El modelo de

Black-Litterman Aplicación a títulos

de renta fija.

El enfoque tradicional para la selección de un portafolio, conocido

como enfoque Media-Varianza (𝜇−𝜎), padece una serie de problemas
bien documentados en la literatura. El modelo de Black Litterman
constituye una respuesta a algunos de estos problemas. El curso
desarrolla este modelo y lo aplica al caso de un portafolio que incluye
títulos de renta fija (bonos), lo que presenta dificultades especiales a
la hora de traducir expectativas de tasas de interés en retornos
esperados. El curso también presenta un enfoque novedoso para la
selección del portafolio final del inversor.

Maestría en Finanzas edición 2019.

Dr. Ricardo SELVES
EL MODELO DE BLACK-LITTERMAN: Una aplicación a Títulos de Renta Fija

El modelo de Black-Litterman: Una aplicación a títulos de renta fija

Introducción
El enfoque tradicional para la selección de portafolio, conocido como enfoque Media-Varianza
(𝜇−𝜎), presenta una serie de problemas bien documentados en la literatura. Típicamente la
estimación de los parámetros (𝜇−𝜎) se hace de manera puntual, es decir, estimamos 𝜇 y 𝜎 por
máxima verosimilitud y los usamos luego como si estos fueran los "verdaderos" parámetros.

El enfoque bayesiano es atractivo para el problema de selección de un portafolio porque:

1. En primer lugar, permite usar información previa sobre las variables de interés.
2. En segundo lugar, incorpora el riesgo de estimación y la incertidumbre del modelo.
3. En tercer lugar, es fácil usar algoritmos numéricos para estimar magnitudes que serían muy
complejas de obtener de otra manera.

Hay tres componentes básicos que subyacen al análisis de portafolio bayesiano.

1. El primero es la formación de las "creencias anteriores o "priors", las que estarán

representadas por la función de densidad de probabilidad que caracteriza los parámetros
subyacentes a la evolución del retorno de los activos. Esta función de densidad "previa"
puede reflejar información sobre eventos, datos macroeconómicos, teorías de valuación de
activos, así como cualquier otra información relativa a la dinámica de los retornos de los
activos.
2. El segundo componente es la formulación de la "ley" (distribución de probabilidad) que rige
la evolución de estos rendimientos de los activos.
3. Por último, encontrar la distribución predictiva del futuro rendimiento de los activos – de
forma analítica o numérica - incorporando toda la información previa, las leyes que
controlan los retornos, la estimación del riesgo y la incertidumbre del modelo.

Esta distribución predictiva integra el espacio paramétrico, caracterizando toda la incertidumbre

sobre los rendimientos futuros de los activos. La "regla" Bayesiana de optimización del portafolio se
obtiene maximizando la utilidad esperada con respecto a esta distribución predictiva.

El problema del enfoque tradicional

Considere N + 1 activos de inversión, uno de los cuales es libre de riesgo y los otros riesgosos. Los
activos riesgosos pueden incluir acciones, bonos, divisas, fondos mutuos, fondos de cobertura, etc.
Llamemos 𝑟𝑓𝑡 al retorno del activo libre de riesgo, y 𝒓𝒕 = (𝑟1,𝑡 , 𝑟2,𝑡, , … , 𝑟𝑁,𝑡 ) el vector de retornos de
los activos riesgosos. Entonces, 𝑹𝑡 = 𝒓𝑡 − 𝑟𝑓𝑡 𝒊 es el vector de excesos de retorno sobre la tasa libre
de riesgo (donde 𝒊 es un vector de N unos).

La distribución conjunta de los excesos de retorno 𝑹𝑡 se asume 𝑖𝑖𝑑 con media 𝝁 y matriz de
𝝈𝟏𝟏 ⋯ 𝝈𝟏𝑵
covarianzas 𝚺 = ( ⋮ ⋱ ⋮ ).
𝝈𝑵𝟏 ⋯ 𝝈𝑵𝑵

1
EL MODELO DE BLACK-LITTERMAN: Una aplicación a Títulos de Renta Fija

A modo de repaso, revisemos el enfoque de Markowitz (1952). En particular, considere un inversor

que elige en el momento 𝒕 un portafolio (vector de pesos 𝝎) a fin de maximizar una función objetivo
cuadrática1:
𝛾 𝛾
𝑈(𝜔) = 𝐸(𝑅𝑝 ) − 𝑉𝑎𝑟(𝑅𝑝 ) = 𝝎′ 𝝁 − 𝝎′𝚺𝛚
2 2

Donde 𝛾 es una medida de la "aversión al riesgo" y 𝑅𝑝 ≡ 𝝎′ 𝑹𝑡+1 representa el retorno (futuro,

estocástico, en t+1) del portafolio.

Si 𝝁 y 𝚺 son conocidos, entonces el portafolio óptimo (de acuerdo a las condiciones de primer orden
del problema de optimización) está dado por:

1
𝝎∗ = 𝚺 −𝟏 𝝁
𝛾

Y la utilidad óptima correspondiente es

1 ′ −𝟏 𝜆2
𝑈(𝝎∗ ) = [ 𝝁 𝚺 𝝁] =
2𝛾 2𝛾

Donde 𝜆2 = 𝝁′ 𝚺 −𝟏 𝝁 es el Sharpe-ratio (ex-ante) al cuadrado del portafolio tangente de activos

riesgosos.

En la práctica, como 𝝁 y 𝚺 son esencialmente desconocidos, no es posible calcular 𝝎∗ de este modo.

