Teora

de Matrices Aleatorias
y
Optimizacin de Portafolios






Dr. Ricardo Mansilla Corona
CEIICH UNAM

Introduccin: En esta exposicin haremos un recorrido de los resultados de la Teora

Econmica relacionados con la construccin de portafolios y la utilizacin de la Teora
de Matrices Aleatorias en la optimizacin de los mismos.
Es imprescindible comenzar por el concepto de funcin de utilidad.

Publicado en la Revista Economtrica, Vol. 22, No. 1, pp. 23-36, 1954.
Este trabajo de Daniel Bernoulli surge como una respuesta a la paradoja (llamada de
San Petersburgo) planteada por su to Nicols Bernoulli. En la misma se presentaba un
juego que tena un rendimiento esperado infinito, el cual sin embargo no era aceptado
por ninguna persona racional. La solucin propuesta por Daniel Bernoulli inclua
por primera vez el concepto de aversin al riesgo.

El siguiente paso importante fue la publicacin del trabajo de J. Von Neumann y O.

Morgenstern.

En este trabajo los autores obtienen una propiedad muy importante para la futura
formalizacin de la teora econmica, a saber:
La correcta medida de la utilidad de un objeto de inversin incierto es su
utilidad esperada.
Queremos llamar la atencin sobre las palabras en rojo de la afirmacin anterior. La
primera es incierto, la cual se refiere a que la posibles salidas del fenmeno ocurren
con diferentes probabilidades y no pueden ser predichas de antemano, lo cual implica
un riesgo en la inversin.

La segunda es utilidad esperada y se refiere al promedio de los valores posibles que
puede tomar la utilidad del inversionista dada la incertidumbre en la posicin final de
los precios o rendimientos.
+

E {U } =

U ( R) p ( R) dR

Segn von Neumann y Morgenstern la integral anterior es la correcta manera de

medir la utilidad de un objeto de inversin incierto. La distribucin p ( R) se espera
que dependa de parmetros como la media y varianza de los rendimientos. Resulta
importante conocer cuales son las parejas de E { R} y R2 que hacen que la utilidad
esperada se mantenga constante. A estos conjuntos de valores se les llama curvas de
indiferencia. Esas curvas de indiferencia deberan reflejar la aversin al riesgo que
marca el comportamiento de la mayora de los agentes econmicos. As, frente a un
aumento de la varianza R2 debera de haber un aumento del rendimiento esperado
E { R} que compensara el aumento del riesgo anunciado por el aumento de R2 .

Ntese que aqu estamos suponiendo que R2 es una buena medida del riesgo, cosa
que es admitida dentro de la teora de Markowitz, pero que en general no es cierta. En
otras palabras deberamos esperar que:
dE { R}
>0 ;
d R

d 2 E { R}
> 0
d 2 R

con esto la magnitud R2 como funcin de E { R} se representara como una funcin

cncava. Como veremos a continuacin esto es solo posible si la distribucin de los
rendimientos es normal. Consideremos la utilidad esperada en el caso de normalidad:
2

E {U } = U ( R)

1
e
2 R

1 " RE{R} %
$
'
2# R &

dR

las curvas de indiferencias seran los pares de valores de E { R} y R2 tales que:

E {U } = cte.

Hagamos en la integral del rendimiento esperado el siguiente cambio de variable:

z=

R E { R}
dR
; R = E { R} + z R ; dz =

R
R

Con lo cual la expresin del rendimiento esperado nos queda:

E {U } =

1
2

U ( E {R} + z ) e
R

si ahora despejamos

z2
2

dz

Como en las curvas de indiferencia E {U } = cte. entonces

dE {U }
1
=
d R
2

dE {U }
= 0 .
d R
2

! dE { R} $ z
'
U ( E {R} + z R ) #" d + z &% e 2 dz = 0
R

dE { R}
en la ecuacin anterior ( lo cual puede hacerse sacndolo
d R

de la integral dado que no depende de z:

+
'

U ( E {R} + z ) z e

dE { R}
= +
d R

'

U ( E {R} + z ) e
R

z2
2

z2
2

dz

dz

Ntese que la integral en el denominador es positiva pues U ' > 0 dado que los agentes
econmicos se supone que prefieren siempre ms a menos. Por otra parte la integral
del numerador es negativa, como puede argumentarse a partir de la siguiente figura:

De esta forma las curvas de indiferencia tendrn la concavidad adecuada a partir de

asumir la aversin al riesgo de los agentes econmicos y la distribucin normal de los
rendimientos de los activos.
El complemento de los resultados antes expuestos es el trabajo desarrollado por H.
Markowitz alrededor del ao 1952 para la seleccin de activos para un portafolio.

