Black Litterman Model

Cuando queríamos optimizar portafolio, teníamos que llegar a unos pesos, para eso necesito un
optimizador y unos inputs (hice minimización de varianza, maximización de ratio sharpe, alguna
cosa hice y obtuve los pesos), que son obviamente los retornos y las desviaciones de estos
retornos (Vector de retornos y una matriz de varianzas y covarianzas). Pero el gran problema se
enfoca en esos dos puntos en la mayoría de modelos de optimización.

Si la matriz de varianzas y covarianzas están mal estimado o incorrectas, entonces los pesos serán
incorrectos. Al igual que si los retornos no son apropiados, no son consistentes en el tiempo, igual
los pesos estarán mal, no serán informativos. Ese es todo el problema que existe.

El usar retorno histórico está mal porque lo que pasó antes no tiene por qué ser lo que pase
mañana. ¿Qué pasa si se usa el retorno histórico? Obtendré algo así:

A medida que quiero maximizar el rendimiento del portafolio, sacrifico un poco de varianza baja
para obtener un poco más de retorno y entonces se empieza a esquinar el portafolio. En la
práctica no es tan sencillo comprar una cantidad muy muy fuerte de un solo activo.

Fijémonos en el activo rojo (Corps BBB 1-10 años), tiene como retorno esperado 0,64%... ahora
intuitivamente que pasaría si ese retorno esperado se mueve a 0.70% ¿Debería haber cambios
bruscos en los pesos anteriores? No debería haber cambios bruscos, si hago un cambio grande
obviamente que si. Vemos que moviendo un poco el vector de retornos tengo cambios grandes
en los pesos asignados anteriormente. Eso quiere decir que utilizar promedio para optimizar
portafolio genera este tipo de dificultades. Entonces si vas a una reunión y quieres cambiar tu
retorno un 0.1% para luego de una semana, vas a tener que hacer una balanceo asqueroso del
portafolio, lo cual no se dable, no se puede ser. ¡Ojo uno debe ser consciente de la tecnología que
se aprende siempre tiene sus limitaciones!.

Ahora Black and Litterman se dan cuenta de eso:

1.- Que usar retornos históricos no está bien porque lo que paso ayer no se repetirá mañana

2.- Que al usar retornos históricos generan soluciones de esquina a medida que quiero más
retorno.

3.- Que al usar retornos históricos, moviendo los inputs un poquito me generan cambios grandes
en los resultados.

Ellos buscan una nueva forma de obtener esos inputs, donde yo voy a poder incorporar views con
el análisis táctico (Dandole una distribución y luego terminando en una nueva distribución final)
¿Cuánta confianza tengo en mi views? ¿Cuánto afectará en el peso de nuestro portafolio?. Ellos
mejoran el R y el sigma, los pesos van a estar cheverés.

Porque es importante BL porque podremos incorporar views que podremos sacar del análisis
táctico, puedes tener un análisis táctico bien chévere , me gusta los mercados emergentes para
este trimestre por ejemplo. Pero después viene tu jefe y te va a decir OK entonces cuanto
hacemos de incremento en el portafolio para mercados emergentes si es que te gustan, entonces
puedes agarrar, sacar tus tendencias, indicadores técnicos, volatilidad , garch todo lo que quieras;
entonces si quiero hacer ese overweigth debo saber cuanto de peso mas le debo asignar. Debo
preguntarme cuan sensible es mi nuevo peso de acuerdo a mi view, cuan confiable es mi view y
como impacta esa confianza en el peso que debemos moder. BL te enseña todo eso.

Ellos basan todo su trabajo no en un problema de minimización de varianza, no en una

maximización de ratio sharpe, sino en general.

Dado que en el mercado hay mucha

gente racional etc etc, lo que termina
pasando es que el mercado define
pesos para cada activo a partir de la
capitalización de mercado de los activos.

Haber un toque, nosotros hemos derivado una

formula que tiene como resultado pesos,
estos pesos serán conocidos una vez que
conozca la matriz de var covar, de
retornos y el coef de aversión al riesgos. Pero en el
mercado yo puedo ir y calcular una matriz de var covar,
también para el mercado yo puedo calcular un coef de
aversión al riesgo ((Rm – Rf)/Sigma_m^2); es decir para
el mundo yo puedo calcular un lambda. Entonces tengo
matriz de var covar, tengo pesos determinados por el
mercado y tengo el lambda determinado por alguien superior a mi que es el mercado. Entonces de
la ecuación, de los 4 inputs tengo 3 y puedo despejar el R que pasaría a ser Pi, porque son retornos
especiales impuestos por el mercado, es derivado implícitamente del mercado.

Utilizar las matriz de varianzas y covarianzas de manera histórica, se puede mitigar usando una
ventana grande, de alta frecuencia (diaria) o si no también obtenerlo a través de su modelo de
volatilidad multivariado. Otra opción sería estimar una varianza con el modelo de volatilidad
(Garch Multivariado). El lambda mayormente es de 2 o 2.5 para el mercado, pero dependerá del
universo que quieras ver, diferente entre mercados ( para bonos distinto, a tener equities o bonos
y equities). El portafolio es todo en US , tomo el SP500 para sacar el lambda.

Si tú no estás de acuerdo con los retornos implícitos, BL model te provee un elegante marco para
combinar los retornos implícitos con tu único view que resultaría en portafolios bien diversificados
que reflejen tus views.