Por lo tanto, el enfoque media-varianza debe aplicarse en dos pasos:

 En el primer paso, el vector de retornos esperados y la matriz de varianza-covarianzas se

calculan en base a los datos observados. Específicamente, dada una muestra de 𝑇
observaciones (de rendimientos de los activos), estimamos por máxima verosimilitud:
𝑇 𝑇
1 1
̂ = ∑(𝑹𝒕 − 𝝁
̂ = ∑ 𝑅𝑡 ; 𝚺
𝝁 ̂ )(𝑹𝒕 − 𝝁
̂ )′
𝑇 𝑇
𝑡=1 𝑡=1

1
Las funciones de utilidad cuadráticas son de la forma 𝑎 + 𝑏𝑋 + 𝑐𝑋 2 .

2
EL MODELO DE BLACK-LITTERMAN: Una aplicación a Títulos de Renta Fija

 En el segundo paso, esos estimadores se tratan como si fueran los "verdaderos"

parámetros, y se substituyen en la fórmula:

1 −𝟏
̂ 𝑀𝑉 = 𝚺
𝝎 ̂ 𝝁̂
𝛾

Este procedimiento en dos etapas trae consigo un problema de incertidumbre en los

parámetros ya que son los parámetros estimados, no los verdaderos, que se utilizan para
calcular los pesos óptimos del portafolio. En consecuencia, la utilidad asociada a este portafolio
(𝑈(𝝎̂ 𝑀𝑉 )) puede ser sustancialmente diferente de la "verdadera" utilidad (𝑈(𝜔∗ )).

En particular, si llamamos 𝜽 al vector de parámetros desconocidos {𝝁, 𝚺}, matemáticamente el

procedimiento en dos etapas está maximizando la utilidad esperada condicional en que los
parámetros estimados 𝛉 ̂ sean iguales a los verdaderos (𝜽), es decir 𝑚𝑎𝑥(𝑈(𝜔)|𝜽 = 𝜽
̂ ), con lo
𝜔
cual se está ignorando el problema del riesgo de estimación.

La estructura Bayesiana2
El riesgo de estimación está en el centro del enfoque Bayesiano, que trata a los parámetros como
variables aleatorias. El enfoque Bayesiano trata a 𝜽 como un vector estocástico: Sólo podemos
inferir su función de distribución de probabilidad.

̃(𝜔)𝑝(𝑅𝑇+1|𝚽𝑇 ) 𝑑𝑅𝑇+1 =
̂ 𝐵𝑎𝑦𝑒𝑠 = 𝑀𝑎𝑥𝜔 ∫ 𝑈
𝜔
𝑅𝑇+1

̃(𝜔)𝑝(𝑅𝑇+1, 𝜇, Σ|𝚽𝑇 )𝑑𝜇 𝑑Σ 𝑑𝑅𝑇+1

∫ ∫∫𝑈
𝑅𝑇+1 𝜇 Σ

Donde 𝑈 ̃(𝜔) es la utilidad que se obtiene por mantener un portafolio 𝝎 en (𝑇 + 1) y 𝚽𝑇 representa

la información (datos) disponibles en 𝑇. 𝑝(𝑅𝑇+1 |𝚽𝑇 ) representa la densidad predictiva de los
retornos en (𝑇 + 1), donde:

𝑝(𝑅𝑇+1, 𝜇, Σ|𝚽𝑇 ) = 𝑝(𝑅𝑇+1| 𝜇, Σ, 𝚽𝑇 )𝑝( 𝜇, Σ|𝚽𝑇 )

𝑝( 𝜇, Σ|𝚽𝑇 ) es la densidad posterior de 𝜇 y Σ.

La estimación Bayesiana no necesita largas series de datos, ya que no se basa en resultados

asintóticos (a diferencia de la estimación por máxima verosimilitud).

Los métodos bayesianos brindan un marco coherente para incorporar al modelo las opiniones de
analistas (traders, gestores de cartera, etc.). Los resultados del modelo combinan el contenido
informativo de los datos observados, con la información subjetiva incorporada (un ejemplo
destacado es precisamente el modelo de Black-Litterman de selección de portafolio).

En el enfoque clásico la utilidad esperada se optimiza bajo la distribución condicional, en tanto el

portafolio Bayesiano óptimo se obtiene maximizando la utilidad esperada bajo la distribución

2
Introducción algo técnica al enfoque Bayesiano presentada como referencia. No se preocupe por las
fórmulas.

3
EL MODELO DE BLACK-LITTERMAN: Una aplicación a Títulos de Renta Fija

predictiva. A diferencia de la distribución condicional, la distribución predictiva bayesiana tiene en

cuenta los errores de estimación al considerar el espacio paramétrico como desconocido. El grado
de incertidumbre acerca de los parámetros jugará un papel importante en la solución óptima, como
veremos más adelante.

El Modelo de Black-Litterman
El portafolio óptimo de Markowitz, 𝝎 ̂ 𝑀𝑉 normalmente involucra posiciones extremas (tanto largas
como cortas) si no se le agregan restricciones al proceso de optimización, en cuyo caso pueden
aparecer varias posiciones en cero (cuando las ventas cortas "short sales" no están permitidas).

Black y Litterman (1992) proporcionan una solución novedosa a este problema. Asumen que el
inversor comienza con una visión inicial del mercado, para luego adaptarla con sus propios puntos
de vista por medio del enfoque Bayesiano. Por ejemplo, si los puntos de vista de mercado se basan
en el CAPM, el portafolio inicial es el portafolio de mercado. Entonces, si el inversor tiene opiniones
idénticas al mercado (es decir, no tiene opiniones), la cartera de mercado será la mejor elección.