Publicado en la Revista Journal of Finance, Vol. 7, No. 1, pp. 77-91, 1952.
La idea bsica de la teora de Markowitz es que la varianza de los rendimientos de los
activos individuales no puede ser reducida, mientras que una combinacin adecuada
de los mismos puede obtenerse, garantizando con ella una reduccin de la varianza
total. Aqu una vez ms la varianza ( o la desviacin estndar) es la medida de riesgo
admitida.
La idea de distribuir la riqueza entre diferentes objetos de inversin no es moderna.
En el siglo XVII ya era conocida la frase no pongas todos los huevos en la misma
canasta. En la obra El Mercader de Venecia de W. Shakespeare, el judo Shylock hace
una mencin colateral de este proceder al principio de la obra.
Asumamos que un agente de mercado puede invertir entre N activos. Asignar su
riqueza a estos activos en el instante de tiempo t = 0 y mantendr su posicin hasta

t = T . Este es el planteamiento ms simple y se conoce como modelo esttico. Los

rendimientos de los activos se definen:

Ri =

Pi (T )

Pi (0)

lo cual es equivalente a considerar los rendimientos relativos:

Ri 1 =

Pi (T ) Pi (0)

Pi (0)

Denotemos por i la fraccin de la riqueza inicial W que se invierte en el activo i-

simo en el instante de tiempo t = 0 :

i =

i Pi (0)

W

donde i representa el nmero de shares del activo i-simo tomado por el agente en el
instante de tiempo t = 0 . De esta forma, el rendimiento del portafolio de activos en
cualquier instante de tiempo puede escribirse:
N

Rp = i Ri
i=1

en efecto:
N

i Pi (0) Pi (T ) 1 N
i Ri = W P (0) = W i Pi (T ) = R
i
i=1
i=1
i=1
El problema a resolver por los agentes de mercado puede resumirse como sigue:
2

min ( )
R

( ) 0 ; i > 0 ; i = 1
i=1

Obviamente este problema no tiene solucin para todo valor de 0 . Por otra parte si la
matriz de varianzas y covarianzas = ( ij ) es definida positiva, entonces el problema
tiene solucin nica1.
De esta forma se pueden conocer la composicin de un portafolio que tiene mnima
varianza y a la vez un rendimiento prefijado 0 .

1 R. Fletcher, Practical Methods of Optimization II: Constrained Optimization, Wiley, 1981.

Toda la situacin antes discutida aparece descrita en la siguiente figura.

Lamentablemente, las hiptesis sobre las cuales se sostiene esta teora no se cumplen
en general. Es por lo tanto necesario una aproximacin ms realista al problema de la
asignacin de los activos a los objetos de inversin.
El primer problema es que los rendimientos de los activos no distribuyen normal. Por
otra parte la distribucin en general no es simtrica. Estas propiedades son esenciales
en la demostracin de la concavidad de las curvas de indiferencia como hemos visto
antes.
En segundo lugar existe un problema con la estimacin de las matrices de varianzas y
covarianzas. Si denotamos por C la matriz de varianzas y covarianzas poblacional (la
cual puede no existir) y por S su estimador muestral o emprico las diferencias entre
ambas matrices y su propiedades espectrales pueden ser grandes, lo cual conlleva a la

llamada Paradoja de Optimizacin de Markowitz, que expresa que con frecuencia la

estimacin del portafolio hecha con la teora difiere de la estructura de los portafolios
observados constituidos con los mismos activos. Esto se debe a que las estimaciones
hechas de las matrices de varianzas y covarianzas difieren de sus valores reales2. Sera
pues conveniente conocer condiciones necesarias y/o suficientes que garantizaran la
buena estimacin.

