Lecture4 (AP)

Especificación del modelo Solución del problema de elección del portafolio Análisis Conclusiones
Lecture 4: Teorı́a de la Elección del

Portafolio (The Mean-Variance Model)
Asset Pricing I
Discrete-Time Approach
Hamilton Galindo
11 de junio de 2019
Hamilton Galindo
Lecture 4: Teorı́a de la Elección del Portafolio (The Mean-Variance Model)
Outline: Mean-Variance Model

Especificación del modelo
Problema de elección de portafolio: Base Model
Problema de elección de portafolio: Mean-Variance Model
Del “Base Model” al “Mean-Variance Model”
Distribución arbitraria
Relación de preferencia arbitraria
Solución del problema de elección del portafolio
Condiciones de primer orden
Dos portafolios óptimos especiales
Portafolio óptimo: relación entre E [˜
rp ] y Var (˜
rp )
Análisis
Portafolio de Mı́nima Varianza (mvp)
Frontera Eficiente e Ineficiente
Propiedades del Portafolio de Frontera
Conclusiones
Hamilton Galindo
En la clase 2 se definio el problema de elección del portafolio (base model):
max E [u(W̃ )]
{aj }
sujeto a su riqueza final W̃ :

X X
W̃ = aj (1 + r˜j ) + (W0 − aj )(1 + rf )
j j
En esta economı́a existe multiples activos riesgosos y un activo libre de

riesgo.
Hamilton Galindo
Problema de elección de portafolio: Mean-Variance Model I

Qué es?
1. Es un modelo de la “Demanda de Activos” en una economı́a con

multiples activos riesgosos, el cual fue desarrollado por
Markowitz(1952) y Merton (1972).
2. La principal diferencia con el “base model” es que la función de
utilidad esperada es expresada en función de la expectativa del
rendimiento del portafolio y de su varianza.
3. Tiene dos pilares:
I Pilar 1: Este modelo indica que la función de utilidad esperada
puede expresarse en función de dos momentos de la distribución de
la riqueza final: valor esperado de la riqueza y la varianza de la
riqueza. Recordar que la riqueza final es una variable aleatoria
debido a la tasa de retorno de los activos.
E (U) = A ∗ U(E (W̃ )) − B ∗ Var (W̃ )

Hamilton Galindo
Problema de elección de portafolio: Mean-Variance Model II

Qué es?
I Dado que la riqueza final W̃ es una función de la tasa de

rendimiento de los activos, entonces se puede expresar la función de
utilidad esperada como una función de los momentos de la tasa de
rendimiento del portafolio.
I Asimismo, la varianza de W̃ es una función lineal de la varianza de la
tasa de rendimiento del portafolio de activos.
I Pilar II: Por dualidad, la maximización de la función de utilidad
esperada es lo mismo que la minimización de la varianza Var (W̃ )
y, por el item previo, esto es igual a minimización de la varianza de
la tasa de rendimiento del portafolio.
Hamilton Galindo
Problema de elección de portafolio: Mean-Variance Model III

Qué es?
Qué es el modelo media-varianza?

El modelo media-varianza obtiene la demanda de activos al suponer que la
función de utilidad esperada puede ser expresada por la media y varianza de la
tasa de rendimiento del portafolio de activos. Por dualidad, el modelo obtiene
la demanda de activos al minimizar la varianza de la tasa de rendimiento del
portafolio.
Hamilton Galindo
Problema de elección de portafolio: Mean-Variance Model I

Supuestos
1. Economı́a sin fricciones.

2. Multiples activos riesgosos (N ≥ 2). En este primera versión del
modelo NO se considera el activo libre de riesgo.
3. Short selling es permitido. Esto significa que la inversión en un
activo puede ser negativa; es decir, se vende dicho activo y por tanto
wj (la proporción de la inversión de dicho activo en el ingreso inicial)
es negativa: wj < 0
Short Selling
Significa que el inversionista vende el activo j al precio actual con el
compromiso de comprarlo otra vez al nuevo precio. No short-selling
restriction significa que w ≥ 0.
Hamilton Galindo
Problema de elección de portafolio: Mean-Variance Model II

Supuestos
4. La tasa de retorno de los activos tienen varianza finita y sus
expectativas son distintas:
I Var (rj ) < ∞, ∀j
I E (˜
rj ) 6= E (˜
ri ), ∀j, i
5. La tasa de retorno de los activos son Linealmente Independiente
(LI). Esto significa que NO se puede expresar cualquier tasa de
retorno como la combinación lineal del resto de activos:
r˜i 6= α1 r˜1 + α2 r˜2 + α3 r˜3 + ...αn r˜n , ∀i
. Implicaciones de este supuesto:

6. Propiedades de la matriz Var-Cov del rendimiento de los activos V :
I V es no singular (detV 6= 0 y por tanto tiene inversa). Esto se debe
al supuesto de que la tasa de retorno de los activos son LI.
Hamilton Galindo
Problema de elección de portafolio: Mean-Variance Model III

Supuestos
I V es simétrica debido a que Cov (˜ri , r˜j ) = Cov (˜rj , r˜i )

I V es definida positiva debido a que la varianza del rendimiento del
portafolio es estrictamente positiva: Var (˜ rp ) = w t Vw > 0
Hamilton Galindo
Del “Base Model” al “Mean-Variance Model” I

Expected Utility Function
1. El modelo media-varianza utiliza la expansión de Taylor de la

función de utilidad de la riqueza final u(W̃ ) con respecto a E (W̃ ).
1
u(W̃ )|E (W̃ ) ≈ u[E (W̃ )]+u 0 [E (W̃ )]∗[W̃ −E (W̃ )]+ u 00 [E (W̃ )]∗[W̃ −E (W̃ )]2 +R3
2
(1)
Donde:
X 1
R3 = u (n) [E (W̃ )] ∗ [W̃ − E (W̃ )]n
n=3
n!
Donde: u (n) es la n-esima derivada de la función de utilidad.
Hamilton Galindo
Del “Base Model” al “Mean-Variance Model” II

Expected Utility Function
2. Tomando expectativas y considerando que el término R3 es
insignificante, se tiene:
u(W̃ ) ≈ u[E (W̃ )] + u 0 [E (W̃ )] ∗ [W̃ − E (W̃ )]
1
+ u 00 [E (W̃ )] ∗ [W̃ − E (W̃ )]2 + R3
2
E [u(W̃ )] ≈ E [u[E (W̃ )]] + u 0 [E (W̃ )] ∗ E [W̃ − E (W̃ )]
1
+ u 00 [E (W̃ )] ∗ E [W̃ − E (W̃ )]2 + E [R3 ]
2
E [u(W̃ )] ≈ E [u[E (W̃ )]] + u 0 [E (W̃ )] ∗ [E (W̃ ) − E (W̃ )]
| {z }
=0
1
+ u 00 [E (W̃ )] ∗ E [W̃ − E (W̃ )]2 + E [R3 ]
2 | {z }
insignificante
1
E [u(W̃ )] ≈ E [u[E (W̃ )]] + u 00 [E (W̃ )] ∗ E [W̃ − E (W̃ )]2 (2)
2
Hamilton Galindo
Del “Base Model” al “Mean-Variance Model” I

Relación entre W̃ y el rendimiento del portafolio r˜p
1. Pesos wj : En este modelo donde toda la riqueza inicial se invierte

en los activos riesgosos, se tiene:
X
aj = W0
j
Cambiamos esta expresión por el “porcentaje invertido de W0 en el

activo j (wj )”:
Hamilton Galindo
Del “Base Model” al “Mean-Variance Model” II

X
aj = W0
j
X aj
= 1
W0
j
X
wj = 1 (3)
j
wj también se entiende como el peso del activo j en el portafolio.