Sin embargo, ¿qué sucede si el inversor tiene diferentes opiniones que las implícitas en el portafolio
de mercado? Black y Litterman (1992) proponen un método para actualizar las opiniones del
mercado con los puntos de vista de los inversores.

Vamos a formalizar el modelo de Black-Litterman.

Una reformulación del problema de portafolio

En cualquier momento del tiempo existe un portafolio de "mercado". Ese portafolio refleja las
opiniones del mercado respecto al portafolio óptimo. Bajo ciertas hipótesis (por ejemplo que el
CAPM es una buena representación del mundo), podemos determinar el vector de excesos de
retorno esperados (𝝅) consistente con la forma en que el mercado está posicionado.
1
Simplemente invertimos la solución del portafolio óptimo, 𝝎∗ = 𝛾 𝚺 −𝟏 𝝁, para despejar el "𝝁"
consistente con ese portafolio de mercado, al que denominamos "𝝅":

𝝅 = 𝛾𝚺𝝎𝑴

donde 𝝎𝑴 representa los pesos de los activos en el (índice que representa al) mercado y 𝛾 es el
coeficiente que representa nuestra aversión al riesgo.

El parámetro 𝝁 como magnitud estocástica.

Suponga que el verdadero exceso de retorno de los activos se distribuye normal, con media 𝝅:

𝝁=𝝅+𝝑

Donde 𝝑 representa el desvío (estocástico) de 𝝁 con respecto a 𝝅:

𝝑~𝑁(𝟎, τ𝚺)

Una forma de interpretar el escalar "τ" que multiplica a 𝚺, es que es un indicador del grado de
confianza respecto a qué tan cerca está 𝛍 del vector de equilibrio de mercado 𝛑: cuanto más
pequeño es τ, más seguros estamos de que 𝛑 está cerca de 𝛍.

4
EL MODELO DE BLACK-LITTERMAN: Una aplicación a Títulos de Renta Fija

𝝁~𝑁(𝝅, τ𝚺)

En ausencia de opiniones sobre los rendimientos futuros de los activos (y en el caso especial 𝜏 = 0)
el portafolio óptimo debe ser igual al de mercado.

Black-Litterman
Black y Litterman (1992) derivan a método de optimización de portafolio que permite incorporar las
opiniones de los inversores sobre el rendimiento de los activos de manera consistente.

Suponga que el universo de inversión está compuesto por 5 activos {A, B, C, D, E}, y un inversor
piensa que el activo {C} generará un exceso de retorno del 2% en el próximo período.

El inversor llegó a esa conclusión luego de un detallado análisis, pero de todos modos no está
totalmente seguro. Podemos expresar esa opinión entonces como una “observación ruidosa”:

𝜇3 = 2% + 𝜀

donde 𝜀 representa su incertidumbre respecto a su opinión.

Lo anterior puede escribirse como:

0 × 𝜇1 + 0 × 𝜇2 + 1 × 𝜇3 + 0 × 𝜇4 + 0 × 𝜇5 = 2% + 𝜀

O, de manera vectorial:

𝑃𝜇 = 𝑄 + 𝜀

𝜇1
𝜇2
donde 𝑃 = (0, 0, 1, 0, 0), 𝜇 = 𝜇3 , 𝑄 = 2%
𝜇4
(𝜇5 )

En general, si el inversor tiene 𝐾 opiniones sobre un universo de inversión de 𝑁 activos, estas se

pueden representar por la ecuación vectorial:

𝑷𝝁 = 𝑸 + 𝜺, 𝜺~𝑁(𝟎, 𝛀)

donde 𝑷 es una matriz de 𝐾 × 𝑁, que agrupa las 𝐾 opiniones, 𝑸 es un vector de 𝐾 × 1, con el

resultado esperado de cada "opinión", 𝜺 es un vector de residuos con media 0, y 𝛀 es la matriz de
Covarianzas de dichos residuos.

Las opiniones pueden formarse en base a noticias, eventos de mercado, análisis estadísticos o
diversos estudios sobre la economía y los activos elegibles. La matriz de covarianza 𝛀 mide el grado
de confianza del inversor en sus propias opiniones.

Cada "opinión" puede verse como un “portafolio” de activos. Por ejemplo, suponga que, sobre el
universo compuesto de 5 activos, el inversor tiene 2 opiniones:

1. "El activo 2 rendirá lo mismo que el activo 4"

2. "El exceso de retorno del activo 3 será del 2%"

5
EL MODELO DE BLACK-LITTERMAN: Una aplicación a Títulos de Renta Fija

𝜇2 − 𝜇4 = 𝜀1

𝜇3 = 2% + 𝜀2

Definiendo la matriz 𝑷 𝑑𝑒 2 × 5

0 1 0 −1 0
𝑷=( )
0 0 1 00

y las matrices 𝑸 𝑦 𝜺 𝑑𝑒 2 × 1,

0 𝜀1
𝑸 = ( ) , 𝜺 = (𝜖 )
2% 2

Al multiplicar 𝑃 × 𝜇 e igualarlo a 𝑄 + 𝜀 obtenemos:

𝑷𝝁 = 𝑸 + 𝜺

𝜇1
𝜇2 𝜀1
0 1 0 −1 0 𝜇 0
( ) 3 = ( ) + (𝜖 )
0 0 1 00 𝜇 2% 2
4
(𝜇5 )

BL aplican la regla de actualización bayesiana a la distribución asociada al equilibrio de mercado,

