Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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!.
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.
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.
THE VIEWS
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.
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.
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.