Asimismo, el portafolio “p” es representado por un vector cuyos
elementos indican la proporción de W0 invertida en el activo
correspondiente. Este vector es llamada “peso” (weight)(ver
Ingersoll, 1987).
Hamilton Galindo
Del “Base Model” al “Mean-Variance Model” III

2. Riqueza final W̃ :
X
W̃ = aj (1 + r˜j )
j
X aj
W̃ = W0 (1 + r˜j )
W0
j |{z}
=wj
X X X
W̃ = W0 wj (1 + r˜j ) = W0 [ wj + wj r˜j ]
j j j
| {z }
=1
X
W̃ = W0 + W0 wj r˜j = W0 + W0 w t r˜ (4)
j
Hamilton Galindo
Del “Base Model” al “Mean-Variance Model” IV

Donde: w t = [w1 , w2 , ..., wj , ..., wn ] y r˜t = [˜

r1 , r˜2 , ..., r˜j , ...˜
rn ]
3. Varianza de la riqueza final: la expresión (4) la reemplazamos en
la Var (W̃ ):
Var (W̃ ) = E [W̃ − E (W̃ )]2 = E [W0 w t (˜ r ))]2

r − E (˜
Var (W̃ ) = W02 E {[w t (˜ r ))][w t (˜
r − E (˜ r ))]t }
r − E (˜
Var (W̃ ) = W02 E {[w t (˜
r − E (˜ r ))t w ]}
r − E (˜
r ))][(˜
Var (W̃ ) = W02 w t E [(˜
r − E (˜ r ))t ] w
r − E (˜
r ))(˜
| {z }
=V
Var (W̃ ) = W02 w t

| {zVw} (5)
=σ 2 (˜
rp )
Hamilton Galindo
Del “Base Model” al “Mean-Variance Model” V

4. Expectativa de la riqueza final: tomando expectativas a la

expresión (4):
X
W̃ = W0 + W0 wj r˜j = W0 + W0 w t r˜
j
t
E [W̃ ] = W0 [1 + w E (˜
r )] (6)
Hamilton Galindo
Del “Base Model” al “Mean-Variance Model” VI

5. Dado que tenemos la expectativa de la riqueza final en función de la

expectativa del rendimiento del portafolio y la varianza de la riqueza
final en función de la varianza del rendimiento del portafolio,
entonces la función de utilidad esperada aproximada por la
expansión de Taylor puede ser expresa en función de los dos primeros
momentos del rendimiento del portafolio.
1
E (u(W̃ )) = u( E (W̃ ) ) + u 00 ( E (W̃ ) ) Var (W̃ )
| {z } 2 | {z } | {z }
F (E (˜
rp )) F (E (˜
rp )) W02 w t Vw
Hamilton Galindo
Del “Base Model” al “Mean-Variance Model” VII

6. Dado que la función de utilidad es cóncava, entonces u 00 () < 0.

Además por dualidad, la maximización de E (u(W̃ )) se puede
expresar como la minimización de:
1 00
u ( E (W̃ ) ) Var (W̃ )
2 | {z } | {z }
F (E (˜
rp )) W02 w t Vw
Asimismo, podemos prescindir de los coeficientes porque no

modifican la optimización quedando:
1 t
min w Vw
2
1
Dejamos el coeficiente 2 solo por practicidad para las CPO.
Hamilton Galindo
Del “Base Model” al “Mean-Variance Model” VIII

7. Finalmente, el problema de elección de portafolio quedarı́a:
Problema de elección de portafolio en el modelo de media-varianza

1 t
min w Vw
{w } 2
sujeto a:
wte = E (˜
rp ) (tasa de retorno del portafolio esperada)
t
w 1 = 1 (suma de los pesos del portafolio)
Donde: e t = [E (˜
r1 ), E (˜
r2 ), ..., E (˜
rn )]
Hamilton Galindo
Del “Base Model” al “Mean-Variance Model” IX

8. Solución: la solución de este problema de optimización se le conoce

como frontier portfolio.
Frontier portfolio
Un portafolio es frontier portfolio si este tiene la minima varianza entre
los portafolios que tienen la misma tasa de retorno esperada.
Hamilton Galindo
Mean-Variance Model: Función de utilidad esperada I

Comentarios
Recordemos:
1 00
E [u(W̃ )] ≈ E [u[E (W̃ )]] + u [E (W̃ )] ∗ E [W̃ − E (W̃ )]2 + E (R3 ) (7)
2
Donde:
X 1
E (R3 ) = u (n) [E (W̃ )] ∗ E [W̃ − E (W̃ )]n
n=3
n! | {z }
momentosdeorden“n≥300
1. Derivadas de la función de utilidad reflejan preferencias: Si u(·)

es creciente y estrictamente cóncava entonces: la expresión (7)
sugiere que el individuo tiene prefierencias sobre la riqueza
esperada y aversión a la varianza de la riqueza.
Hamilton Galindo
Mean-Variance Model: Función de utilidad esperada II

Comentarios
2. Momentos de W̃ : Notar que la utilidad esperada E [u(W̃ )] es una

función de muchos momentos de W̃ , no solo de los dos primeros!
Esto significa que la distribución de W̃ es importante para definir la
forma funcional de la función de utilidad esperada.
3. Notar que la afirmación que la función de utilidad esperada solo
depende de los dos primeros momentos de W̃ implica que los
términos restantes deben ser insignificantes. Entonces:
La representación de E [u(W̃ )] (en función al valor esperado de W̃ y
su varianza) no se mantiene para cualquier distribución de W̃ ni
para cualquier preferencias.
Hamilton Galindo
Mean-Variance Model: Función de utilidad esperada III

Comentarios
Como resultados de los 3 comentarios previos...

El modelo media-varianza NO es un modelo general de elección de
activos. Su rol central en Finanzas se debe a que es un modelo
analiticamente tratable y tiene muchas predicciones empı́ricas.
Hamilton Galindo
Distribución arbitraria de W̃ I
y función de utilidad cuadrática
1. El modelo media-varianza puede ser obtenido cuando consideramos

una “función de utilidad cuadrática” independiente de la función
de distribución de la riqueza W̃ ; es decir, para una distribución
arbitraria.
2. Sea la función de utilidad cuadrática:
b 2
u(W̃ ) = W̃ − W̃
2
Hamilton Galindo
Distribución arbitraria de W̃ II
3. Expansión de Taylor de esta función:

1
u(W̃ )|E (W̃ ) ≈ u[E (W̃ )]+u 0 [E (W̃ )]∗[W̃ −E (W̃ )]+ u 00 [E (W̃ )]∗[W̃ −E (W̃ )]2 +R3
2
(8)
Donde:
X 1
R3 = u (n) [E (W̃ )] ∗ [W̃ − E (W̃ )]n
n=3
n!
y u (n) es la n-esima derivada de la función de utilidad.
Hamilton Galindo
Distribución arbitraria de W̃ III

4. Tomando expectativas:
E [u(W̃ )] ≈ E [u[E (W̃ )]] + u 0 [E (W̃ )] ∗ E [W̃ − E (W̃ )] (9)

| {z }
=0
1
+ u 00 [E (W̃ )] ∗ E [W̃ − E (W̃ )]2 + E [R3 ]
2
Hamilton Galindo
Distribución arbitraria de W̃ IV
5. En particular, para esta función de utilidad:
b
u(E (W̃ )) = E (W̃ ) − [E (W̃ )]2
2
u 0 (E (W̃ )) = 1 − bE (W̃ )
u 00 (E (W̃ )) = −b
000
u (E (W̃ )) = 0
(n)
u (E (W̃ )) = 0, ∀n ≥ 3
Hamilton Galindo
Distribución arbitraria de W̃ V
6. Introduciendo estas expresiones en la expansión de Taylor -ecuación
(9)-:
E [u(W̃ )] ≈ E [u[E (W̃ )]] + u 0 [E (W̃ )] ∗ E [W̃ − E (W̃ )] (10)

| {z } | {z } | {z }
E (W̃ )− b2 [E (W̃ )]2 1−bE (W̃ ) =0
1
+ u 00 [E (W̃ )] ∗ E [W̃ − E (W̃ )]2 + E [R3 ]
2 | {z } | {z } | {z }
−b Var (W̃ ) 0
Utilidad esperada cuando la función de utilidad es cuadrática

b b
E [u(W̃ )] = E (W̃ ) − [E (W̃ )]2 − Var (W̃ )
2 2
Hamilton Galindo
Distribución arbitraria de W̃ VI
7. Esta función de utilidad (cuadrática) permite obtener el modelo de

media-varianza para cualquier distribución de W̃ (distribución
arbitraria) debido a que sus derivadas u (n) son ceros para n ≥ 3,
entonces los momentos mayores al segundo no son relevantes para
definir la forma de la función de utilidad esperada.
Conclusión 1
La función de utilidad cuadrática es suficiente para que la elección de
activos sea completamente descrita en términos de la relación de
preferencia sobre la media y varianza de W̃ (y por tanto de r˜p ).
8. Desventajas:
Hamilton Galindo
Distribución arbitraria de W̃ VII