𝝁~𝑁(𝝅, τ𝚺), y a las opiniones de los inversores 𝑷𝝁~𝑁(𝑸, 𝛀), y así obtienen los parámetros
actualizados:

𝜇𝐵𝐿 = [(𝜏Σ)−1 + 𝑃′ Ω−1 𝑃]−1 [(𝜏Σ)−1 𝝅 + 𝑃′ Ω−1 𝑸]

Σ𝐵𝐿 = [(𝜏Σ)−1 + 𝑃′ Ω−1 𝑃]−1

La distribución predictiva de los retornos será a su vez Normal, con media 𝜇𝑃𝑟𝑒𝑑 = 𝜇𝐵𝐿 y

varianza Σ𝑃𝑟𝑒𝑑 = Σ + Σ 𝐵𝐿 :

𝑹𝑷𝒓𝒆𝒅 ~𝑵(𝝁𝑷𝒓𝒆𝒅 , 𝚺 𝑷𝒓𝒆𝒅 )

El problema de optimizar el portafolio ahora se resuelve sustituyendo 𝚺 por 𝚺 𝑷𝒓𝒆𝒅 y 𝝁 por 𝝁𝑷𝒓𝒆𝒅 .

Note que el retorno esperado de BL, (𝝁𝑩𝑳 ), es un promedio ponderado del rendimiento de
equilibrio de mercado (𝝅) y de las opiniones del inversor respecto a los retornos.

Intuitivamente, cuanto menor la confianza del inversor en sus opiniones, más cerca 𝝁𝑩𝑳 estará del
valor de equilibrio 𝝅, y más cerca estará el portafolio de Black-Litterman del de mercado.

Por lo tanto, el modelo de BL toma el portafolio de mercado y lo "desvía" de acuerdo con la fuerza
de las opiniones de los inversores. Como el portafolio de partida es el de mercado, que es un punto
de partida razonable sin posiciones extremas, cualquier desvío adecuadamente controlado también
producirá un portafolio sin posiciones extremas. Esta es una de las principales razones que hacen al
modelo Black-Litterman tan popular en la práctica.

6
EL MODELO DE BLACK-LITTERMAN: Una aplicación a Títulos de Renta Fija

Note también que las opiniones sobre un activo en particular afectarán toda la estructura de
rendimientos esperados, a través de la estructura de correlaciones (𝚺 𝑩𝑳 ).

Ejemplo
Suponga un inversor con un horizonte de inversión de 1 año y con un universo de activos de
inversión constituido por Acciones, Bonos y Productos Básicos (Commodities).

Los pesos de cada activo en el portafolio de mercado se presentan en la tabla siguiente:

Activos wM
Acciones 30%
Bonos 60%
Comodities 10%
Total 100%

La estructura de correlación, volatilidades y matriz de varianza-covarianza se muestra a

continuación:

Correlacion Acciones Bonos Comodities

Acciones 100% -50% 50%
Bonos -50% 100% 30%
Comodities 50% 30% 100%

Volatilidad 20% 10% 40%

V-Cov Acciones Bonos Comodities

Acciones 4.0% -1.0% 4.0%
Bonos -1.0% 1.0% 1.2%
Comodities 4.0% 1.2% 16.0%

Nota: Para pasar de la tabla de correlaciones a la de varianzas y covarianzas, se multiplica cada

correlación por los respectivos desvíos estándar. Por ejemplo la covarianza entre acciones y bonos
de -1.0% se obtiene multiplicando la correlación entre ellos (-50%) por el desvío estándar de las
acciones (20%) y por el desvío estándar de los bonos (10%).

Suponga que el coeficiente de aversión al riesgo es 𝜸 = 𝟓, entonces, de acuerdo a la fórmula

𝝅 = 𝛾𝚺𝝎𝑴

Tenemos:

4.0% −1.0% 4.0% 30% 5.0%

𝜋 = 5 × (−1.0% 1.0% 1.2% ) (60%) = ( 2.1% )
4.0% 1.2% 16.0% 10% 17.6%

Hemos así calculado el vector de excesos de retorno3 implícito del mercado, bajo la hipótesis que el
CAPM lo describe adecuadamente.

3
El vector de "excesos de retorno" sobre la tasa libre de riesgo, o "premios" de los activos riegosos.

7
EL MODELO DE BLACK-LITTERMAN: Una aplicación a Títulos de Renta Fija

p
5.0%
2.1%
17.6%

Otra forma de interpretar 𝝅 es que los retornos esperados por el conjunto de los actores del
mercado debe ser 𝝅 para que el mercado esté invertido de la manera que lo está: 𝝎𝑴

Supongamos ahora un inversor que tiene las siguientes opiniones ("views"):

1. Las acciones rendirán un 1% más que los bonos. Observe que de acuerdo al rendimiento
implícito de mercado deberían rendir 2.9% más que los bonos (5.0% − 2.1% = 2.9%).
2. El exceso de retorno o premio de los bonos será 3.5%.

Podemos expresar esas expectativas como 𝑷𝝁 = 𝑸 + 𝜺

𝜇1
1 −1 0 𝜇 1% 𝜀1
( ) ( 2) = ( ) + (𝜀 )
0 1 0 𝜇 3.5% 2
3

De donde

1 −1 0 1%
𝑃=( ) 𝑦 𝑄=( )
0 1 0 3.5%

A su vez Omega, la matriz que caracteriza el riesgo asociado a nuestras opiniones, la suponemos
diagonal (es decir, las opiniones son independientes unas de otras).

