Contracción y estimadores robustos

Hemos diagnosticado la enfermedad — los optimizadores ingenuos maximizan el error de estimación y producen carteras inestables que pierden fuera de muestra. Ahora la cura. La idea central es casi paradójica: puedes obtener una mejor estimación haciéndola deliberadamente menos precisa sobre los datos de la muestra. La contracción tira de tus estimaciones muestrales ruidosas hacia un objetivo simple y estructurado, aceptando un poco de sesgo a cambio de un recorte masivo de varianza. Aplicada a la matriz de covarianzas, la contracción de Ledoit–Wolf es una de las herramientas prácticas más importantes de las finanzas cuantitativas; aplicada a los rendimientos esperados, la contracción (y su sofisticado primo Black–Litterman) desactiva el insumo más peligroso del optimizador. Esta lección convierte el frágil optimizador de la lección 4 en uno robusto con el que de verdad puedes operar.

El compromiso sesgo-varianza

Analogía. Supón que estás adivinando el peso exacto de un amigo. La “estimación muestral” es ponerlo una vez en una báscula temblorosa y mal calibrada — insesgada en promedio, pero cualquier lectura individual podría estar tremendamente equivocada (alta varianza). El “objetivo” es simplemente adivinar el promedio poblacional para su estatura — sesgado (ignora sus particularidades) pero firme como una roca. La contracción es repartir la diferencia: confía un poco en la báscula, ancla un poco al promedio. La mezcla bate a cualquiera de los extremos.

Definición. El error de estimación total (error cuadrático medio) se descompone como $\text{ECM} = \text{sesgo}^2 + \text{varianza}.$ La covarianza muestral $S$ es insesgada ($\text{sesgo} = 0$) pero tiene una varianza enorme cuando los parámetros superan a los datos. Un objetivo estructurado $F$ (p. ej. “todos los activos comparten una correlación media”) tiene baja varianza pero sesgo no nulo. El estimador de contracción es una mezcla convexa: $\hat\Sigma = \delta F + (1 - \delta) S,$ donde $\delta \in [0, 1]$ es la intensidad de contracción. Hay un $\delta^*$ óptimo que minimiza el ECM total — y, crucialmente, Ledoit–Wolf derivan una fórmula para él para que no tengas que adivinar.

Ejemplo resuelto. Dos estimaciones de la varianza de un activo: la muestra dice $0\,090$, pero sospechas que está sobreajustada; el objetivo (varianza media entre activos) es $0\,040$. Con contracción $\delta = 0\,4$: $\hat\sigma^2 = 0\,4(0\,040) + 0\,6(0\,090) = 0\,016 + 0\,054 = 0\,070.$ La estimación contraída $0\,070$ se tira a medio camino desde el ruidoso $0\,090$ hacia el estable $0\,040$. Haz esto a cada entrada y toda la matriz se vuelve más suave, mejor condicionada y mucho menos propensa a producir pesos extremos.

Contracción de Ledoit–Wolf de la matriz de covarianzas

El método. Ledoit y Wolf (2003, 2004) hicieron práctica la contracción para matrices de covarianzas al (1) elegir un objetivo sensato y (2) derivar la intensidad de contracción óptima $\delta^*$ analíticamente a partir de los datos — sin validación cruzada, sin adivinar.

Los objetivos. Opciones comunes, en estructura creciente:

• Objetivo de correlación constante: mantén la varianza muestral de cada activo, pero reemplaza cada correlación por pares por la correlación muestral media. Enormemente estabilizador para carteras de renta variable.
• Objetivo de índice único (modelo de mercado): supón que los rendimientos siguen un modelo de un factor (mercado), así que las covarianzas vienen de la beta de cada activo al mercado más la varianza idiosincrásica.
• Identidad escalada: contrae hacia una matriz diagonal con la varianza media — la más agresiva, usada cuando los datos son extremadamente escasos.

La intensidad óptima. La fórmula de Ledoit–Wolf fija $\delta^*$ más alta cuando la matriz muestral es más ruidosa (pocas observaciones, muchos activos) y más baja cuando tienes datos abundantes. Intuitivamente: cuanto menos puedas fiarte de la muestra, más fuerte contraes hacia la estructura. En el límite de datos infinitos, $\delta^* \to 0$ (usa la muestra); con parámetros cerca del tamaño de muestra, $\delta^*$ se acerca a 1.

Ejemplo resuelto. Tienes $N = 100$ activos y $T = 120$ observaciones mensuales — apenas más puntos de datos que activos, así que la covarianza muestral es peligrosamente ruidosa y probablemente casi singular. Ledoit–Wolf podría elegir $\delta^* \approx 0\,5$, mezclando la muestra ruidosa al 50/50 con un objetivo de correlación constante. El resultado: una matriz bien condicionada e invertible cuyo número de condición es dramáticamente menor que el de la muestra, así que los pesos del optimizador dejan de explotar. Empíricamente esto solo a menudo convierte un perdedor fuera de muestra en un ganador.

Contraer las medias — el insumo más importante

Recuerda que los errores en μ son ~10× más dañinos que los errores de covarianza, así que domar μ es el arreglo de mayor valor de todos. Se aplica la misma lógica de contracción.