I Saciedad: la función de utilidad cuadrática indica que el individuo es

saciable; es decir, cuando el ingreso se incrementa por encima del
punto de saciedad, la utilidad decrece. Esto es opuesto al supuesto
“mas es mejor que menos”.
I ARA creciente: esto significa que la demanda del activo disminuye
cuando aumenta la riqueza. Entonces el activo es un bien inferior.
Conclusión 2
Conclusiones económicas basadas en la función de utilidad cuadrática son
contra intuitivas y estas no representan a un individuo que prefiere mas
que menos (no saciabilidad) y que considera que los activos son bienes
normales.
Hamilton Galindo
Relación de preferencias arbitraria I

Distribución normal de los retornos
1. El modelo de media-varianza es obtenido bajo el supuesto que la

tasa de retorno de los activos se distribuyen normalmente (una
distribución normal multivariada).
2. Bajo este supuesto de distribución, la función de utilidad esperada
depende solo de los dos primeros momentos cualquiera que sea la
función de utilidad (independiente de la relación de preferencias).
Esto se debe a que la distribución normal es completamente descrita
por sus dos primero momentos (media y varianza).
3. Ventajas (de la distribución normal):
I El tercer momento y los de mayor orden presentes en E (R3 ) pueden
ser expresados como función de los dos primeros momentos (media y
varianza).
Hamilton Galindo
Relación de preferencias arbitraria II

Distribución normal de los retornos
I La función de distribución normal es estable bajo adición: la tasa de

retorno de un portafolio que ha sido formado por activos cuyos
rendimientos están normalmente distribuidos es también
NORMALMENTE DISTRIBUIDA.
4. desventajas (de la distribución normal):
I La distribución normal es unbounded from below, lo cual es
inconsistente con limited liabilities y con la teorı́a económica.
Hamilton Galindo
Solución del problema de elección del portafolio I

Recordando: el problema de elección de portafolio del modelo de media-

varianza es el siguiente:
1 t
min w Vw
{w } 2
sujeto a:
wte = E (˜
rp ) (tasa de retorno del portafolio esperada)
wt1 = 1 (suma de los pesos del portafolio)
Donde: e t = [E (˜
r1 ), E (˜
r2 ), ..., E (˜
rn )]
Pasos de solución:
Hamilton Galindo
Solución del problema de elección del portafolio II

Paso 1: función de lagrange
1 t
L= rp ) − w t e] + λ2 [1 − w t 1]
w Vw + λ1 [E (˜ (11)
2
Hamilton Galindo
Solución del problema de elección del portafolio III

Paso 2: derivada con respecto a w (CPO)
∂L
= 0
∂w
1 ∂(w t Vw ) ∂(w t e) ∂(w t 1)
+ λ1 [− ] + λ2 [− ] = 0
2 ∂w ∂w ∂w
1 ∂w t ∂Vw ∂w ∂w
Vw + w t − λ1 [e t ] + λ2 [−1t ] = 0
2 ∂w ∂w ∂w ∂w
1 t t ∂w
+ w t V − λ1 [e t ] − λ2 [1t ]

w V = 0
2 ∂w
1 t
2w V − λ1 [e t ] − λ2 [1t ] = 0
2
w t V − λ1 [e t ] − λ2 [1t ]

= 0 (12)
Hamilton Galindo
Solución del problema de elección del portafolio IV

Tomando la ecuación (12) y aplicando transpuesta:
(w t V )t − λ1 [e t ]t − λ2 [1t ]t = 0
V t w − λ1 e − λ2 1 = 0, V es simetrica : V = V t
Vw − λ1 e − λ2 1 = 0
w = λ1 V −1 e + λ2 V −1 1 (13)
(14)
Esta es la ecuación del portafolio óptimo. Para terminar de definirlo

tenemos que encontrar λ1 y λ2 .
Hamilton Galindo
Solución del problema de elección del portafolio V

Paso 3: utilizando las restricciones

- Multiplicando por e t a la ecuación (13):
e t w = λ1 e| t V{z−1 e} +λ2 e| t V{z−1 1} = E [˜

rp ] (15)
B A
- Multiplicando por 1t a la ecuación (13):

t −1 t −1
1t w = λ1 1
| V{z e} +λ2 1
| V{z 1} = 1 (16)
A C
Hamilton Galindo
Solución del problema de elección del portafolio VI

Paso 4: resolviendo el sistema de ecuaciones
λ1 B + λ2 A = E [˜
rp ]
λ1 A + λ2 C = 1
(17)
De la segunda ecuación despejamos λ1 :
1 − λ2 C
λ1 =
A
Esto lo reemplazamos en la primera ecuación y se obtiene λ2 :
B − AE [˜
rp ]
λ2 =
BC − A2
Hamilton Galindo
Solución del problema de elección del portafolio VII

Finalmente, λ1 quedarı́a:
rp ] − A
CE [˜
λ1 =
BC − A2
I Dado que V es definida positiva, entonces:
B = e t V −1 e > 0
C = 1t V −1 1 > 0
Además: D = BC − A2 > 0
Hamilton Galindo
Solución del problema de elección del portafolio VIII

Paso 5: obteniendo la solución wp (frontier portfolio):

Reemplazando λ1 y λ2 en la solución (ecuación (13)):
w = λ1 V −1 e + λ2 V −1 1 (18)

rp ] − A −1
CE [˜ B − AE [˜
rp ] −1
w = V e + V 1 (19)
BC − A2 BC − A2
Hamilton Galindo
Solución del problema de elección del portafolio IX

Solución: w
BV −1 1 − AV −1 e CV −1 e − AV −1 1

w = + E [˜
rp ]
| D
{z } | D
{z }
gnx1 hnx1
w = g + hE [˜
rp ] (20)
Cualquier portafolio frontera puede ser representado por (20) o cualquier

portafolio que es representado por (20) es un portafolio frontera.
Hamilton Galindo
Dos portafolios óptimos especiales I
1. Portafolio óptimo 1: E [˜ rp ] = 0. Aplicando esta restricción a la

solución -ecuación (20), tenemos:
w0 = g + hE [˜
rp ]
w0 = g
2. Portafolio óptimo 2: E [˜ rp ] = 1. Aplicando esta restricción a la

solución -ecuación (20), tenemos:
w1 = g + hE [˜
rp ]
w1 = g +h
Hamilton Galindo
Generación de la frontera de portafolios I

Basado en los dos portafolios óptimos especiales
Afirmación 1: Generación de la frontera de portafolios

La “frontera de portafolios” puede ser generada por medio de la
formación de portafolios basados en los dos particulares portafolios de
frontera: w0 y w1 .
PRUEBA:
1. Sea el siguiente portafolio de frontera:
wq = g + hE [˜
rq ]
2. Consideremos el siguiente portafolio wnew formado en base a:

Portafolio Peso
w0 1 − E [˜rq ]
w1 E [˜
rq ]
Hamilton Galindo
Generación de la frontera de portafolios II

Entonces:
wnew = (1 − E [˜
rq ])w0 + (E [˜
rq ])w1
3. Reemplazando la expresión para cada portafolio “especial” w0 y w1 :
wnew = (1 − E [˜
rq ])w0 + (E [˜
rq ])w1
wnew = (1 − E [˜
rq ])(g ) + (E [˜
rq ])(g + h)
wnew = g − E [˜
rq ]g + E [˜
rq ]g + E [˜
rq ]h
wnew = g + E [˜
rq ]h
wnew = wq
Hamilton Galindo
Generación de la frontera de portafolios III