En este trabajo Marchenko y Pastur obtiene ese tipo de condiciones. Antes de pasar a
las mismas, daremos algunas definiciones.
Supongamos como antes que los agentes de mercado pueden decidir entre N activos
diferentes, de los cuales se conocen los valores de los rendimientos durante T das
consecutivos. Denotemos por Q = N T . Entonces cuando Q 0 deberamos esperar
que los estimadores de las matrices de varianzas y covarianzas fueran buenos. Ese es
bsicamente el contenido del trabajo de Marchenko y Pastur.

2 Z. Bai, et al., Making Markowitzs Portfolio Optimization Theory Practically Useful, RMI Working Paper
No. 07/10, 2007.

Denotemos por {1,, N } el conjunto de los autovalores de la matriz de varianzas y

covarianzas emprica S . Definimos la funcin de distribucin acumulada emprica de
los autovalores FQS ( x ) como sigue:
FQS ( x ) =

1
# {1 j N : j x}
N

Proposicin: Sea Q = N T y 2 la desviacin estndar de los rendimientos comn a

todos los activos. Entonces si Q 1 la distribucin FQS ( x ) queda definida por su
funcin de densidad de probabilidades:
"
1
$
pQ ( x ) = # 2 xQ 2
$
%

donde a = 2 1 Q

(b x ) ( x a)
0

si a < x < b

en otra parte
2

; b = 2 1+ Q

A la distribucin anterior se le llama distribucin de Marchenko Pastur. A partir de los

anterior puede obtenerse el siguiente:
Teorema: Supongamos que el conjunto de los rendimientos { R1t ,, RNt } ; t = 1,,T
de los activos bajo estudio son variables aleatorias iid, con media 0 y varianza 2 . Si
se tiene que:
N T Q0 ( 0, + )

entonces con probabilidad uno la funcin de distribucin acumulada emprica FQS ( x )

puede definirse a partir de la ley de Marchenko Pastur.
Este resultado es muy fuerte pues no pide que el lmite N T Q0 deba de ser un
nmero menor que 1. En cualquier caso hay convergencia en probabilidad a la
distribucin propuesta por Marchenko y Pastur.
De manera independiente E. Wigner haba obtenido resultados muy importantes en la
misma rea de investigacin.


Wigner considera matrices S = ( sij ) de orden N tales que sus coeficientes cumplen las
siguientes condiciones:
a) Las variables aleatorias sij son independientes entre si.
b) Sus funciones de densidad de probabilidades son simtricas.
c) Todos los momentos de orden superior existen y estn acotados.
Bajo esas circunstancias se puede demostrar que cuando el tamao N de las matrices
tiende a infinito la funcin de densidad de probabilidades del espectro tiene la forma
que sigue:

"
$
pN ( x ) = #
$
%

4N 2 x 2
2 N 2
0

x 2 < 4N 2

en otro caso

La aplicacin de estos resultados depende fuertemente del cumplimiento de las

hiptesis que exigen. No existe ninguna evidencia de que los diferentes activos en un
mercado sean iid. Por otra parte la acotacin los momentos de orden superior no est
completamente bien establecido.

Sin embargo existe la posibilidad de debilitar algo algunas hiptesis3. Pero a pesar de
ello se ha obtenido una fuerte desavenencia entre los resultados de la teora de
Markowitz y los que proviene de la Teora de las Matrices Aleatorias.

3 Ver por ejemplo A.M. Sengupta and P.P. Mitra, http://arxiv.org/pdf/cond-mat/9709283v1.pdf


Conclusiones:
Los resultados de la teora de optimizacin de portafolios propuesta por Markowitz
no pueden describir adecuadamente le comportamiento de los mercados bsicamente
porque sus hiptesis no se cumplen adecuadamente. Los resultados de la Teora de
Matrices Aleatorias ofrecen una alternativa promisoria para la edificacin de nuevas
formulaciones tericas ms acordes con los resultados experimentales.