La intuición de James–Stein. Al estimar varias medias a la vez, las medias muestrales son inadmisibles — siempre puedes batirlas contrayendo hacia un valor común (la media global). Para los rendimientos, contrae la media muestral ruidosa de cada activo hacia el rendimiento medio transversal: $\hat\mu_i = \delta\,\bar\mu + (1 - \delta)\,\hat\mu_i^{\text{muestral}}.$ Esto tira de las estimaciones estrafalarias del tipo “este activo rindió un 40 % el año pasado” que el optimizador perseguiría de otro modo, y estabiliza dramáticamente los pesos.

La opción nuclear. Muchos profesionales van más allá y contraen μ hasta el final hacia una a priori neutral — rendimientos de equilibrio, o incluso una suposición plana de “todos los activos tienen el mismo Sharpe” — ejecutando efectivamente algo cercano a la mínima varianza o la paridad de riesgo. Como μ es tan difícil de estimar, la postura honesta a menudo es “no tengo casi ninguna opinión fiable”, y contraer con fuerza hacia la neutralidad codifica esa humildad.

Ejemplo resuelto. Tres activos con medias muestrales ruidosas de $(15\%, 6\%, -3\%)$ y una media global del $6\%$. Con $\delta = 0\,6$ (contraer con fuerza, porque las medias anuales son muy ruidosas): $\hat\mu = 0\,6(6\%) + 0\,4(15\%,\,6\%,\,-3\%) = (3\,6\% + 6\%,\ 3\,6\% + 2\,4\%,\ 3\,6\% - 1\,2\%) = (9\,6\%,\ 6\%,\ 2\,4\%).$ La dispersión se desploma de $18$ puntos $(15$ a $-3)$ a $7\,2$ puntos $(9\,6$ a $2\,4)$ — el optimizador ahora ve una clasificación mucho más suave y creíble, y no tomará una apuesta extrema sobre el activo del “15 %” que fue en su mayoría suerte.

Black–Litterman: mezclar la visión del mercado con la tuya

El problema que resuelve. La contracción pura hacia una media global es burda — trata todos los activos simétricamente. Black–Litterman (1992) ofrece una forma fundamentada de partir de una a priori neutral sensata y luego inclinarla por tus opiniones específicas, con la inclinación dimensionada por cuán confiado estás.

Los dos ingredientes.

1. Rendimientos de equilibrio (implícitos del mercado). En vez de estimar μ del historial, deduce por ingeniería inversa los rendimientos esperados que harían óptimos los pesos actuales por capitalización. Esta es la a priori “el mercado tiene más o menos razón” — un ancla mucho más estable que las ruidosas medias muestrales.
2. Opiniones del inversor. Expresas opiniones como “la tecnología superará a las utilities por un 3 %” junto con una confianza. Black–Litterman mezcla estas opiniones en la a priori de equilibrio mediante actualización bayesiana: las opiniones confiadas mueven μ mucho, las tentativas apenas la rozan.

Por qué es robusto. La μ de salida está anclada al equilibrio y solo se aparta de él donde tienes una opinión genuina y ponderada por confianza. Alimentada al optimizador, produce inclinaciones moderadas e intuitivas lejos de los pesos de mercado — nunca las trastornadas posiciones del 900 %/−890 % de la optimización ingenua. Es contracción con cabeza: el objetivo es la cartera de mercado, y tus opiniones son las desviaciones (cuidadosamente dimensionadas).

La intuición en una línea. Parte de lo que el mercado implica, luego muévete solo tan lejos como tu convicción justifique. Ese único principio disuelve la mayor parte del problema del error de estimación para los rendimientos esperados.

Atándolo todo

El error de estimación se vence con la contracción: sesgar deliberadamente una estimación ruidosa hacia un objetivo estructurado para recortar su varianza, reduciendo el ECM total (sesgo² + varianza). Para la matriz de covarianzas, Ledoit–Wolf mezcla la muestra ruidosa $S$ con un objetivo $F$ (correlación constante, índice único o identidad escalada) a una intensidad analíticamente óptima $\delta^*$ — más alta cuando los datos escasean — produciendo una matriz bien condicionada e invertible que impide que los pesos del optimizador exploten. Como los errores en μ dominan, contraer las medias (hacia la media global, à la James–Stein, o hasta el final hacia una a priori neutral) es el arreglo de mayor palanca de todos. Black–Litterman lo hace con elegancia: anclar a los rendimientos de equilibrio implícitos del mercado, luego inclinar por opiniones ponderadas por confianza, produciendo carteras moderadas e intuitivas en vez de trastornadas. La contracción y estos estimadores robustos convierten el frágil optimizador de la lección 4 en uno que merece la pena operar.

A continuación — paridad de riesgo y restricciones: la pieza final. Cubriremos la familia de la paridad de riesgo que abandona por completo las previsiones de rendimiento e iguala la contribución al riesgo de cada activo, luego la maquinaria del mundo real de las restricciones de solo largos y de caja, las penalizaciones de rotación y los costes de transacción que determinan si una estrategia sobrevive al contacto con un bróker real.