Entonces, cuando formamos uno nuevo portafolio con los dos

especificos portafolios de frontera w0 y w1 con pesos
{1 − E [˜
rq ], E [˜
rq ]}, el portafolio resultante es también un portafolio
de frontera!
Dado que “q” es un portafolio arbitrario entonces la frontera de
portafolios puede ser generado por dos portafolios frontera w0 y w1 .
Hamilton Galindo
Generación de la frontera de portafolios I

Basado en cualquier dos portafolios de frontera
Afirmación 2: Generación de la frontera de portafolios

La “frontera de portafolios” puede ser generada por medio de la
formación de portafolios basados en cualquier dos portafolios de frontera
p1 y p2 .
PRUEBA:
rp1 ] 6= E [˜
1. Consideremos dos portafolios frontera: p1 y p2 con E [˜ rp2 ]
2. Elijamos otro portafolio frontera “q”.
rp1 ] 6= E [˜
3. Dado que E [˜ rp2 ], existe un único número real “α” tal que
E [˜ rp1 ] + (1 − α)E [˜
rq ] = αE [˜ rp2 ]
Hamilton Galindo
Generación de la frontera de portafolios II

Basado en cualquier dos portafolios de frontera
4. Considerar el siguiente portafolio:
αwp1 + (1 − α)wp2 = rp1 ]) + (1 − α)(g + hE [˜

α(g + hE [˜ rp2 ])
= rp1 ] + (1 − α)E [˜
g + h(αE [˜ rp2 ])
= g + hE [˜
rq ]
| {z }
wq
= wq es un portafolio de frontera!
Entonces, la formación del “new” portafolio en función de dos

arbitrarios portafolios de frontera es también un portafolio de
frontera!
Hamilton Galindo

rp ] y Var (˜
rp )
Solución del problema de elección del portafolio I

Portafolio óptimo: relación entre [˜
rp ] y Var (˜
rp )
De la CPO tenemos:
w t V = λ1 [e t ] + λ2 [1t ]
1. Multiplicando por w
wtV = λ1 [e t ] + λ2 [1t ]
t
w
| {zV w} = λ1 [e t ]w +λ2 [1t ]w
| {z } | {z }
=σ 2 (˜
rp ) =E [˜
rp ] =1
2
σ r˜p = λ1 E [˜
rp ] + λ2
Hamilton Galindo

rp ] y Var (˜
rp )
Solución del problema de elección del portafolio II

rp ] y Var (˜
rp )
2. Reemplazando los valores de λ1 y λ2 :
σ 2 (˜
rp ) = λ1 E [˜
rp ] + λ2

CE [˜rp ] − A B − AE [˜
rp ]
σ 2 (˜
rp ) = E [˜
rp ] +
D D
2
CE [˜ rp ] − 2AE [˜
rp ] + B
σ 2 (˜
rp ) =
D
rp ] − σ 2 (˜
En este punto podemos trabajar en dos espacios: E [˜ rp ) o
rp ] − σ(˜
E [˜ rp )
Hamilton Galindo

rp ] y Var (˜
rp )
Solución del problema de elección del portafolio III

rp ] y Var (˜
rp )
rp ] − σ 2 (˜
3. En el espacio de E [˜ rp ):
CE 2 [˜
rp ] − 2AE [˜
rp ] + B
σ 2 r˜p =
D/C
2 2
2 E 2 [˜
rp ] − 2(A/C )E [˜
rp ] + B/C + A/C − A/C
σ r˜p =
D/C
2
2
(E [˜rp ] − A/C ) + B/C − A/C
σ 2 r˜p =
D/C
2
2 B/C − A/C
(E [˜rp ] − A/C )
σ 2 r˜p = +
D/C D/C
2
(E [˜rp ] − A/C ) BC − A2
σ 2 (˜
rp ) = + 2
D/C C D/C
Hamilton Galindo

rp ] y Var (˜
rp )
Solución del problema de elección del portafolio IV

rp ] y Var (˜
rp )
rp ] − A/C )2
(E [˜ D
σ 2 (˜
rp ) = +
D/C CD
rp ] − A/C )2
(E [˜ 1
σ 2 (˜
rp ) = +
D/C C
σ 2 (˜
rp ) rp ] − A/C )2
(E [˜
= +1
1/C D/C 2
σ 2 (˜ rp ] − A/C )2
rp ) (E [˜
− = 1 (21)
1/C D/C 2
Esta ecuación (21) es una hiperbola:
(x − x0 )2 (y − y0 )2
− =1
a2 b2
Hamilton Galindo

rp ] y Var (˜
rp )
Solución del problema de elección del portafolio V

rp ] y Var (˜
rp )
rp ] − σ˜
4. En el espacio de E [˜ rp :
σ 2 (˜ rp ] − A/C )2
rp ) (E [˜
− = 1
1/C D/C 2
s
rp ] − A/C )2
(E [˜
σ(˜
rp ) = ± 1/C + (22)
D/C
La ecuación (22) es una parábola.
Hamilton Galindo

rp ] y Var (˜
rp )
Solución del problema de elección del portafolio VI

rp ] y Var (˜
rp )
Espacio Media-Des.Est. Espacio Media-Varianza

𝑬[෤𝒓] 𝑬[෤𝒓]
Hipérbola Parábola
𝑨/𝑪
𝝈(෤𝒓) 1/𝑪 𝝈𝟐 (෤𝒓)

𝟏/𝑪
Hamilton Galindo
Portafolio de Mı́nima Varianza (mvp) I
1. El portafolio de mı́nima varianza (pmv) es aquel que tiene la

menor varianza entre TODOS los posibles portafolios.
Espacio Media-Varianza Espacio Varianza-Media
𝑬[෤𝒓] 𝝈𝟐 (෤𝒓)
Parábola Parábola
A/𝑪
1/𝑪 Portafolio de minima

varianza
1/𝑪 𝝈𝟐 (෤𝒓) A/𝑪 𝑬[෤𝒓]
Hamilton Galindo
Portafolio de Mı́nima Varianza (mvp) II
2. De la ecuación que relaciona la tasa de retorno esperado y su

varianza se toma la
derivada
de la varianza con respecto a la tasa de
∂σ 2 (˜
rp )
retorno esperado: ∂E [˜rp ] :
Hamilton Galindo
Portafolio de Mı́nima Varianza (mvp) III
σ 2 (˜
rp ) (E [˜rp ] − A/C )2
− = 1
1/C D/C 2
2 tomando derivadas
rp ) 1
∂σ (˜ rp ] − A/C )
2(E [˜
− = 0
∂E [˜
rp ] 1/C D/C 2
∂σ 2 (˜
rp ) rp ] − A/C )
2(E [˜
=
∂E [˜ rp ] D/C
∂σ 2 (˜
rp ) rp ] − A/C )
2(E [˜
= =0
∂E [˜rp ] D/C
rp ] − A/C
E [˜ = 0
E [˜
rp ] = A/C (23)
Hamilton Galindo
Portafolio de Mı́nima Varianza (mvp) IV
3. Calculando la varianza del “mvp”: dado que el “mvp” tiene valor

esperado de su tasa de retorno igual a A/C , entonces reemplazando
este valor en la expresión media-varianza:
rp ] −A/C )2
(E [˜
| {z }
σ 2 (˜
rp ) =A/C
− = 1
1/C D/C 2
σ 2 (˜
rp )
= 1
1/C
σ 2 (˜
rp ) = 1/C
o
p
σ(˜
rp ) = 1/C
Hamilton Galindo
Portafolio de Mı́nima Varianza (mvp) V
4. ¿Cuál es wmvp ?
Dado que “mvp” es un portafolio de frontera, entonces:
wmvp = g + hE [˜
rmvp ] = g + h(A/C )
BV −1 1−AV −1 e CV −1 e−AV −1 1
Dado que g = D yh= D , entonces:
1t V −1
wmvp =
C
Hamilton Galindo
Portafolio de Mı́nima Varianza (mvp) I