En la diagonal pondremos las varianzas de las opiniones en cuestión, que obtenemos de V-Cov de los
activos:

Primero obtenemos la varianza de 𝑃𝜇

𝑉(𝑃𝜇) = 𝑃𝑉(𝜇)𝑃′ =

4.0% −1.0% 4.0% 1 0

1 −1 0 7% −2%
( ) × (−1.0% 1.0% 1.2% ) × (−1 1) = ( )
0 1 0 −2% 1%
4.0% 1.2% 16.0% 0 0
(Observe que no incluimos 𝜏 en la varianza de 𝜇, solamente consideramos Σ)

Y construimos Ω con los elementos de la diagonal:

7% 0
Ω=( )
0 1%

Por ultimo suponga que τ = 0.50, es decir, la incertidumbre de los excesos de retorno esperados es
la mitad de la de los excesos de retorno: Si la 𝑉𝑎𝑟(𝑅) = Σ, entonces la 𝑉𝑎𝑟(𝜇) = Σ⁄2.

Tenemos ahora todo lo necesario para estimar la densidad posterior, la predictiva, y por último,
optimizar el portafolio. Empecemos con los retornos combinados (mercado y opiniones):

𝜇𝐵𝐿 = [(𝜏Σ)−1 + 𝑃′ Ω−1 𝑃]−1 [(𝜏Σ)−1 𝝅 + 𝑃′ Ω−1 𝑸]

8
EL MODELO DE BLACK-LITTERMAN: Una aplicación a Títulos de Renta Fija

La tabla siguiente compara los dos vectores de retornos esperados: El implícito y el posterior.

p mBL
5.0% 4.3%
2.1% 2.6%
17.6% 18.0%

La varianza posterior (o de Black-Litterman) es:

VCV_BL Acciones Bonos Comodities

Acciones 1.4% -0.2% 1.8%
Bonos -0.2% 0.3% 0.5%
Comodities 1.8% 0.5% 7.4%

Y la varianza predictiva:

VCV_Pred Acciones Bonos Comodities

Acciones 5.4% -1.2% 5.8%
Bonos -1.2% 1.3% 1.7%
Comodities 5.8% 1.7% 23.4%

Resolviendo el problema de optimización del portafolio:

𝛾
max 𝜔′𝜇 − 𝜔′Σ𝜔
0≤𝑥≤1 2

𝑠. 𝑎. 𝜔′ 𝒊 = 1

llegamos a:

Activos p mBL wM wBL

Acciones 5.0% 4.3% 30% 29%
Bonos 2.1% 2.6% 60% 68%
Comodities 17.6% 18.0% 10% 4%
Total 100% 100%

Observe el cambio en el portafolio óptimo: El peso de los bonos aumenta y el de las acciones cae, tal
como era de esperar, pero también cambia el peso de los commodities, algo que no es evidente a
priori, pero que resulta como consecuencia de las correlaciones existentes. Esta es una de las
virtudes del modelo de BL, que brinda resultados consistentes de manera global.

Selección del portafolio óptimo.

Con la ayuda del modelo de BL hemos encontrado el portafolio óptimo de activos riesgosos, que
refleja la mezcla de expectativas de mercado y opiniones del inversor. Ese portafolio óptimo, al
combinarse con la tasa libre de riesgo, forma la línea de mercado de capitales - CML. Nuestro
portafolio óptimo de activos riesgosos es el que maximiza la pendiente de la CML, es decir, el que
𝜇−𝑟𝑓
maximiza el ratio de Sharpe: 𝑆𝑅 = 𝜎

9
EL MODELO DE BLACK-LITTERMAN: Una aplicación a Títulos de Renta Fija

Portafolio Sharpe
8%

7%

6%
Retorno Esperado

5%

4%

3% Portafolio
2% Sharpe
1%

0%
0% 2% 4% 6% 8% 10% 12% 14%
Riesgo (volatilidad)

Fr. Efic.

Ahora debemos elegir un único portafolio, a lo largo de la CML, que se adecue a nuestras
preferencias. Para ello necesitamos alguna medida que refleje nuestra tolerancia al riesgo: VaR.

𝑃(𝑟𝑃 < 𝑉𝑎𝑅) = 𝛼

Bajo nuestras hipótesis de distribución de los retornos, el retorno del portafolio se distribuye
𝑁(𝜇𝑃 , 𝜎𝑃 ), entonces:

𝑟𝑃 − 𝜇𝑃 𝑉𝑎𝑅 − 𝜇𝑃 𝑉𝑎𝑅 − 𝜇𝑃
𝑃(𝑟𝑃 < 𝑉𝑎𝑅) = 𝑃 ( < ) = Φ( )=𝛼
𝜎𝑃 𝜎𝑃 𝜎𝑃

Donde Φ(𝑧) representa la distribución normal estándar. De allí obtenemos:

𝑉𝑎𝑅 − 𝜇𝑃
( ) = Φ−1 (𝛼)
𝜎𝑃

Por último despejamos el VaR:

𝑉𝑎𝑅 = Φ−1 (𝛼) × 𝜎𝑃 + 𝜇𝑃

Que no es otra cosa que la ecuación de una recta en el plano (𝜇𝑃 , 𝜎𝑃 ). El punto de corte de la línea
VaR con la CML indica el portafolio óptimo o estratégico, es decir, indica la proporción óptima del
activo libre de riesgo y el portafolio de activos riesgosos. Ver gráfico.

