medida de riesgo (desviación estandar) una medida co-

rrecta?.Existen medidas de riesgo más atractivas para los inver-
sionistas como VaR o CVaR.
I Debido a que se asume que los retornos se distribuyen normal-
mente, solo son relevantes los primeros dos memomentos i.e
media y matriz de covarianzas. Si consideramos la distribución
como un todo los resultados serián mas atractivos.
I No permite manejar explicı́citamente la incertidumbre. Si no-
sotros tenemos alguna idea sobre el intervalo sobre el cual los
verdaderos retornos esperados y la matriz de covarianzas es-
tarán, entonces por qué no usar esta información.
Solo para recordar

Se puede formular el problema de media-varianza:

I Se tiene un universo de inversión de n activos riesgoso con pre-
cios S1 , S2 , ..., Sn y sus respectivos retornos aleatorios R1 , R2 , ..., Rn ,
resumidos en el vector aleatorio R.
I Variables de decision: wi , proporción de la riqueza invertida en
el activo i. Denotamos w = (w1 , w2 , ..., wn )T .
I Momentos: El vector de retornos esperados µ = E [R] y la ma-
triz de covarianzas de Σ = E [(R − E (R))2 ].
I Restricciones:
Pn
I Toda la riqueza se invierte i=1 wi = 1.
I Si la venta en corto del activo i no es permitida, entonces
wi ≥ 0.
I Si existenPlimites en la inversion de un determinado grupo de
activos, i∈B wi ≤ b.
I ...
I Función objetivo: i) Maximizar retornos del portafolio para un
nivel máximo de riesgo que el inversionista esta dispuesto a
soportar.
max µT w
w
s.t. w T Σw ≤ σ 2
Xn
wi = 1
i=1

ii) Minimizar el riesgo del portafolio para un nivel mı́nimo de

retorno requerido.
1 T
min w Σw
w 2
s.t. µT w ≥ r
X n
wi = 1
i=1
I iii) Maximizar una función de utilidad (exponencial negativa)
para un nivel de aversión al riesgo. Las tres especificaciones
son identicas.
min µT w − λw T Σw
w
n
X
s.t. wi = 1
i=1
Donde λ > 0 es el parametro de aversión al riesgo. Por otro
lado,
Pn es útil expresar la restricción de total inversión
w = 1 como w T 1 = 1 donde 1 = (1, 1, ..., 1)T un
i=1 i n n
vector unitario de tamaño n.
I En general, con A = µT Σ−1 µ, B = µT Σ−1 1n , C = 1T −1
n Σ 1n
2
y D = AC − B , el portafolio óptimo de activos riesgosos y la
frontera eficiente (r , σp ) son:
AΣ−1 1n − BΣ−1 µ C Σ−1 µ − BΣ−1 1n
w∗ = + r
D D
 1
∗T ∗ 12 1 2
2
σp = [w Σw ] = 2
(Cr − 2Br + A)
AC − B
¿Cómo, en la práctica, determinamos los pesos óptimos?
I Definimos el tamaño de la muestra (ventana de estimación) y
frecuencia de los retornos para cada activo i.
I Determinamos los estimadores muestrales de µ y Σ. Por ejem-
plo, asumiendo retornos mensuales, predecimos el portafolio
óptimo para el siguiente mes i.e enero 2013.

I En enero de 2013, podemos estimar el portafolio óptimo para

el siguente mes.

¿Son los dos portafolio óptimo similares?

Portafolio inestables
I Los portafolios óptimo i.e wi de meses consecutivos varian
considerablemente para cada activo i.