Propiedad importante
Propiedad
Sea “p” un portafolio (no necesariamente en la frontera de portafolios),
entonces se cumple:
Cov (˜
rp , r˜mvp ) = Var (˜
rmvp )
PRUEBA:
Paso 1: Consideremos un portafolio formado en función a “p” y “mvp” con
pesos a y 1 − a respectivamente.
wportafolio = awp + (1 − a)wmvp
Hamilton Galindo
Portafolio de Mı́nima Varianza (mvp) II

Paso 2: Este portafolio tiene mı́nima varianza, entonces es el resultado del
siguiente problema de optimización:
rp ) + (1 − a)E (˜
min Var (portafolio) sujeto a: aE (˜ rmvp ) = E [˜
rportafolio ]
{a}
Donde:
Var (˜
rportafolio ) = rp ) + (1 − a)(˜
Var (a(˜ rmvp ))
= a2 Var (˜
rp ) + (1 − a)2 Var (˜
rmvp ) (24)
+2a(1 − a)Cov (˜
rp , r˜mvp )
Nota: observar que exigimos que el nuevo portafolio sea un

portafolio de frontera, pero no el portafolio “p”.
Hamilton Galindo
Portafolio de Mı́nima Varianza (mvp) III

Paso 3: CPO: tomando derivada a la ecuación (24) con respecto a “a”:
∂Var (˜
rportafolio )
= 2aVar (˜
rp )−2(1−a)Var (˜
rmvp )+2(1−2a)Cov (˜
rp , r˜mvp ) = 0
∂a
Dado que este portafolio es de mı́nima varianza, entonces tiene
sentido invertir toda la riqueza en el portafolio “mvp”. Con
resultado “a” deberı́a ser igual a cero (a = 0).
Hamilton Galindo
Portafolio de Mı́nima Varianza (mvp) IV

Paso 4: Considerando a = 0:
rp ) − 2(1 − a)Var (˜
2aVar (˜ rmvp ) + 2(1 − 2a)Cov (˜
rp , r˜mvp ) = 0
−2Var (˜
rmvp ) + 2Cov (˜
rp , r˜mvp ) = 0
Cov (˜
rmvp )
Esto significa que la covarianza de cualquier portafolio con respecto

al “mvp” es igual a la varianza de “mvp”. Esto se debe a que
cuando se forma un portafolio que está en la frontera con “p” y
“mvp”, el inversionista prefiere invertir todo en el “mvp”.
Hamilton Galindo
Frontera eficiente e ineficiente I
1. Portafolio eficiente: son aquellos portafolios de frontera que tienen

E [˜
r ] estrictamente mayor al de “mvp”:
E [˜
r ] > A/C
2. Portafolio ineficiente: son aquellos portafolios de frontera que no

son ni eficientes ni “mvp”.
3. Relación entre portafolio eficiente e ineficiente: para cada
portafolio eficiente existe un portafolio ineficiente que tiene la misma
varianza pero menor valor esperado de la tasa de retorno.
Hamilton Galindo
Frontera eficiente e ineficiente II

Espacio Media-Des.Est.
𝑬[෤𝒓]
Hipérbola
1
2
mvp
Frontera
Eficiente
p 3
Para cada portafolio eficiente
existe uno ineficiente con la misma
𝑨/𝑪 varianza pero con menor E[r]
P’ 4
Frontera
Ineficiente
𝟏/𝑪 𝝈(෤𝒓)
Hamilton Galindo
Propiedades del Portafolio de Frontera I
Propiedad 1
Cualquier combinación lineal de los portafolios de frontera está en la
frontera.
Notar que antes hemos demostrado dos afirmaciones sobre la generación
de la frontera de portafolios:
I Puede ser generada por DOS portafolios de frontera especı́ficos:
w0 y w1
I Puede ser generada por CUALQUIER DOS portafolios de
frontera
I En ambos casos, la combinación de dichos dos portafolios es lineal.
I Notar que la propiedad 1 es más general que las dos previas: en
este caso NO está limitado a dos portafolios de frontera.
Hamilton Galindo
Propiedades del Portafolio de Frontera II

Definición (Combinación Lineal)
Sea x = {x1 , x2 , ...xm } una familia de vectores en V . Una Combinación
Lineal de x1 , ..., xm es un VECTOR de la forma:
m
X
y= αi xi
i=1
Donde α1 , α2 , ..., αm son escalares.
PRUEBA (propiedad 1):

Paso 1: Sea “m” portafolios de frontera: w1 , w2 , w3 , ..., wm
P
Paso 2: Sea αi para i = 1, 2, 3..., m un número real tal que i αi = 1. Notar
que estamos asumiento que αi es un número real, entonces puede
ser positivo o negativo.
Hamilton Galindo
Propiedades del Portafolio de Frontera III
1. Formamos un nuevo portafolio:

m
X
wn = α1 w1 + α2 w2 + ... + αm wm = αi wi
i=1
2. El retorno esperado de este portafolio es:

m
X
E [˜
rn ] = αi E [˜
ri ]
i=1
3. Dado que wi (i = 1, ..., m) son portafolios de frontera, entonces

cada uno de ellos puede ser expresado por:
wi = g + hE [˜
ri ]
Hamilton Galindo
Propiedades del Portafolio de Frontera IV
4. En el nuevo portafolio:
Hamilton Galindo
Propiedades del Portafolio de Frontera V
m
X
wn = αi wi
i=1
Xm
= αi (g + hE [˜
ri ])
i=1
Xm m
X
= αi g + αi hE [˜
ri ]
i=1 i=1
Xm Xm
= g αi +h αi E [˜
ri ]
i=1 i=1
| {z } | {z }
=1 =E [˜
rn ]
wn = g + hE [˜
rn ] (25)
Hamilton Galindo
Propiedades del Portafolio de Frontera VI
Esto indica que el portafolio nuevo wn (formado como combinación

lineal de “m” portafolios de frontera) también es un portafolio de
frontera.
Propiedad 2
Cualquier combinación convexa de portafolios eficientes es un portafolio
eficiente.
Hamilton Galindo
Propiedades del Portafolio de Frontera VII

Definición (Combinación Convexa)
Sea x = {x1 , x2 , ...xm } una familia de vectores en V . Una Combinación
Convexa de x1 , ..., xm es un VECTOR de la forma:
m
X
y= αi xi
i=1
con dos restricciones:

m
X
[1] αi = 1 y αi ∈ [0, 1]
i=1
PRUEBA:
Paso 1: asumamos que tenemos “m” portafolios eficientes: w1 , w2 , w3 , ..., wm
Hamilton Galindo
Propiedades del Portafolio de Frontera VIII

Paso2: una propiedad de los portafolios eficientes es:
A
rwi ] ≥
E [˜ ←− E [˜
rmvp ]
C
Paso 3: formamos un nuevo portafolio wn como una combinación convexa de
los “m” portafolios eficientes:
m
X
wn = α1 w1 + α2 w2 + ... + αm wm = αi wi
i=1
Pm
Con: αi ∈ [0, 1] y i=1 αi = 1.
Paso 4: El valor esperado de la tasa de retorno de este nuevo portafolio es:
m
X
E [˜
rwn ] = αi E [˜
rwi ]
i=1
Hamilton Galindo
Propiedades del Portafolio de Frontera IX
Paso 5: utilizando la propiedad de portafolios eficientes:
A
rwi ] ≥
E [˜
C
m m
X X A
αi E [˜
rwi ] ≥ αi
C
i=1 i=1
m
AX
E [˜
rwn ] ≥ αi
C
i=1
| {z }
=1
A
E [˜
rwn ] ≥ (26)
C
Hamilton Galindo
Propiedades del Portafolio de Frontera X
Esto significa que el nuevo portafolio formado por una combinación con-
vexa de portafolios eficientes es también un portafolio eficiente.
Propiedad 3
Para cualquier portafolio “p” en la frontera (excepto para “mvp”), existe
un único portafolio de frontera zc(p) el cual tiene cero covarianza con
“p”.
Cov (p, zc(p)) = 0
Hamilton Galindo
Propiedades del Portafolio de Frontera XI

