Contenido Introducción Optimización Análisis de media-varianza de Markowitz Muestreo Black - Litterman Gestión de Portafolios Universidad de los Andes y Quantil Noviembre 10 de 2010 Optimización Universidad de los Andes y Quantil Contenido Introducción Optimización Análisis de media-varianza de Markowitz Muestreo Black - Litterman 1 Introducción 2 Optimización 3 Análisis de media-varianza de Markowitz 4 Muestreo 5 Black - Litterman Optimización Universidad de los Andes y Quantil Contenido Introducción Optimización Análisis de media-varianza de Markowitz Muestreo Black - Litterman Introducción Sea Lt (λ, Xt ) el proceso de pérdidas de un portafolio λ = (λ1 , ...λd ) de d instrumentos financieros y Xt ∈ R p un vector aleatorio de factores de riesgo. Recordemos que Lt+1 (λ, Xt+1 ) denota la pérdida entre t y t + 1 y λ es conocido en t. Optimización Universidad de los Andes y Quantil Introducción Sea Λ ⊂ R d el conjunto de portafolio admisibles. Por ejemplo: 1 Sea q = (q1 , ...qd ) el vector de precios en t de cada instrumento y V la riqueza disponible. Entonces d P Λ = λ ∈ R d : λ i qi = V . 2 Cuando no se permiten ventas descubiertas: Λ = λ ∈ R d : λi ≥ 0 . i=1 Introducción Sea β ∈ R un nivel de tolerancia (exposición máxima al riesgo). Denotemos por % una medida de riesgo cualquier. Es decir, dados Lt (λ, Xt ) y FXt+1 o FXt+1 pFt , la distribución no condicional o condicional de Xt , %(Lt+1 (λ, Xt+1 )) ∈ R es una medida del riesgo del portafolio λ. Por ejemplo % puede ser VaRt,α o ESt,α . Sea Rt (λ, Xt ) una función de beneficios para un inversionista (por ejemplo, el retorno de un portafolio con posiciones λ). Rt (λ, Xt ) denota los beneficios entre t − 1 y t. Contenido Introducción Optimización Análisis de media-varianza de Markowitz Muestreo Black - Litterman Optimización El problema general de optimización es: máxEt [Rt+1 (λ, Xt+1 )] λ∈Λ s.a %(L(λ, Xt+1 )) ≤ β Et es el valor esperado con respecto a FXt+1 pFt . Veamos como enmarcamos en este contexto la teorı́a de media-varianza de Markowitz. Optimización Universidad de los Andes y Quantil Contenido Introducción Optimización Análisis de media-varianza de Markowitz Muestreo Black - Litterman Optimización: Análisis de media-varianza de Markowitz Example (Análisis de media-varianza de Markovitz) Sea Rt (w , Xt ) el retorno de un portafolio de d instrumentos financieros, β = σ 2 la volatilidad máxima que el inversionista está dispuesto a tolerar, Xt ∼ N(µt+1 , Σt+1 ) y consideremos el problema de selección de óptima de portafolios: h i T máx Et w Xt+1 w ∈R d s.a w T Σt+1 w ≤ σ2 wT 1 = 1 Obsérvese que no hemos restringido las ventas descubiertas.. Optimización Universidad de los Andes y Quantil Optimización: Análisis de media-varianza de Markovitz Example Alternativamente el problema se puede plantear como un problema de minimización (problema dual): mı́n w T Σt+1 w w ∈R d s.a T w µt+1 ≥ µ wT 1 = 1 donde µ es el retorno esperado máximo que se puede alcanzar en el anterior problema. Optimización: Análisis de media-varianza de Markowitz La solución a este problemas es: w= BΣ−1 1 − AΣ−1 µ + µ(C Σ−1 µ − AΣ−1 1) D donde A = 1T Σ−1 µ, B = µT Σ−1 µ, C = 1T Σ−1 1 y D = BC − A2 y σ2 = B − 2µA + µ2 C D Optimización: Análisis de media-varianza de Markowitz Observaciones I: Para el modelo básico de correlación condicional, Riskmetrics, Varianza - Covarianza con: 1 2 Con distribuciones arbitrarias de z (no necesariamente normal). Medidas de riesgo basadas