10
EL MODELO DE BLACK-LITTERMAN: Una aplicación a Títulos de Renta Fija

Portafolio Estratégico
08%

Línea VaR
07%

Portafolio
06%
Estratégico
m+r05%
f
Retorno Esperado

04%

03%
Portafolio
Sharpe
02%

01%

00%
0% 2% 4% 6% 8% 10% 12% 14%
VaR s Riesgo (volatilidad)

Fr. Efic.

Una nota sobre el retorno esperado de los Bonos: Cálculo del retorno a
partir de escenarios de yield.
En lo que sigue discutimos el caso especial de los bonos. Típicamente los inversores tienen opiniones
respecto a cuál será el yield futuro de un bono, pero les es más difícil estimar cual será el retorno
futuro. Pero necesitamos retornos esperados, no yields, para optimizar el portafolio.

Suponga que al momento 0 tenemos cierta curva de rendimientos 𝑦10 , 𝑦20 , … , 𝑦𝑇0 .

El precio en el momento 0, de un bono par a 𝑇 años (cupón = rendimiento), que paga cupones con
una periodicidad anual, puede expresarse como:
𝑇 1 1
𝐵0 = 1 = 𝑐 ∑ 0 + =
𝑡=1 (1 + 𝑦𝑇 )
𝑡 (1 + 𝑦𝑇0 )𝑇
1
1−
(1 + 𝑦𝑇0 )𝑇 1
= 𝑦𝑇0 [ 0 ]+
𝑦𝑇 (1 + 𝑦𝑇0 )𝑇

(donde en la segunda línea utilizamos la fórmula de la progresión geométrica, y además sustituimos

el cupón 𝑐 por el yield 𝑦𝑇0 , ya que en un bono par, 𝑦𝑇0 = 𝑐).
1 1
Definiendo 𝑥 = (1+𝑦) podemos substituir 𝑇 por 𝑥0𝑇 , y sustituyendo, en la expresión anterior,
(1+𝑦𝑇0)
el precio del bono puede expresarse como:

1 − 𝑥0𝑇
𝐵0 = 1 = 𝑦𝑇0 [ 0 ] + 𝑥0𝑇
𝑦𝑇

11
EL MODELO DE BLACK-LITTERMAN: Una aplicación a Títulos de Renta Fija

Imagine que queremos estimar el retorno del bono sobre un período 𝑃, dada cierta estructura
esperada de rendimientos (yields) para el final del período: 𝑦1𝑃 , 𝑦2𝑃 , … , 𝑦𝑇𝑃

Al final del periodo de previsión al bono le restarán (𝑇 − 𝑃) años para vencer y el rendimiento del
bono se habrá movido desde 𝑦𝑇0 𝑎 𝑦𝑇−𝑃 𝑃 𝑃
, donde 𝑦𝑇−𝑃 representa el rendimiento al final del periodo
de previsión (𝑃), para un bono al que ahora le restan (𝑇 − 𝑃) años para vencer (ver gráfico).

Yields
2.0%

1.5%
Rendimiento (Yield to Maturity)

1.0%

0.5%

0.0%
. . . . T-P . T . . Vto

Si simplemente mantenemos el bono durante el período P4, su precio (dirty=total) en ese

momento 𝐵𝑃 será:
𝑇 1 1
𝐵𝑃 = 𝑦𝑇0 ∑ 𝑃 )𝑡−𝑃 + 𝑃 )𝑇−𝑃
𝑡=1 (1 + 𝑦𝑇−𝑃 (1 + 𝑦𝑇−𝑃

Podemos trabajar esta expresión de modo que nos sea más útil posteriormente. Usando 𝑥, re-
escribimos 𝐵𝑃 como:

𝑇 1 − 𝑥𝑃𝑇
𝐵𝑃 = 𝑦𝑇0 ∑ 𝑥𝑃𝑡−𝑃+ 𝑥𝑃𝑇−𝑃
= 𝑥𝑃−𝑃 [𝑦𝑇0 (
𝑃 ) + 𝑥𝑃𝑇 ]
𝑡=1 𝑦𝑇−𝑃
1 − 𝑥𝑃𝑇 1 − 𝑥𝑃𝑇
= 𝑥𝑃 {(𝑦𝑇 − 𝑦𝑇−𝑃 ( 𝑃 ) + [𝑦𝑇−𝑃 ( 𝑃 ) + 𝑥𝑃𝑇 ]}
−𝑃 0 𝑃 ) 𝑃
𝑦𝑇−𝑃 𝑦𝑇−𝑃
𝑇
𝑃 )𝑃 𝑃
1 − 𝑥𝑃
= (1 + 𝑦𝑇−𝑃 [1 − (𝑦𝑇−𝑃 − 𝑦𝑇0 ) ( 𝑃 )]
𝑦𝑇−𝑃

𝑃 1−𝑥 𝑇
De la primera línea a la segunda pasamos sumando y restando 𝑦𝑇−𝑃 ( 𝑦𝑃 𝑃 ) dentro del paréntesis
𝑇−𝑃

recto. De ese modo logramos escribir la línea 3. Note también que escribimos 𝑥𝑃−𝑃 como (1 +
𝑃 )𝑃
𝑦𝑇−𝑃

4
Estamos suponiendo que P ≤ 1 año y por tanto no ha habido pago de cupones.

12
EL MODELO DE BLACK-LITTERMAN: Una aplicación a Títulos de Renta Fija

La última línea muestra la doble fuente de retorno para los bonos5: el rendimiento o yield durante el
𝑃 )𝑃
período 𝑃, representado por (1 + 𝑦𝑇−𝑃 , y las ganancias/pérdidas de capital asociadas a los
𝑃 1−𝑥 𝑇
cambios en la curva de rendimientos: [1 − (𝑦𝑇−𝑃 − 𝑦𝑇0 ) ( 𝑦𝑃 𝑃 )].
𝑇−𝑃

