Optimización de carteras
La teoría de carteras te dice que la frontera eficiente existe. La optimización de carteras es el sucio y propenso a errores trabajo de calcular de verdad los pesos — y sobrevivir al hecho de que tus datos de entrada son conjeturas.
De la teoría a los pesos — la mecánica de la optimización media-varianza, la matriz de covarianzas y su condicionamiento, por qué los optimizadores son "maximizadores de error", la inestabilidad de los pesos fuera de muestra, los estimadores de contracción (Ledoit–Wolf), las carteras de mínima varianza y de máximo Sharpe (tangencia), la paridad de riesgo y las restricciones reales con costes de transacción.
La teoría de carteras prometía una mezcla perfecta de activos en una frontera eficiente curva. Calcular de verdad esa mezcla a partir de datos reales es donde están enterrados los cadáveres: un optimizador perfecto sobre el papel produce carteras tan inestables que los profesionales pasaron décadas aprendiendo a desconfiar de su propia máquina. Este tema os enseña ambas mitades: cómo funciona el optimizador y por qué os traiciona.
Lo que aprenderéis a hacer:
- Mecánica media-varianza — plantear la minimización con restricciones sobre los rendimientos esperados μ y la matriz de covarianzas Σ, recorrer la intuición lagrangiana y hacer la aritmética de matrices pequeñas para dos y tres activos.
- Carteras de mínima varianza y de tangencia — calcular a mano la mezcla más tranquila (sin previsión de rendimientos) y el punto de máximo Sharpe que besa la línea del mercado de capitales.
- Maximización de error — ver por qué pequeños errores en las medias estimadas se apalancan en oscilaciones de pesos de +200 % a −150 %, convirtiendo al optimizador ingenuo en un “maximizador de error” que se desmorona fuera de muestra.
- Estimadores de contracción — usar Ledoit–Wolf para tirar de la covarianza muestral ruidosa hacia un objetivo estructurado y obtener pesos estables y mejor condicionados, más la contracción de las medias y la idea de combinar opiniones de Black–Litterman.
- Paridad de riesgo — igualar la contribución al riesgo de cada activo en vez de prever rendimientos, porque los dólares iguales no son ni de lejos riesgo igual.
- Restricciones reales — límites long-only y de caja, penalizaciones por rotación y costes de transacción que deciden si una estrategia es rentable sobre el papel o después de que el bróker se lleve su parte.
Al terminar sabréis cuándo confiar en un optimizador, cómo domarlo y por qué las mesas más afiladas prefieren una cartera robusta, contraída y consciente de los costes a la “óptima” de filo de navaja — el criterio de matemática más humildad que separa a un quant de una calculadora. Un examen final calificado cierra el círculo.
En este tema
- 1 De la frontera a los pesos Repaso de la teoría media-varianza, el problema de optimización en términos llanos, las dos entradas (rendimientos esperados μ y covarianza Σ), qué es siquiera una cartera de pesos y qué significa de verdad 'resolver para los pesos'. 11 min
- 2 La matriz de covarianzas Cómo se construyen las matrices de covarianzas y de correlaciones, por qué una matriz de covarianzas debe ser simétrica y semidefinida positiva, cómo su tamaño explota con el número de activos y qué significa el mal condicionamiento para el optimizador. 12 min
- 3 Mecánica media-varianza Resolver para los pesos: la cartera de mínima varianza, la cartera de máximo Sharpe (tangencia), el lagrangiano y las soluciones en forma cerrada que invocan la inversa de la matriz de covarianzas, y un ejemplo completo de dos y tres activos resuelto a mano. 13 min
- 4 Error de estimación e inestabilidad Por qué los optimizadores media-varianza son 'maximizadores de errores': cómo el error de estimación en μ y Σ se apalanca en oscilaciones salvajes de los pesos, por qué las carteras óptimas son inestables entre muestras, por qué la optimización ingenua pierde frente al peso igual fuera de muestra, y cuán sensible es el óptimo a los insumos. 12 min
- 5 Contracción y estimadores robustos Domar el error de estimación: el compromiso sesgo-varianza, la contracción de Ledoit–Wolf de la matriz de covarianzas hacia un objetivo estructurado, contraer el vector de rendimientos esperados, y la idea de Black–Litterman de mezclar rendimientos de equilibrio con opiniones del inversor. 13 min
- 6 Paridad de riesgo y restricciones Asignación basada en riesgo y fricciones del mundo real: la contribución al riesgo y la contribución igualada al riesgo (paridad de riesgo), por qué los euros iguales no son riesgo igual, las restricciones de solo largos y de caja, las penalizaciones de rotación, y cómo los costes de transacción remodelan la cartera óptima. 13 min
- 7 Optimización de carteras — Examen final El examen final con nota de Optimización de carteras: los pesos y los dos insumos, la matriz de covarianzas y el condicionamiento, las carteras de mínima varianza y máximo Sharpe, el error de estimación y la inestabilidad, la contracción de Ledoit–Wolf y Black–Litterman, la paridad de riesgo, las restricciones y los costes de transacción. 16 min
Marcar curso como terminado
¿Has acabado todas las lecciones? Déjalo fijado — tu progreso se guarda en este dispositivo.