tales como VaR, ES, volatilidada. El problema de selección óptima de portafolios es equivalente al problema tradicional de Markowitz. Optimización: Análisis de media-varianza de Markowitz Observaciones II: Los portafolios óptimos son usualmente muy concentrados. La frontera y portafolio de eficiencia es muy sensible a la estimación del retorno esperado. Son modelos puramente estadı́sticos no incorporan las expectativas de los expertos. Soluciones: Muestreo (resampling ) y métodos Bayesianos. Contenido Introducción Optimización Análisis de media-varianza de Markowitz Muestreo Black - Litterman Muestreo Técnica debida a Michaud. Está patentada en los Estados Unidos para el caso lineal - cuadrático presentado en estas notas (análisis de Markowitz) El problema general es: máxEt [u(Rt+1 (λ, Xt+1 ))] λ∈Λ s.a %(L(λ, Xt+1 )) ≤ β Supongamos que esta distribución se puede parametrizar por un vector θ ∈ R k . Denotamos esta distribución de los factores de riesgo por F θ . Optimización Universidad de los Andes y Quantil Muestreo Para hacer explı́cito el problema del inversionista de los parámetros del modelo estadı́stico de los factores, reescribimos el problema como: θ máxEt [u(Rt+1 (λ, Xt+1 )) | θ] λ∈Λ s.a θ %(L(λ, Xt+1 )) ≤ β θ donde Xt+1 significa que las distribución de factores de riesgo depende los parámetros θ y el valor esperado se calcula utilizando la distribución de los factores que depende de los parámetros θ. Muestreo El algoritmo ahora es el siguiente: 1 2 Estime los parámetros θb0 de la distribución F θ utilizando cualquier metodologı́a estadı́stica apropiada. Esta estimación hace uso de una muestra x10 , ...., xn0 de los factores de riesgo. El superı́ndice “0” se refiere a que estos son los datos reales observados θb0 denota los parámetros estimados usando la muestra observada. Simule una muestra x11 , ...., xn1 utilizando la distribución F θ0 . Reestime los parámetros de F utilizando la muestra x11 , ...., xn1 . Denotamos estos parámetors por θb1 y por F θ1 la distribución estimada. Contenido Introducción Optimización Análisis de media-varianza de Markowitz Muestreo Black - Litterman Para cada simulación i = 0, 1, 2, ...el problema θi máxEt [u(Rt+1 (λ, Xt+1 )) | θi ] λ∈Λ s.a θi %(L(λ, Xt+1 )) ≤ β denotamos la solución por λi Definimos la solución óptima de Michaud λm al problema general de selección óptima de portafolios como: N λm = 1 X λi N +1 i=0 Optimización Universidad de los Andes y Quantil Análisis Bayesiano ¿Por qué el análisis Bayesiano? 1 En ocasiones se tiene disponible información inicial sobre los parámetros de una distribución. 2 El concepto de incertidumbre se identifica con el concepto de probabilidad.. 3 Permite condicionar a los datos. 4 Es una teorı́a exacta y no asintótica. 5 Está basada en la teorı́a de la decisión y en ese sentido es muy coherente. 6 Operacionalmente, siempre se sabe que hay que hacer. Análisis Bayesiano El análisis Bayesiano parte de una interpretación distinta del concepto de probabilidad. El teorema de Bayes es el pilar fundamental de la teorı́a: P(A p B) = P(B p A)P(A) P(B) Análisis Bayesiano: Marco general Espacio de parámetros y datos observados. 1 Un espacio de parámetros Θ que caracterizan la distribución de los datos obeservados. 2 Un conjunto de datos observados {x1 , ..., xn }. Análisis Bayesiano: Marco general Prior y verosimilitud (o distribución muestral): 1 Sea f (θ) la distribución inicial que representa nuestra incertidumbre sobre los parámetros de inetrés. Ésta se denomian la prior sobre los parámetros. 