Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Jaime Maihurie
20 de enero de 2018
Outline
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
Li ≤ wi ≤ Ui
Pr (Pµ|µ) Pr (µ)
Pr (µ|Pµ) =
Pr (Pµ)
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?