Teoría Clásica de Optimización de Carteras Los inversores deben elegir estrategias de inversión y de consumo óptimas. Dado capital inicial, deben componer cartera para maximizar su utilidad esperada. El objeto de la teoría de carteras es dar respuesta a este tipo de problemas. El origen de esta teoría es la aproximación mediavarianza de H. Markowitz (1952), también conocida como Teoría Clásica de Optimización de Carteras (TCOC). Esta aportación le valió el Nobel en 1990. TCOC: Formulación El inversor dispone de n activos, cuyos respectivos retornos (Ri) son variables aleatorias: µ i = E[ Ri ] σ i , j = Cov[ Ri , R j ] El rendimiento de la cartera puede escribirse como n R = ∑ wi Ri 1 donde wi es el peso en la cartera del activo i El rendimiento esperado de la cartera y su desviación típica serán: n E[ R] = ∑ wi µ i 1 n σ [ R] = ∑ wi w jσ i , j i , j =1 TCOC: Objetivos La TCOC busca carteras que verifiquen: (problema dual) Dada una cota superior para la varianza del rendimiento de nuestra cartera, queremos una cartera factible que maximice el retorno esperado. Max n ∑w µ i s.t. i n ∑w w σ i i , j =1 1 j i, j ≤σ Dada una cota inferior para el rendimiento esperado de nuestra cartera, queremos una cartera factible que minimice la varianza de dicho rendimiento. n Min ∑w w σ i , j =1 i j n i, j s.t. ∑w µ i 1 i ≥µ TCOC: La Frontera Eficiente Es relativamente fácil diseñar una hoja de cálculo que permita construir la frontera eficiente: conjunto de carteras para las cuales se maximizan los rendimientos correspondientes a un nivel de riesgo dado. TCOC: Limitaciones A pesar del reconocimiento académico obtenido, escaso impacto en tareas de diseño y construcción de carteras Los gestores de activos tienden a pensar en términos de pesos relativos dentro de una cartera, y no en predecir vectores de retorno y volatilidad esperados para cada uno de los activos de su universo de elección Los resultados que se obtienen son poco intuitivos y demasiado sensibles a factores arbitrariamente fijados (vector de retornos esperados y, en menor medida, matriz de covarianzas) Modelo de Black – Litterman (B – L) Objetivo: construcción de carteras eficientes estables (poco sensibles a inputs) e intuitivas (reflejan la visión de mercado del gestor) Aproximación bayesiana al problema: Equilibrio de Mercado Visión de Mercado Retornos Implícitos Nuevo Vector de Pesos Vector Retornos Ex Post B – L: Formulación Teórica n activos, con capitalizaciones Mi i=1,...,n R = (R1,...,Rn) es el vector de excesos de retornos. Suponemos que R ≈ N [ E ( R), Σ] Punto de partida: Exceso de Retorno Implícitos de Equilibrio ( Π ) Max ω ' µ − λω ' Σω 1 2 ω = (λΣ )−1 µ donde wi = peso de activo i en benchmark Π = λΣω B – L: Formulación Teórica (2) ¿Por qué los llamamos Exceso de Retorno Implícitos de Equilibrio? CAPM: Precios de activos se ajustan hasta que sus retornos esperados son tales que (si todos los inversores tienen la misma visión de mercado), demanda = oferta Así, la distribución de retornos implícita en el equilibrio (Distribución de Equilibrio) es la siguiente: N ≈ ( Π , τΣ ) donde τ es una constante. B – L: Formulación Teórica (3) E[R] es inobservable. Suponemos que se distribuye normalmente, y que distribución de probabilidad es proporcional al producto de dos normales: Distribución de Equilibrio Distribución de Visión de Mercado Visión de Mercado: Creencias sobre combinaciones lineales de elementos de E[R] La visión de mercado se expresa como PE[R] = Q + ε P (kxn) identifica a activos implicados en cada visón Q (kx1) es el vector de visiones ε ≈ N (0, Ω) B – L: Formulación Teórica (4) Así, la distribución de retornos según la visión de mercado es la siguiente: N ≈ (Q, Ω) Puede probarse que E[R] se distribuye normalmente con media igual a [ E[ R ] = (τΣ ) + P ' Ω P −1 −1 ] [(τΣ) −1 y matriz de covarianzas igual a [ ( Var[ R] = (τΣ ) + P' Ω P −1 −1 )] −1 −1 Π + P ' Ω −1 P ] B - L: Conclusiones Pesos óptimos: desviaciones de los pesos de mercado en las direcciones de activos sobre los que se expresan visiones En ausencia de visiones de mercado que difieran de las reflejadas en Π , un inversor debería invertir en las proporciones dictadas por la cartera de mercado. Consistente con la gestión pasiva: la cartera es igual al "benchmark"con pesos proporcionales a la capitalización de mercado en ausencia de visión de mercado B – L modificado B – L ofrece resultados demasiado sensibles a la confianza en las visiones de mercado Por ello, se ha desarrollado una versión modificada del mismo Ingredientes: Los pesos de mercado se modifican según visiones de mercado Æ Pesos modificados Matriz de Covarianzas dinámica: En base a datos históricos mensuales (mínimo: 10 años) BackField Test : Simulación hacia atrás con “decay” Se reestima cada 2 meses B – L modificado (2) Se calcula el vector de excesos de retorno de equilibrio implícito: Π = λΣω Interpretación: NO retornos esperados, SINO umbrales de rentabilidad mínima exigida a los activos Si Π > retorno esperado, demasiado peso asignado Si Π< retorno esperado, insuficiente peso asignado Fine-tuning de modelo es imprescindible Ajuste de los pesos asignados hasta que retornos implícitos de equilibrio consistentes con expectativas. B – L modificado: Consideraciones prácticas Problema: Ausencia de track-record mínimo Solución: Back-Testing con decay Consideraciones prácticas: Es imprescindible fine-tuning Los retornos de activos alternativos deben ser reescalados: sesgos de selección, liquidez, y crecimiento de mercado B – L modificado: Conclusiones Menos metódico que B- L, pero mayor robustez (no depende de la confianza en las creencias) Otra herramienta más en el proceso de asignación de activos Bibliografía Markowitz, “Portfolio Selection”, Journal of Finance, March 1952 Black y Litterman “Global Portfolio Optimization”, Financial Analysts Journal, September-October 1992. Perold y Sharpe “Dynamic Strategies for Asset Allocation” , t Allocation” , Financial Analysts Journal, Jan.-Feb. 1988. cation model: three years of practical experience”, Goldman Sachs, ee years of practical experience”, Goldman Sachs, June 1998 Thomas Idzorek “A step-by-step guide to the Black-Litterman k-Litterman model”, unpublished working paper February 2003 He y Litterman, “The Intuition behind Black-Litterman model k-Litterman model portfolios”, Goldman Sachs, December 1999 Integración de la asignación óptima de activos en el proceso de gestión El método de asignación de activos debe integrarse en el proceso de gestión. Esto implica integrar tanto la información como la capacidad de decisión. Cómo se comparan: Markowitz (media-varianza) Black-Litterman Black-Litterman simplificado