I ¿A qué se debe esto? Errores de estimación

I Pero no solo es un problema teórico en la práctica:
I Los costos de transacción son más altos, pues se compra y
vende recurrentemente.
I La evidencia muestra que una optimización MV no supera
sistematicamente,en performance, a un portafolio 1/N.
Regularizaciones
Mejor estimación de los retornos esperados
1. Ignorar la media:
I Es muy difı́cil tener buenos estimadores de los retornos, espe-
cialmente para monedas y commodities. Por tal motivo, los por-
tafolios de mı́nima varianza global usalmente tienen mejor per-
formance que MV. Por otro lado,este es el principal argumento
para el enfoque Risk Parity.
I Las estimaciones por medio de momentos muestrales son más
precisos cuando las series son mas larga.
2. Usar estimadores Bayesianos:
3. Usar optimización Robusta:
1
min w T Σw − min µT w
w µ∈Υ λ
n
X
s.t. wi =
i=1

4. Retornos por factores (explotar anomalı́as):

I En vez de estimar n retornos en el siguente periodo, cada retorno
Ri depende de k factores de riesgo cuyos retornos estocásticos
son Fk donde k < n.
K
X
Ri = r f + βi,k Fk + i
k=1

Por ejemplo, Fama-French 3 factores. Los factores sistemáticos

mas conocidos son Value, Low Size, Momentum, Low Volatility,
Dividend Yield, Quality y Bet-against beta .
Mejor estimación de la matriz de covarianzas
1. Usar datos de alta frecuencia:
I A mayor frecuencia de los datos Σ es más precisa y estable.
Sin embargo, los retornos nos tienen esta propiedad.
2. Usar modelo de factores:
I Los modelos de factores reducen la dimencionalidad, a su vez
los factores pueden entenderse como driver sistemáticos. Este
enfoque es sumamente útil para portafolio de renta fija.
3. Usar estimadores “Shrinkage”:
I “Honey,I have shrunk the sample covariance matrix”[Leidot
and Wolf 2004]
ΣWL = αΣ̂ + (1 − α)I
4. Usar optimización Robusta:
I
1 T
min max w T Σw − µ w
w Σ∈Υ λ
n
X
s.t. wi =
i=1
I Worst-Case CVaR
Mejores restricciones
Una forma simple de evitar la inestabilidad de los portafolio óptimos
es imponer restricciones

Li ≤ wi ≤ Ui

1. Restricciones a ventas en corto:

I Intuitivamente, previene de pesos extremos (grandes) positivos
y negativos.
I Teóricamente, imponer este tipo de restricciones es como
reducir la covarianza de activos qu estarı́an en corto
Jagannathan and Ma (2003).
Ahora queé sigue

En este taller nos enfocaremos principalmente en metodologı́as de

como superar los problemas de sensibilidad de los parámetros y como
incorporar “views” en nuestra optimización.
1. Resampling
2. Black-Litterman
Tambien examinaremos nuevos enfoques de optimización como:
1. Risk Parity
2. Optimización no lineal: Omega, Ratio Ratchev y máximo
drawdown.
3. Optimización Robusta: Mixture model.
Re-muestreo
La crı́tica de Michaud

Si bien la optimizacion à la Markowitz tiene un sólido fundamento

teórico, este sufre de serios problemas en su implementación. Los
resultados no son robustos pues al cambiar los parámetros para op-
timizar, el portafolio óptimo cambia significativamente (problemas
de estabilidad).
The indifference of many investment practitioners to
meanvariance optimization technology, despite its theore-
tical appeal, is understandable in many cases. The major
problem with mean-variance optimization is its tendency
to maximize the effects of errors in the input assumptions.
Unconstrained MV optimization can yield results that are
inferior to those of simple equal-weighting schemes.