2 En la teorı́a Bayesian no existe un parámetro verdadero que determina la verdadera distribución de los datos. 3 f (x | θ) es la distribución condicional o verosimilitud, dado los datos, de la variable aleatoria de interés X . Análisis Bayesiano: Marco general Posterior: El objetivo final de la estadı́stica Bayesiana es calcular la posterior, f (θ p x). Ésta refleja cómo, una vez observados los datos, nuestro conocimiento o expectativa sobre los parámetros cambia. La regla de Bayes implica que: f (θ p x) = f (x p θ)f (θ) f (x) donde f (x) es la distribución marginal de la variable aleatoria X (o distribución marginal de los datos): f (x) = f (x p θ)f (θ)dθ Análisis Bayesiano: Estimador Definimos el estimador de Bayes: Z 2 b θB (x) = arg mı́n θ0 − θ f (θ0 p x)dθ0 . θ∈Θ En este caso existe una función L(θ0 , θ) = (θ0 − θ)2 que representa la perdida de escoger el parámetro θ0 cuando el parámetro es θ. La solución este problema es: Z b θB (x) = E [θ | x] = θ0 f (θ0 p x)dθ0 Análisis Bayesiano Considremos el problema general parametrizado por un vector θ∈Θ: θ máxEt [u(Rt+1 (λ, Xt+1 )) | θ] λ∈Λ s.a θ %(L(λ, Xt+1 )) ≤ β por simplicidad vamos a reescribir este problema como: θ máx Et [U(λ, Xt+1 )) | θ] λ∈Λθ Análisis Bayesiano La idea general es en vez de utilizar θb un estimador clásico para resolver este problema, se utiliza un estimador Bayesiano, θbB . La motivación es que el estimador Bayesiano, promedia sobre todos los parámetros que son consiententes con los datos observadosx. La solución propuesta anteriormente se denomina el equivalente clásico Bayesiano del problema de optimización: θbB máx Et [U(λ, Xt+1 )) | θbB ] λ∈Λθb B Análisis Bayesiano Sea fX la distribución estimada de los factores de riesgo. Sea V una variable aleatoria que refleja las expectativas que del mercado, los facotores de riesgo, tiene un experto. Estas expectativas pueden ser sólo sobre algunos factores de riesgo o combinación de ellos. Modelamos estas expectativas como la distribución de la variable aleatoria V | g (x) donde g mapea los factores de riesgo en la información que determina las expectativas del inversionista. El problema del inversionista es combinar su conocimiento objetivo del mercado con las expectativas del experto. Contenido Introducción Optimización Análisis de media-varianza de Markowitz Muestreo Black - Litterman Black - Litterman Usando la regla de Bayes: fX |v (x | v ) = R fV |g (x) (v | x)fX (x) fV |g (x) (v | x)fX (x)dx El problema de selección óptima de portafolio de Black - Litterman es: máx Et [U(λ, Xt+1 )) | v ] λ∈Λv Optimización Universidad de los Andes y Quantil Black - Litterman Supongamos que X ∼ N(µ, Σ), g (X ) = PX donde una P es 1 T matriz y V | Px ∼ N(Px, Ω), donde Ω = c − 1 PΣP , c un escalar positivo. Obsérvese que PΣP T significa que el experto evalua la incertidumbre de g (X ) utilizando la distribución estimada de los factores de riesgo. El factor c1 − 1 lo que hace es disminuirla o aumentarla proporcionalmente de forma subjetiva. Si c → 0 el experto no tiene mucha confianza en su expectativa. Black - Litterman Ahora supongamos que el experto tiene expectativas V = v . Este es el modelo de Black y Litterman original y se puede demostrar que: X | v ∼ N(µBL , ΣBL ) donde: µBL (v , Ω) = µ + ΣP T (PΣP T + Ω)−1 (v − Pµ) ΣBL = Σ − ΣP T (PΣP T + Ω)−1 PΣ. Obsérvese que en este caso particular ΣBL no depende de v .