Espacio Media-Des.Est.
𝑬[෤𝒓]
Hipérbola
¿ Dónde está este portafolio

𝑨/𝑪 mvp zc(p) que cumple:
Cov(p,zc(p)) = 0
?
𝟏/𝑪 𝝈(෤𝒓)
Hamilton Galindo
PRUEBA:
Portafolios fuera de la frontera

Pregunta 1
Pregunta 1:
Para cualquier portafolio “p” fuera de la frontera, ¿Cuál es el portafolio
de cero covarianza “q” y que a su vez es de mı́nima varianza?
Portafolio “p” en la Frontera Portafolio “p” FUERA de la Frontera

𝑬[෤𝒓] 𝑬[෤𝒓]
Esto analizamos anteriormene Esto analizaremos ahora
p p
¿ Dónde está este portafolio ¿ Dónde está este portafolio
𝑨/𝑪 mvp zc(p) que cumple:
𝑨/𝑪 mvp q que cumple:
Cov(p,zc(p)) = 0 Cov(p,q) = 0
? ?
𝟏/𝑪 𝝈(෤𝒓) 𝟏/𝑪 𝝈(෤𝒓)

Hamilton Galindo
Portafolios fuera de la frontera I

Pregunta 1: Solución
Pasos para encontrar wq :

Paso 1: Dado que “q” es un portafolio de mı́nima varianza, entonces este se
obtiene de la optimización del inversionista:
Hamilton Galindo
Portafolios fuera de la frontera II

Problema de optimización para encontrar wq

1
min wqt Vwq
{wq } 2
Sujeto a:
Cov (˜
rq , r˜p ) = wqt Vwp = 0
wqt 1 = 1
Notar que wq no pertenece a la frontera de portafolios a la que

pertenece “p” debido a que la optimización para obtener “q” es parecida
a “p” pero con una restricción distinta. Entonces “q” no pertenece a la
frontera que “p” pertenece!
Hamilton Galindo
Portafolios fuera de la frontera III

Paso 2: Lagrande y CPO:
1 t
L= w Vwq + λ1 (0 − wqt Vwp ) + λ2 (1 − wqt 1)
2 q
La CPO:
∂L
= wqt V − λ1 wpt V − λ2 1t = 0
∂wq
wqt V − λ1 wpt V − λ2 1t = 0
wqt V = λ1 wpt V + λ2 1t
wqt = λ1 wpt + λ2 1t V −1 (29)
Hamilton Galindo
Portafolios fuera de la frontera IV

Paso 3: Utilizando las restricciones: en la ecuación (29).

Usando la primera restricción:
wqt = λ1 wpt + λ2 1t V −1
restricción de la Cov()
wqt Vwp = λ1 wpt Vwp +λ2 1t V −1 Vwp = 0
| {z } | {z }
=σ 2 (˜
rp ) =1
λ1 σ 2 (˜
rp ) + λ2 = 0
λ2
λ1 = − 2
(30)
σ (˜
rp )
Hamilton Galindo
Portafolios fuera de la frontera V

Usando la segunda restricción:
restricción de la suma de pesos
t −1
wqt 1 = λ1 wpt 1 +λ2 1
| V{z 1} = 1
|{z}
=C
=1
λ1 + λ2 C = 1
λ2
− 2 + λ2 C = 1
σ (˜
rp )
1
λ2 (− 2 + C) = 1
σ (˜rp )
σ 2 (˜
rp )
λ2 = (31)
C σ 2 (˜
rp ) − 1
Hamilton Galindo
Portafolios fuera de la frontera VI

Entonces:
σ 2 (˜
rp )
λ2 C σ 2 (˜
r )−1 1
λ1 = − 2 =− 2 p =− 2 (32)
σ (˜
rp ) σ (˜ rp ) rp ) − 1
C σ (˜
Paso 5: Encontrando wq : dado que tenemos λ1 (ecuación 32) y λ2

(ecuación 31), se reeemplaza en (29):
1 σ 2 (˜
rp )
wqt = − wp
t
+ 1t V −1
rp ) − 1
C σ 2 (˜ rp ) − 1
C σ 2 (˜
1 rp ) 1t V −1
C σ 2 (˜
wqt = − wpt +
C σ 2 (˜
rp ) −1 2 rp ) − 1 | {z
C σ (˜ C }
=wmvp
wqt = λ1 wpt + C λ2 wmvp

t
(33)
Hamilton Galindo
Portafolios fuera de la frontera VII

wqt = λ1 wpt + C λ2 wmvp

t
(34)
Algunas conclusiones:
1. “q” es una combinación lineal del portafolio “p” y del “mvp”.
2. La formación de “q” es por medio de short selling “p” (signo
negativo del coeficiente de wp ) y compra del “mvp” (signo positivo
de wmvp ).
Hamilton Galindo
Portafolios fuera de la frontera VIII

3. ¿Cuál es la expresión para E [˜

rq ]?
E [˜
rq ] = wqt e
= (λ1 wpt + C λ2 wmvp
t
)e
= λ1 wpt e + C λ2 wmvp
t
e
E [˜
rq ] = λ1 E [˜
rp ] + C λ2 E [˜
rmvp ] (35)
Reemplazando λ1 , λ2 y E [˜
rmvp ] = A/C , se tiene:
rp ] − Aσ 2 (˜
E [˜ rp )
E [˜
rq ] = 2
1 − C σ (˜ rp )
Hamilton Galindo
Portafolios fuera de la frontera IX

4. Donde está “q”? Cerca a la frontera eficiente o ineficiente de “p”?
rp ] − Aσ 2 (˜
E [˜ rp )
E [˜
rq ] = 2
1 − C σ (˜ rp )
A A rp ] − Aσ 2 (˜
E [˜ rp )
E [˜
rq ] = − +
C C 1 − C σ 2 (˜rp )
CE [˜ rp ]
E [˜
rq ] = A/C − (36)
C (C σ 2 (˜
rp ) − 1)
| {z }
>0
Si “p” es un portafolio fuera de la frontera pero que tiene varianza y

expectativa de la tasa de retorno mayor que los correspondientes al
portafolio “mvp”, entonces E [˜rq ] < A/C . Dado que “q” es un
Hamilton Galindo
Portafolios fuera de la frontera X

portafolio de frontera, entonces este tiene que encontrarse cerca a la

frontera ineficiente de “p”.
5. Evaluemos el intercepto con el eje E [˜
r ] de la linea que une “p” y
“mvp”. Para ello primero calculemos la pendiente como la diferencia
de dos puntos (“p” y “mvp”):
∆E [˜ r] rp ] − E [˜
E [˜ rmvp ]
= 2
∆σ 2 (˜
r) σ (˜rp ) − σ 2 (˜
rmvp )
La misma pendiente se debe de mantener entre “mvp” y el
intercepto de la lı́nea con el eje E [˜
r ]:
E [˜rp ] − E [˜rmvp ] rmvp ] − X

E [˜
= 2
σ 2 (˜
rp ) − σ 2 (˜
rmvp ) σ (˜ rmvp ) − 0
Hamilton Galindo
Portafolios fuera de la frontera XI

rmvp ] = A/C y σ 2 (˜
Dado que: E [˜ rmvp ) = 1/C , entonces:
rp ] − Aσ 2 (˜
E [˜ rp )
X = 2
1 − C σ (˜ rp )
| {z }
por (36)=E [˜
rq ]
X = E [˜
rq ]
Esto significa que el intercepto de la linea que une el portafolio fuera
de frontera “p” y el “mvp” es igual a E [˜ rq ], que es el valor esperado
de la tasa de retorno del portafolio de frontera de cero-covarianza
con “p”.
Hamilton Galindo
Portafolios fuera de la frontera XII