En este caso un enfoque empirico como el de Michaud es útil pero

no esta exento de criticas.
Los pasos son:
1. Tener una estimación de (µ, Σ). Aquı́ esta la primera crı́tica.
2. Asumir que los retornos siguen una distribución multivariada
(e.g Normal) o usar boostraping (Sı́, el concepto estadı́stico).
3. Generar una muestra de la distribución asumida, luego estimar
sus momentos (µS , ΣS ).
4. Usar la optimización Markowitz para determinar los pesos ópti-
mos.
5. Repetir los pasos 3 y 4, N veces (númmero de re-muestreos) y
determinar el promedio de los pesos óptimos.
6. Para tener la frontera eficiente re-muestreada se toman los pe-
sos promedios y los momentos originales.
Comparación de errores de estimación solo en media y solo
en covarianzas
Black-Litterman
Modelo Black-Litterman: Enfoque bayesiano
1. Sea R ∼ N(µ, Σ) y µ ∼ N(π, Σπ = τ Σ). Como todo enfoque
bayesiano los parametros poblacionales no son conocidos, por
lo tanto se asumen que tienen una distribución. En este caso
se asume que el retorno esperado en promedio es el retorno del
mercado.
2. Iniciamos con la información a priori, ¿cuál es el retorno ı́mpli-
cito?
λ
max π T w − w T Σw
w 2
X n
s.t. wi = 1
i=1
Si todos los participantes del mercado se enfrentan al mismo
problema entonces2 w ∗ = wm .
wm = (λΣ)−1 π
π = λΣwm
2
Recordar que µ puede ser el retorno en exceso sı́ consideramos n activos
riesgosos y 1 libre de riesgo.
3. ¿Cómo estimar el parámetro λ? No existe una forma única,
sin embargo sı́ tiene una forma consistente teóricamente con el
CAPM.
E (R) − rf = β(E (Rm ) − rf )
Tw )
π = β(E (rm ) − rf ) = cov (R,R
σ2
m
(E (Rm ) − rf )
m
E (Rm )−rf
λΣwm = 2
σm
cov (R, R T )wm
λ = E (Rσm2)−rf
m
4. Views expertos: El conocimiento experto de los inversionistas
sobre los retornos esperados (exceso de retornos) son descritos
por la matriz P y Q. Sin embargo, estas expectativas no son
totalmente certeras por lo cual se incorpora una variables alea-
toria  ∼ N(0, Ω). Asi mismo ΩKxK es una matrix diagonal , ya
que los views son mutualmente no correlacionados.
PKxn µnx1 = QKx1 + Kx1
5. Hasta ahora P y Q son conocidos, pues son determinados por
el inversionista. ¿Cómo determinar Ω?:
I Proporcional a la varianza del Prior.
Ω = diag (P(τ Σ)P T )
I Por medio de intervalos de confianza. Usando el intervalo del
confianza al rededor de la estimación del retorno esperado para
el activo i. Por ejemplo, si µi = 3 % con un intervalo de
confianza de (2 %, 4 %) con un 68 % . Sabemos que bajo una
distribución normal el 68 % de probabilidad se encuentra a una
desviación estandar, entonces la varianza del view i es (1 %)2 .
I Usando el método de Idzorek para especificar la confianza a lo
largo de la dimensión de los pesos wi .
Esta especificación escapa al alcance de esta clase.
6. Usando la formula de Bayes tenemos:

Pr (Pµ|µ) Pr (µ)
Pr (µ|Pµ) =
Pr (Pµ)

Donde µ ∼ N(µBL , Σ2 ) es la distribución a posteriori.

Fórmula Black-Litterman

µBL = π + τ ΣP T (Pτ ΣP T + Ω)−1 (Q − Pπ)

Σ2 = ((τ Σ)−1 + P T Ω−1 P)−1
ΣBL = Σ + Σ2

Por lo tanto la distribución a posteriori de los retornos es:

R ∼ N(µBL , ΣBL )
La nueva información agrega valor
Otra forma de introducir robustes a la optimización de portafolio es
por medio de nueva información usando el principio de Bayes. Adi-
cionalmente, Black y Litterman buscaron tener un posicionamiento
activo por medio de conocimiento experto sobre el performance de
los retornos de los activos en el portafolio. Pasos:
1. Estimar τ . Generalmente se utiliza 1/N, donde N es el tamaño
de la muestra.
2. Determinar las matrices P y Q. Tener en cuenta como definen
views relativos o absolutos.
3. Usar las ecuaciones vistas en clase para los retornos y matriz
de covarianzas a posteriori.
4. Usarlos como los parametros para el motor de optimización
media-varianza.
Se tiene que ver si los pesos entre los retornos del view y de equilibrio
(o iniciales) suma 1 (matriz identidad)
Diagrama Black-Litterman
Gracias
¿Preguntas?