Aplicación al caso de un portafolio de bonos

En el caso de un portafolio de bonos típicamente se desea mantener la estructura de vencimientos
relativamente estable, lo que en nuestro ejemplo del bono al que le restan 𝑇 años para vencer
equivale a una estrategia de vender el bono cuando pasaron ∆𝑡 unidades de tiempo (∆𝑡 pequeño),
es decir, cuando al bono le restan 𝑇 − ∆𝑡 años para vencer, y usar el producido de la venta para
comprar un nuevo bono par, al que le resten 𝑇 años para vencer.

Para analizar el impacto de esta estrategia en el retorno del bono, dividimos el periodo de previsión
𝑷
𝑃 en 𝑁 sub-periodos de longitud ∆𝑡, i.e. ∆𝒕 = años. Por ejemplo, si P = 0.5 años y escogemos
𝑵
0.5 0.5
N = 180, entonces ∆t = 180
= 0.00278 años (1 día). Si en cambio escogemos N = 26, ∆t = 26
=
0.0192 años (1 semana).

Definimos también el cambio efectivo anualizado6 del rendimiento del bono en el período 𝑃 como
∆𝑦 (este es el cambio relevante para calcular el retorno de esta estrategia de compras y ventas).

𝒚𝑭𝒊𝒏𝒂𝒍 − 𝒚𝑰𝒏𝒊𝒄𝒊𝒂𝒍
∆𝒚 =
𝑷

Vamos a suponer que el rendimiento se mueve uniformemente desde el inicio hasta el final del
período, es decir, en cualquier sub-periodo ∆t el rendimiento se mueve por:

(𝑦 𝐹𝑖𝑛𝑎𝑙 − 𝑦 𝐼𝑛𝑖𝑐𝑖𝑎𝑙 ) (𝑦 𝐹𝑖𝑛𝑎𝑙 − 𝑦 𝐼𝑛𝑖𝑐𝑖𝑎𝑙 ) 𝑃

𝜹𝒚 = = = ∆𝒚 × ∆𝒕
𝑁 𝑃 𝑁

Ponemos ahora el mundo en movimiento y 3 cosas ocurren:

(1) El tiempo avanza de 𝑡 a 𝑡 + ∆𝑡

(2) Al bono le restan ahora (𝑇 − ∆t) años para vencer, y

∆𝑡
(3) el rendimiento se mueve desde 𝑦0 ≡ 𝑦𝑇0 a 𝑦1 ≡ 𝑦𝑇−∆𝑡 = 𝑦𝑇0 + 𝛿𝑦7

Al bono ahora le restan 𝑇 − ∆𝑡 años para vencer. El precio (dirty=total) del bono en ese
momento ∆𝑡 es (de acuerdo a la fórmula desarrollada precedentemente):

5
Note que, dado que el precio del bono al inicio del período era 1 (𝐵0 = 1), 𝐵𝑃 representa además del precio
en 𝑃, el retorno en el período. Es decir, 𝐵𝑃 = (1 + 𝑟)𝑃 .

6
Es decir, es el cambio en el rendimiento del bono en el período, dividido por la longitud del período.
7 ∆𝑡
𝑦0 ≡ 𝑦𝑇0 es el rendimiento original del bono al que le restaban 𝑇 años, 𝑦1 ≡ 𝑦𝑇−∆𝑡 = 𝑦𝑇0 + 𝛿𝑦 es el
rendimiento del bono cuando le restan 𝑇 − ∆𝑡 años para vencer.

13
EL MODELO DE BLACK-LITTERMAN: Una aplicación a Títulos de Renta Fija

1 − 𝑥1𝑇
𝑃1 = (1 + 𝑦1 )∆𝑡 [1 − 𝛿𝑦 ( )]
𝑦1

Como el precio del bono en el instante previo era igual a 1, 𝑃1 también representa el retorno (bruto)
del período ∆𝑡: 𝑃1 = (1 + 𝑟1 )∆𝑡 .

1 − 𝑥1𝑇
(1 + 𝑟1 )∆𝑡 = (1 + 𝑦1 )∆𝑡 [1 − 𝛿𝑦 ( )]
𝑦1

Ahora vendemos el bono al cual le quedan 𝑇 − ∆𝑡 años para vencer, al precio 𝑃1 , y compramos 𝑃1
unidades de un nuevo bono par (precio=1) con vencimiento en T años.

Repetimos ese procedimiento N veces, por lo que el retorno al final del período 𝑃 será:
𝑁 𝑁
1 − 𝑥𝑛𝑇
∏(1 + 𝑟𝑛 )∆𝑡 = ∏(1 + 𝑦𝑛 )∆𝑡 [1 − 𝛿𝑦 ( )]
𝑦𝑛
𝑛=1 𝑛=1

𝒚𝟎𝑻 +𝒚𝑷
𝑻 𝟏
Definiendo 𝒚𝑻 ≡ ( 𝟐
) (el yield promedio del bono a 𝑇 años durante el período 𝑃) y 𝒙𝑻 ≡ (𝟏+𝒚 ),
𝑻

el retorno total sobre el horizonte de inversión puede aproximarse por:

