Modelado de Optimización de Carteras
Construye modelos de optimización de carteras mean-variance, Black-Litterman y risk parity con gestión de restricciones y reglas de rebalanceo.
Cuándo Usarlo
- Construir o rebalancear una cartera multi-activo o multifactorial frente a un objetivo riesgo/retorno
- Incorporar visiones subjetivas del mercado en ponderaciones de equilibrio mediante Black-Litterman
- Implementar risk parity o contribución de riesgo igual entre clases de activos o factores
- Evaluar conjuntos de restricciones (límites de posición, topes sectoriales, presupuestos de rotación) y su impacto en la frontera eficiente
- Realizar pruebas de estrés de asignaciones de cartera bajo escenarios de cambio de régimen o riesgo de cola
Entradas a Recopilar
- Estimaciones de retorno: Series históricas de retornos (frecuencia, ventana de observación, universo de activos) o retornos esperados forward-looking de un modelo alpha separado
- Covarianza / modelo de riesgo: Covarianza muestral, estimador shrinkage (Ledoit-Wolf), modelo de riesgo basado en factores o especificación DCC-GARCH — documentar cuál y por qué
- Benchmark o referencia de equilibrio: Ponderaciones de capitalización de mercado para retornos implícitos de Black-Litterman; índice de referencia si el tracking error es una restricción
- Visiones del inversor (Black-Litterman): Visiones absolutas o relativas, niveles de confianza (tau, calibración de la matriz omega)
- Restricciones: Tamaños de posición mínimos/máximos, límites de exposición sectorial/geográfica/factorial, long-only vs. long-short, tope de rotación, estimaciones de costos de transacción
- Presupuesto de riesgo (risk parity): Contribución de riesgo objetivo por activo o factor; tolerancias de contribución marginal de riesgo
- Reglas de rebalanceo: Basadas en calendario (mensual, trimestral) vs. basadas en umbrales (bandas de deriva), consideraciones de lotes fiscales si aplica
Flujo de Trabajo
-
Seleccionar el marco de optimización
- Mean-variance (Markowitz): Úsalo cuando tengas estimaciones creíbles de retornos esperados y quieras apuntar a un punto en la frontera eficiente o maximizar el ratio Sharpe.
- Black-Litterman: Úsalo cuando partas de ponderaciones de equilibrio (capitalización de mercado) y combines visiones discrecionales o basadas en modelos. Especifica tau (factor de escala para la incertidumbre en los retornos de equilibrio) y construye la matriz de selección (P) y el vector de visiones (Q) con omega ponderado por confianza.
- Risk parity / contribución de riesgo igual: Úsalo cuando el objetivo sea una asignación de riesgo equilibrada sin depender de pronósticos de retorno. Resuelve para ponderaciones donde la contribución marginal de cada activo a la volatilidad de la cartera sea igual (o proporcional a un presupuesto de riesgo).
-
Preparar las entradas
- Limpiar series de retornos: manejar datos faltantes, sesgo de supervivencia, acciones corporativas. Indicar período de observación y frecuencia.
- Estimar la matriz de covarianza. Para universos grandes (>50 activos), aplicar shrinkage o descomposición factorial para evitar matrices singulares o inestables. Documentar el piso de eigenvalores si se regulariza.
- Para Black-Litterman: derivar retornos implícitos de equilibrio (π = δΣw_mkt), luego combinar con visiones usando la fórmula BL. Indicar la derivación de delta (coeficiente de aversión al riesgo).
-
Formular y resolver
- Definir la función objetivo (p. ej., maximizar w'μ − (λ/2)w'Σw para mean-variance; minimizar Σ(RC_i − RC_target)^2 para risk parity).
- Codificar todas las restricciones como restricciones lineales o de cono de segundo orden para solvers convexos.
- Resolver usando programación cuadrática (mean-variance), mínimos cuadrados secuenciales (risk parity) o posterior cerrado de BL.
- Si el solver falla en converger, relajar la restricción más restrictiva incrementalmente y documentar el trade-off.
-
Analizar las salidas
- Reportar ponderaciones óptimas, retorno esperado, volatilidad esperada, ratio Sharpe y drawdown máximo (backtest histórico).
- Descomponer el riesgo: contribución por activo, por factor y por sector. Identificar riesgos de concentración.
- Realizar análisis de sensibilidad: perturbar retornos esperados ±50–100 pb, desplazar correlaciones ±0.05–0.10, variar tau (BL) en el rango 0.01–0.10. Reportar estabilidad de ponderaciones.
- Comparar con benchmark o cartera actual: pesos activos, tracking error, ratio de información.
-
Definir el protocolo de rebalanceo
- Especificar el mecanismo de disparo: calendario programado o umbral de deriva (p. ej., rebalancear cuando cualquier peso se desvíe >2% del objetivo).
- Incorporar modelo de costos de transacción (fijo + proporcional) en la decisión de rebalanceo — solo rebalancear si la ganancia esperada de utilidad supera el costo estimado de ida y vuelta.
- Para cuentas sensibles a impuestos, aplicar optimización de lotes fiscales y conciencia de ganancias a corto vs. largo plazo. [VERIFICAR: reglas de lotes fiscales por jurisdicción]
-
Documentar y entregar
- Producir una hoja de especificaciones del modelo: objetivo, restricciones, solver, fuentes de entrada, rango de fechas, parámetros clave.
- Incluir un registro de supuestos con banderas explícitas para cualquier entrada estimada o inferida.
- Adjuntar resultados de backtest con las advertencias apropiadas (in-sample vs. out-of-sample, supuestos de costos de transacción, verificaciones de sesgo de anticipación).
Salida
- Tabla de ponderaciones óptimas: Activo/factor, peso objetivo, peso actual, dirección de la operación, tamaño de la posición
- Descomposición de riesgo: Contribución marginal y porcentual al riesgo por activo, factor y sector
- Gráfico de frontera eficiente (mean-variance) o gráfico de barras de contribución al riesgo (risk parity)
- Matriz de sensibilidad: Cambios en las ponderaciones bajo entradas perturbadas (retornos, correlaciones, tau)
- Resumen de reglas de rebalanceo: Tipo de disparo, umbral de costo, rotación anual esperada
- Hoja de especificaciones del modelo: Documentación completa de parámetros para reproducibilidad y auditoría
Controles de Calidad
- Las ponderaciones suman 1.0 (o exposición neta objetivo para long-short) y cumplen todas las restricciones establecidas
- La matriz de covarianza es positiva semidefinida — verificar que el eigenvalor más pequeño > 0 (o regularización aplicada)
- Los retornos posteriores de Black-Litterman se encuentran entre los retornos de equilibrio y las visiones — cambios extremos indican calibración incorrecta de omega
- La solución de risk parity logra contribuciones de riesgo dentro de la tolerancia (p. ej., ±0.5% del objetivo) — si no, marcar problema de convergencia del solver
- El ratio Sharpe del backtest es plausible en relación con la historia de la clase de activo — ratios superiores a 2.0 para activos tradicionales merecen escrutinio por sobreajuste
- Ningún activo supera el límite de concentración; las exposiciones sectoriales/factoriales están dentro de las bandas de la política
- Los supuestos de costos de transacción son realistas para la clase de activo y el tamaño de la operación [VERIFICAR: diferenciales de oferta-demanda y comisiones específicos del mercado]
- Todos los supuestos, fuentes de datos y opciones de parámetros están documentados — sin "números mágicos" sin justificación