6. Afirmación: la frontera de portafolios generada por dos activos o

portafolios con valores esperados de tasa de retorno distintos pasa
por esos dos activos o portafolios (demostrar!).
7. Dada la afirmación anterior podemos concluir que una frontera de
portafolios es generada por “p” y “mvp” y además dicha frontera
pasa por ambos portafolios. Entonces, “mvp” y “p” son ambos
portafolios frontera.
8. Además, por propiedad, la combinación lineal de dos portafolios
frontera también está en la frontera. Entonces dado que wq es una
combinación lineal de dichos portafolios, entonces “q” está en la
frontera de portafolios generada por “p” y “mvp”.
Hamilton Galindo
Portafolios fuera de la frontera XIII

Portafolio “p” FUERA de la Frontera Portafolio “p” FUERA de la Frontera

𝑬[෤𝒓] 𝑬[෤𝒓]
p p
¿ Dónde está este portafolio
𝑨/𝑪 mvp q que cumple: 𝑨/𝑪 mvp q
Cov(p,q) = 0
?
𝟏/𝑪 𝝈𝟐 (෤𝒓) 𝟏/𝑪 𝝈𝟐 (෤𝒓)
Hamilton Galindo
Portafolios fuera de la frontera

Pregunta 2
Pregunta 2:
¿Cuál es la relación entre un portafolio de frontera “p” y uno “q” que
está FUERA de la frontera?
Portafolio “p” en la Frontera
𝑬[෤𝒓]
y portafolio “q” fuera de la frontera
p
¿Cuál es la relacion
entre ambos
portafolios?
𝑨/𝑪 mvp q
𝟏/𝑪 𝝈𝟐 (෤𝒓)
Hamilton Galindo
Portafolios fuera de la frontera I

Pregunta 2
Paso 1: sabemos:
rp , r˜q ) = wpt Vwq
Cov (˜
Donde “p” es portafolio de frontera y “q” no.
Paso 2: dado que “p” es portafolio de frontera, entonces:
wp = g + hE [˜
rp ]
No podemos afirmar los mismo para “q”.

−1 −1 −1 −1
Recordemos: g = BV 1−AVD
e
y h = CV e−AV
D
1
Hamilton Galindo
Portafolios fuera de la frontera II

Pregunta 2
Paso 3: Juntando las dos ecuaciones previas:

rp , r˜q ) = wpt Vwq
Cov (˜ = rp ])t Vwq
(g + hE [˜
wpt Vwq = (g t + ht E [˜
rp ])Vwq
= g t Vwq + ht Vwq E [˜
rp ]
BV −1 1 − AV −1 e t CV −1 e − AV −1 1 t
= ( ) Vwq + ( ) Vwq E [˜
rp ]
D D
B − AE [˜ rq ] rq ] − A
CE [˜
Cov (˜
rp , r˜q ) = + E [˜
rp ]
D D
DCov (˜rp , r˜q ) AE [˜rp ] − B
E [˜
rq ] = + (37)
rp ] − A
CE [˜ CE [˜rp ] − A
La ecuación (37) indica una relación NO LINEAL entre E [˜rq ] y

E [˜
rp ]. Sin embargo, podemos explotar un poco más la información
Hamilton Galindo
Portafolios fuera de la frontera III

Pregunta 2
que tenemos sobre el portafolio de frontera “p”. En primer lugar,

veamos el primer término:
DCov (˜rp , r˜q ) rp , r˜q ) σ 2 (˜

Cov (˜ rp )
= D 2
rp ] − A
CE [˜ σ (˜rp ) CE [˜ rp ] − A
| {z }
βqp
σ 2 (˜
rp )
= Dβqp (38)
rp ] − A
CE [˜
Hamilton Galindo
Portafolios fuera de la frontera IV

Pregunta 2
Sabemos de (22):
σ 2 (˜
rp ) rp ] − A/C )2
(E [˜
− = 1
1/C D/C 2
rp ] − A/C )
(E [˜
C σ 2 (˜
rp ) = 1+ rp ] − A/C )(39)
(E [˜
D/C 2
Pero, de la ecuación (27):
A D/C 2
E [˜
rzc(p) ] = −
C rp ] − A/C
E [˜
Se tiene:
D/C 2
= A/C − E [˜
rzc(p) ]
rp ] − A/C
E [˜
Hamilton Galindo
Portafolios fuera de la frontera V

Pregunta 2
Entonces, aplicando esta expresión a la ecuación (39), se tiene:
rp ] − A/C )
(E [˜
C σ 2 (˜
rp ) = 1+ (E [˜rp ] − A/C )
D/C 2
1
C σ 2 (˜
rp ) = 1+ rp ] − A/C )
(E [˜
A/C − E [˜ rzc(p) ]
rp ] − E [˜
E [˜ rzc(p) ]
σ 2 (˜
rp ) =
A − CE [˜ rzc(p) ]
En la ecuación (38):
Hamilton Galindo
Portafolios fuera de la frontera VI

Pregunta 2
DCov (˜rp , r˜q ) σ 2 (˜

rp )
= Dβqp
rp ] − A
CE [˜ rp ] − A
CE [˜
E [˜
rp ]−E [˜
rzc(p) ]
DCov (˜rp , r˜q ) A−CE [˜ rzc(p) ]
= Dβqp (40)
rp ] − A
CE [˜ rp ] − A
CE [˜
Pero, otra vez, de la ecuación (27):
A D/C 2
E [˜
rzc(p) ] = −
C rp ] − A/C
E [˜
Tenemos:
D
= A − CE [˜
rzc(p) ]
rp ] − A
CE [˜
Hamilton Galindo
Portafolios fuera de la frontera VII

Pregunta 2
Entonces en la ecuación (40):
DCov (˜rp , r˜q )

rp ] − E [˜
= βqp E [˜ rzc(p) ]
rp ] − A
CE [˜
El segundo término:
rp ] − B
AE [˜
rp ] − A
CE [˜
si le sumamos A/C y le restamos A/C , queda igual a:
A D/C 2
−
C rp ] − A/C
E [˜
el cual es igual a E [˜
rzc(p) ].
Hamilton Galindo
Portafolios fuera de la frontera VIII

Pregunta 2
Por tanto, la relación NO LINEAL entre E [˜

rq ] y E [˜
rp ] -ecuación
(37)- se convierte en una relación LINEAL entre tres portafolios:
DCov (˜ rp , r˜q ) AE [˜ rp ] − B
E [˜
rq ] = + (41)
rp ] − A
CE [˜ CE [˜ rp ] − A
E [˜
rq ] = rp ] − E [˜
βqp (E [˜ rzc(p) ]) + E [˜
rzc(p) ] (42)
Hamilton Galindo
Portafolios fuera de la frontera IX

Pregunta 2
¿Cuál es la relación entre la tasa de retorno esperada de un

portafolio de frontera “p” y uno fuera de la frontera “q”?
E [˜ rp ] + (1 − βqp )E [˜
rq ] = βqp E [˜ rzc(p) ] (43)
Esto significa que E [˜
rq ] (rendimiento esperado de un portafolio fuera de
frontera ) es una combinación lineal del rendimiento esperado del
portafolio de frontera “p” y de su portafolio de covarianza cero “zc(p)”
con pesos βqp y 1 − βqp .
Hamilton Galindo
Portafolios fuera de la frontera X

Pregunta 2
1. Otra forma de expresar la relación (43) es considerando que la
propiedad de zc(p):
zc(zc(p)) = p
Entonces, aplicando esta propiedad en (43):
E [˜
rq ] rp ] + (1 − βqp )E [˜
= βqp E [˜ rzc(p) ]
E [˜
rq ] = rzc(p) ] + (1 − βqzc(p) )E [˜
βqzc(p) E [˜ rp ]
Al compararar con (43), se concluye:
βqzc(p) = 1 − βqp
Entonces, la ecuación (43) se puede escribir como:
Hamilton Galindo
Portafolios fuera de la frontera XI