Normamente los GARCH multivariados es de 2 o 3 activos mayormente. Cuando quieres estudiar

el comovimiento de los activos. Si cambias a de una visión estretégica que puede se de 1 año o 6
meses a una visión táctica que puede ser de un mes, necesitas estimaciones mas finas de la
volatilidad, para eso es mejor hacer un modelo arch o garch porque reaccionan más rápido a
movimientos de la volatilidad. Si lo haces en el Excel con un bloque grande, el movimiento
siguiente de la volatilidad no me va a ayudar mucho.

THE VIEWS

Que pasaría mi mañana vemos con nuestro análisis táctico,

que las tendencias para los tesoros americanos van a caer,
entonces voy a querer reducir el peso de los treasuries en mi
portafolio, eso es mi view. Tu view esta cambiando pero no
necesariamente el mercado esta cambiando ese activo que tu
estas pensando. Por eso BL te permite hacer las
modificaciones.

Primero la estabilidad ya la gané utilizando retorno implícitos.

Ahora necesito views. Para una optimización simple, voy a
necesitar riesgos y retorno; ahora para incorporar views voy a
necesitar, retornos esperados para los views, nivel de confianza
para los views que va a estar representado por una matriz de
varianzas y covarianzas (que si es mayor, entonces indicaría
menos confianza) ; y nivel de riesgo o sea volatilidad.

Los views en el modelo BL se representan de dos maneras, uno en una matriz P, es sencillo, si yo
tengo 5 activos puedo establecer views para un solo activo y también puedo establecer views
relativos también, uno contra otro, positivos o negativos.

La primera fila de la matriz P es mi view 1 y el retorno

esperado de ese view es la primera fila del vector Q, en este
caso 5%. Ahí seria un view absoluto, si me fijo en mi view 2
veo que mi segundo activo outperformea al tercer activo en
2%.

Ahora ya están mis view, pero la confianza o varianza o

riesgos de los views es el omega, ¿Cómo saco ese omega?
Hay debate al respecto, BL da esta idea, si tenemos un
activos en el cual la volatilidad es 2% y otro cuya volatilidad es 10%, entonces el segundo activo
por intuición me causaría más riesgo porque me seria más difícil chuntar mi view. Bajo esta forma
de pensar lo que proponen BL es lo siguiente: Agarras la matriz de var covar que ya tienes,
también agarras tu matriz de views P y lo calibras con una factor Tao. Entonces lo que va a pasar
es lo siguiente. Voy a tomar la volatilidad que ya existe de los activos, lo multiplico con mi matriz P
y luego lo calibro con un factor Tao, entonces activos con mas varianza van a tener mayor
incertidumbre, mi view del activo con alta varianza, va a tener menor confianza. ¡OJO DEL
OMEGA,ME IMPORTA LA DIAGONAL!

Ahora también puede ser, si tienes historia de tus

analistas. Esos analistas han venido haciendo forecasts
para los últimos 3 años, también tienes los retornos reales
del mercado, puedes calcular los errores en una columna,
si en esa columna le aplicas la formula covarianza, te
saldrá una matriz de varianza y covarianza de esos
errores, entonces si siempre me equivoco, esa matriz de
varianzas y covarianzas va a ser alta. Hay dos formas más
también.

FINAL STEPS

Fijemonos en la parte de la
derecho, cuando la varianza es
alta (sigma y omega) , la
confianza es baja y si la
confianza es baja, le doy menos peso a este primer elemento. Lo que estoy haciendo es ponderar,
estoy ponderando los retornos que aparecen en el mercado, más los retornos que aparecen en mi
cabeza, el criterio que utilizo es la confianza que tengo que cada uno de esos elementos y que es
lo más cercano a la confianza: la inversa de la varianza. Ahora cuando calculamos un promedio
ponderado, lo dividimos para estandarizar. Ejm: Si quiero ponderar por 2 y por 5 , seria 2*A + 5*B
y lo tengo que dividir entre 7 verdad. Ahora ese
7 en la grafica de arriba, representaría el factor
de la izquierda. El elemento de la derecha va a
salir grande pero se reduce con el de la
izquierda y lo hago porque un promedio
ponderado debe estar debidamente
estandarizado. Entonces ya tengo retornos
nuevos y varianza nueva.

A medida que mi view tenga mas o menos

confianza eso va a ir influyendo en la matriz de
varianzas y covarianzas, Si mi confianza es muy
baja, mi varianza del view será muy alta y como
esta a la menos 1 , eso tendería a cero y entonces solo me quedaría mi matriz de var covar.
Entonces ya tengo un nuevo set de retornos y tengo un nuevo set de varianzas y covarianzas.

Que es lo último que tengo que hacer, es hacer optimización de media varianza.

Entonces en resumen: 3 etapas: 1 . Retorno implícito y matriz de var covar del mercado, lo bueno
de eso es que son estables, son poco sensibles a cambios pequeños en los retornos, no me
esquinan el portafolio, lo malo es que no puedo meter views. 2. Eso soluciono con los retornos de
mi cabeza, luego confianza de mi cabeza con matriz omega. 3. Lo junto todo y sale el resultado,
nuevo set de retornos super potente y nuevo set de varianza super potente. Con eso ya puedo
hacer tranquilo mi maximización de ratio sharpe, minima varianza, etc. Toda la chamba que se
hace en black litterman es para terminar con esos nuevos sets.