𝑁 𝑁
𝑃
1 − 𝑥𝑇𝑇
(1 + 𝑟) = ∏(1 + 𝑟𝑛 )∆𝑡 ≅ ∏(1 + 𝑦𝑇 )∆𝑡 {1 − 𝛿𝑦 ( )}
𝑦𝑇
𝑛=1 𝑛=1
𝑁
1 − 𝑥𝑇𝑇
= (1 + 𝑦𝑇 )𝑁×∆𝑡 {1 − 𝛿𝑦 ( )}
𝑦𝑇

Cuanto mayor sea N, ceteris paribus, más pequeño será el intervalo ∆t. En el límite podemos hacer
esto de manera continua, i.e. en cada instante vendemos la posición y compramos los nuevos bonos
a la par. Cuando 𝑁 = (𝑃/∆𝑡) → ∞, ∆𝑡 → 0 y 𝑁∆𝑡 = 𝑃, entonces:

𝒙𝑻 −𝟏
( 𝑻𝒚 ) ∆𝒚× 𝑷
𝑷
(𝟏 + 𝒓) ≅ (𝟏 + 𝒚𝑻 )𝑷 ×𝒆 𝑻

Si el período es 1 año (𝑃 = 1), tenemos:

𝑥 𝑇 −1
( 𝑇𝑦 )
∆𝑦
(1 + 𝑟) ≅ (1 + 𝑦𝑇 ) × 𝑒 𝑇

Es decir, el retorno total es una combinación del yield promedio en el periodo (𝑦𝑇 ), y de las
𝑇
𝑥 −1
( 𝑇
𝑦
) ∆𝑦
ganancias/pérdidas de capital del período [𝑒 𝑇
].

𝑇
𝑥𝑇 −1
Note que la expresión ( ) < 0, por lo que toda vez que los rendimientos suban en el período de
𝑦𝑇
𝑇
𝑥 −1
( 𝑇
𝑦
) ∆𝑦
inversión (∆𝑦 > 0), tendremos que 𝑒 𝑇
será menor que 1, y por lo tanto el retorno total del
bono será menor al yield del período.

Esta fórmula se aplica a cada bono del portafolio para cada escenario (𝑆)

14
EL MODELO DE BLACK-LITTERMAN: Una aplicación a Títulos de Renta Fija

𝑆 𝑆 𝑆
𝑦 𝑆 = (𝑦3𝑀𝑜 , 𝑦1𝑦 , … 𝑦10𝑦 )

y obtenemos así el conjunto de retornos esperados por escenario:

𝑆 𝑆 𝑆
𝑟 𝑆 = (𝑟3𝑀𝑜 , 𝑟1𝑦 , … 𝑟10𝑦 )

Apéndice
Nota sobre ∆𝒚 y 𝒚
𝑦 𝐹𝑖𝑛𝑎𝑙 −𝑦 𝐼𝑛𝑖𝑐𝑖𝑎𝑙
∆𝒚 fue definido como ∆𝑦 = 𝑃

Intuitivamente uno tendería a pensar que 𝑦 𝐼𝑛𝑖𝑐𝑖𝑎𝑙 = 𝑦𝑇0 y que 𝑦 𝐹𝑖𝑛𝑎𝑙 = 𝑦𝑇−𝑃
𝑃
.

Dependiendo de la forma de la curva de rendimientos sin embargo:

𝑃 0
(𝑦𝑇−𝑃 ⁄2 − 𝑦𝑇+𝑃⁄2 )
∆𝑦 =
𝑃

puede producir una mejor aproximación al cambio de rendimiento relevante para una estrategia de
transacción como la descrita anteriormente. Ver gráfico:

Yields
2.00%

1.50%
-

1.00%
-

0.50%

0.00%
. . . . T-P T-P/2 T T+P/2 . .

Y_Imicial Y_Final

𝒚𝟎𝑻 +𝒚𝑷
𝑻
En cuanto al rendimiento promedio del período, 𝒚, fue definido como 𝒚𝑻 ≡ ( 𝟐
), es decir, el
promedio se hizo sobre la línea vertical (azul) continua. Sin embargo, si observamos la fórmula, los
𝑛
yields que aparecen son 𝑦𝑛 ≡ 𝑦𝑇−𝑃 ⁄𝑁 , es decir, deberíamos calcular 𝒚 sobre la línea vertical
punteada. Pero en la medida que N sea suficientemente grande (como es el caso que usamos para
derivar la fórmula, donde 𝑁 ⟶ ∞), entonces 𝑃⁄𝑁 → 0 y el promedio 𝑦𝑇−𝑃⁄𝑁 → 𝑦𝑇 .

15
EL MODELO DE BLACK-LITTERMAN: Una aplicación a Títulos de Renta Fija

Yields
4.00%

3.50%

3.00%

2.50%

2.00%

1.50%

1.00%

0.50%

0.00%
. . . . . T-Dt T . . .

Y_Imicial Y_Final Y_Intermedio

16
EL MODELO DE BLACK-LITTERMAN: Una aplicación a Títulos de Renta Fija

Certainty equivalent
What is the certain amount that one would be willing to accept so that it is indifferent between
playing the game for free or receiving this certain sum? This certain amount is called the certainty
equivalent of the game.

• Let 𝑈(𝑥) be the utility of the player, which measures the sense of satisfaction for a given wealth
level x. Based on the expected utility criterion, the certainty equivalent c is given by

𝑈(𝑐) = 𝐸[𝑈(𝑋)]

where X is the random wealth at the end of the game. Certainty equivalent of the game of St.
Peterburg paradox under log utility

so that c = 2 is the certainty equivalent.

17