Pregunta 2
E [˜
rq ] = βqp E [˜
rp ] + βqzc(p) E [˜
rzc(p) ] (44)
La cual es interesante porque los β’s representan la relación entre
“q” y el portafolio especı́fico. Por ejemplo, βqp es el ratio entre la
Cov entre q y p y la Var de p. De otro lado, βqzc(p) es el ratio entre
la Cov entre q y zc(p) y la Var de zc(p).
Hamilton Galindo
Relación entre las tres variables aleatorias: r˜q , r˜p y r˜zc(p) I
1. La relación (44) puede ser escrita sin expectativas de la siguiente

manera:
r˜q = β0 + β1 r˜p + β2 r˜zc(p) + ε̃q (45)

Donde:
Cov (˜
rp , r˜zc(p) ) = 0
Cov (˜
rq , ε̃q ) = 0
E (ε̃q ) = 0
- La primera restricción obedece a que por definición la Cov de “p”

con su portafolio de cero-cov es igual a cero.
- Los coeficientes β0 , β1 , β2 provienen de una regresión lineal
multivariada.
Hamilton Galindo
Relación entre las tres variables aleatorias: r˜q , r˜p y r˜zc(p) II
2. Aplicando expectativas sobre la ecuación (46):
E (˜
rq ) = β0 +β1 E (˜
rp ) + β2 E (˜
rzc(p) ) + E (ε̃q ) (46)
|{z} | {z }
=0 =0
Entonces: β0 tiene que ser igual a cero y...
β0 = 0
β1 = βqp
β2 = βqzc(p) = 1 − βqp
Hamilton Galindo
Relación entre las tres variables aleatorias: r˜q , r˜p y r˜zc(p) III
3. Conclusión: Dado lo anterior, siempre se puede escribir la relación

entre estas tres variables aleatorias (˜
rq , r˜p y r˜zc(p) ) de la siguiente
manera:
r˜q = βqp r˜p + (1 − βqp )˜

rzc(p) + ε̃q (47)
Donde:
Cov (˜
rp , r˜zc(p) ) = 0
Cov (˜
rq , ε̃q ) = 0
E (ε̃q ) = 0
Hamilton Galindo
Conclusiones I
1. El modelo media-varianza es un modelo de demanda de activos

riesgosos principalmente. Una versión extendida de este modelo
considera el activo libre de riesgo.
2. El modelo media-varianza no es un modelo general. Es avalado
cuando consideramos una función de utilidad cuadrática o cuando
consideramos una distribución normal multivariada de los retornos.
Cabe mencionar que la función de utilidad es no recomendable
debido a que genera ARA creciente (activo riesgoso es un bien
inferior) y supone saciabilidad. El problema con la distribución
normal es que no es acotada inferiormente, lo cual va en contra con
“limited liability”.
3. Dado estos problemas, entonces Por qué usamos este modelo en
finanzas? Porque es analı́ticamente tratable y sus conclusiones son
importantes empı́ricamente.
Hamilton Galindo
Conclusiones II
4. La frontera de portafolios es el conjunto de portafolios que tienen
mı́nima varianza para un nivel dado de tasa de rendimiento
esperado. Un portafolio que pertenece a la “frontera de portafolios”
es obtenido por medio de la optimización del inversionista (también
podemos llamar a este portafolio como “portafolio óptimo”).
5. El portafolio óptimo “p” (o wp ) es lineal en su valor esperado de la
tasa de rendimiento:
wp = g + hE [˜ rp ]
6. La frontera de portafolios puede ser generado por dos portafolios de
frontera especı́ficos: w0 y w1 . El primero tiene E [˜
r ] = 0 y el segundo
E [˜
r ] = 1.
7. Es más, la frontera de portafolios puede ser generada por
CUALQUIER dos portafolios de frontera que tienen valores
esperados de sus retornos distintos.
Hamilton Galindo
Conclusiones III
8. Existe un portafolio de mı́nima varianza “mvp” el cual tiene la
menor varianza de todos los portafolios posibles. Naturalmente este
ubicado en la frontera de portafolios. Para obtenerlo hay que derivar
la relación media-varianza (que proviene de la optimización) e
igualar a cero dicha derivada.
9. La principal propiedad del “mvp” es que la covarianza de cualquier
portafolio “p” (no necesariamente en la frontera) es igual a la
varianza de “mvp”:
Cov (˜
rmvp )
Esto se debe a que cuando se forma un portafolio que está en la

frontera con “p” y “mvp”, el inversionista prefiere invertir todo en el
“mvp”.
Hamilton Galindo

Lecture4 (AP)

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Lecture4 (AP)

Cargado por

Copyright:

Formatos disponibles

Especificación del modelo Solución del problema de elección del portafolio Análisis Conclusiones

Lecture 4: Teorı́a de la Elección del

Outline: Mean-Variance Model

Problema de elección de portafolio: Base Model

Problema de elección de portafolio: Base Model

En la clase 2 se definio el problema de elección del portafolio (base model):

sujeto a su riqueza final W̃ :

En esta economı́a existe multiples activos riesgosos y un activo libre de

Problema de elección de portafolio: Mean-Variance Model

Problema de elección de portafolio: Mean-Variance Model I

1. Es un modelo de la “Demanda de Activos” en una economı́a con

E (U) = A ∗ U(E (W̃ )) − B ∗ Var (W̃ )

Problema de elección de portafolio: Mean-Variance Model

Problema de elección de portafolio: Mean-Variance Model II

I Dado que la riqueza final W̃ es una función de la tasa de

Problema de elección de portafolio: Mean-Variance Model

Problema de elección de portafolio: Mean-Variance Model III

Qué es el modelo media-varianza?

Problema de elección de portafolio: Mean-Variance Model

Problema de elección de portafolio: Mean-Variance Model I

1. Economı́a sin fricciones.

Problema de elección de portafolio: Mean-Variance Model

Problema de elección de portafolio: Mean-Variance Model II

r˜i 6= α1 r˜1 + α2 r˜2 + α3 r˜3 + ...αn r˜n , ∀i

. Implicaciones de este supuesto:

Problema de elección de portafolio: Mean-Variance Model

Problema de elección de portafolio: Mean-Variance Model III

I V es simétrica debido a que Cov (˜ri , r˜j ) = Cov (˜rj , r˜i )

Del “Base Model” al “Mean-Variance Model”

Del “Base Model” al “Mean-Variance Model” I

1. El modelo media-varianza utiliza la expansión de Taylor de la

Donde: u (n) es la n-esima derivada de la función de utilidad.

Del “Base Model” al “Mean-Variance Model”

Del “Base Model” al “Mean-Variance Model” II

Del “Base Model” al “Mean-Variance Model”

Del “Base Model” al “Mean-Variance Model” I

1. Pesos wj : En este modelo donde toda la riqueza inicial se invierte

Cambiamos esta expresión por el “porcentaje invertido de W0 en el

Del “Base Model” al “Mean-Variance Model”

Del “Base Model” al “Mean-Variance Model” II

wj también se entiende como el peso del activo j en el portafolio.

Del “Base Model” al “Mean-Variance Model”

Del “Base Model” al “Mean-Variance Model” III

Del “Base Model” al “Mean-Variance Model”

Del “Base Model” al “Mean-Variance Model” IV

Donde: w t = [w1 , w2 , ..., wj , ..., wn ] y r˜t = [˜

Var (W̃ ) = E [W̃ − E (W̃ )]2 = E [W0 w t (˜ r ))]2

Var (W̃ ) = W02 w t

Del “Base Model” al “Mean-Variance Model”

Del “Base Model” al “Mean-Variance Model” V

4. Expectativa de la riqueza final: tomando expectativas a la

Del “Base Model” al “Mean-Variance Model”

Del “Base Model” al “Mean-Variance Model” VI

5. Dado que tenemos la expectativa de la riqueza final en función de la

Del “Base Model” al “Mean-Variance Model”

Del “Base Model” al “Mean-Variance Model” VII

6. Dado que la función de utilidad es cóncava, entonces u 00 () < 0.

Asimismo, podemos prescindir de los coeficientes porque no

Del “Base Model” al “Mean-Variance Model”

Del “Base Model” al “Mean-Variance Model” VIII

7. Finalmente, el problema de elección de portafolio quedarı́a:

Problema de elección de portafolio en el modelo de media-varianza

Del “Base Model” al “Mean-Variance Model”