Contenido

Introduccion
Optimizacion
Analisis de media-varianza de Markowitz
Muestreo
Black - Litterman

Gestion de Portafolios

Universidad de los Andes y Quantil

Noviembre 10 de 2010

Optimizacion Universidad de los Andes y Quantil

 Contenido
Introduccion
Optimizacion
Analisis de media-varianza de Markowitz
Muestreo
Black - Litterman

1 Introduccion

2 Optimizacion

3 Analisis de media-varianza de Markowitz

4 Muestreo

5 Black - Litterman

Optimizacion Universidad de los Andes y Quantil

 Contenido
Introduccion
Optimizacion
Analisis de media-varianza de Markowitz
Muestreo
Black - Litterman

Introduccion

Sea Lt (, Xt ) el proceso de perdidas de un portafolio

= (1 , ...d ) de d instrumentos financieros y Xt R p un
vector aleatorio de factores de riesgo.
Recordemos que Lt+1 (, Xt+1 ) denota la perdida entre t y
t + 1 y es conocido en t.

Optimizacion Universidad de los Andes y Quantil

Introduccion

Sea 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
= R d : i qi = V .
P
i=1
2 Cuando
 no se permiten ventas descubiertas:
= R d : i 0 .
Introduccion

Sea R un nivel de tolerancia (exposicion maxima al

riesgo).
Denotemos por % una medida de riesgo cualquier. Es decir,
dados Lt (, Xt ) y FXt+1 o FXt+1 pFt , la distribucion no
condicional o condicional de Xt , %(Lt+1 (, Xt+1 )) R es una
medida del riesgo del portafolio . Por ejemplo % puede ser
VaRt, o ESt, .
Sea Rt (, Xt ) una funcion de beneficios para un inversionista
(por ejemplo, el retorno de un portafolio con posiciones ).
Rt (, Xt ) denota los beneficios entre t 1 y t.
 Contenido
Introduccion
Optimizacion
Analisis de media-varianza de Markowitz
Muestreo
Black - Litterman

Optimizacion

El problema general de optimizacion es:

maxEt [Rt+1 (, Xt+1 )]

s.a
%(L(, Xt+1 ))

Et es el valor esperado con respecto a FXt+1 pFt .

Veamos como enmarcamos en este contexto la teora de
media-varianza de Markowitz.

Optimizacion Universidad de los Andes y Quantil

 Contenido
Introduccion
Optimizacion
Analisis de media-varianza de Markowitz
Muestreo
Black - Litterman

Optimizacion: Analisis de media-varianza de Markowitz

Example (Analisis de media-varianza de Markovitz)

Sea Rt (w , Xt ) el retorno de un portafolio de d instrumentos
financieros, = 2 la volatilidad maxima que el inversionista
esta dispuesto a tolerar, Xt N(t+1 , t+1 ) y consideremos el
problema de seleccion de optima de portafolios:
h i
T
max Et w Xt+1
w R d
s.a
w T t+1 w 2
wT 1 = 1

Observese que no hemos restringido las ventas descubiertas..

Optimizacion Universidad de los Andes y Quantil
Optimizacion: Analisis de media-varianza de Markovitz

Example
Alternativamente el problema se puede plantear como un problema
de minimizacion (problema dual):

mn w T t+1 w
w R d
s.a
T
w t+1
wT 1 = 1

donde es el retorno esperado maximo que se puede alcanzar en el

anterior problema.
Optimizacion: Analisis de media-varianza de Markowitz

La solucion a este problemas es:

B1 1 A1 + (C 1 A1 1)
w=
D
donde A = 1T 1 , B = T 1 , C = 1T 1 1 y
D = BC A2 y

B 2A + 2 C
2 =
D
Optimizacion: Analisis de media-varianza de Markowitz

Observaciones I:
Para el modelo basico de correlacion condicional, Riskmetrics,
Varianza - Covarianza con:
1 Con distribuciones arbitrarias de z (no necesariamente
normal).
2 Medidas de riesgo basadas tales como VaR, ES, volatilidada.
El problema de seleccion optima de portafolios es equivalente
al problema tradicional de Markowitz.
Optimizacion: Analisis de media-varianza de Markowitz

Observaciones II:
Los portafolios optimos son usualmente muy concentrados.
La frontera y portafolio de eficiencia es muy sensible a la
estimacion del retorno esperado.
Son modelos puramente estadsticos no incorporan las
expectativas de los expertos.
Soluciones: Muestreo (resampling ) y metodos Bayesianos.
 Contenido
Introduccion
Optimizacion
Analisis de media-varianza de Markowitz
Muestreo
Black - Litterman

Muestreo

Tecnica debida a Michaud. Esta patentada en los Estados

Unidos para el caso lineal - cuadratico presentado en estas
notas (analisis de Markowitz)
El problema general es:

maxEt [u(Rt+1 (, Xt+1 ))]

s.a
%(L(, Xt+1 ))

Supongamos que esta distribucion se puede parametrizar por

un vector R k . Denotamos esta distribucion de los factores
de riesgo por F .

Optimizacion Universidad de los Andes y Quantil

Muestreo

Para hacer explcito el problema del inversionista de los

parametros del modelo estadstico de los factores, reescribimos
el problema como:

maxEt [u(Rt+1 (, Xt+1 )) | ]

s.a

%(L(, Xt+1 ))

donde Xt+1 significa que las distribucion de factores de riesgo
depende los parametros y el valor esperado se calcula
utilizando la distribucion de los factores que depende de los
parametros .
Muestreo

El algoritmo ahora es el siguiente:

1 Estime los parametros b0 de la distribucion F utilizando
cualquier metodologa estadstica
 apropiada.
Esta estimacion
hace uso de una muestra x10 , ...., xn0 de los factores de riesgo.
El superndice 0 se refiere a que estos son los datos reales
observados b0 denota los parametros estimados usando la
muestra observada. 
2 Simule una muestra x11 , ...., xn1 utilizando la distribucion F 0 .
Reestime los
 parametros de F utilizando la muestra
x11 , ...., xn1 . Denotamos estos parametors por b1 y por F 1 la
distribucion estimada.
 Contenido
Introduccion
Optimizacion
Analisis de media-varianza de Markowitz
Muestreo
Black - Litterman

Para cada simulacion i = 0, 1, 2, ...el problema

i
maxEt [u(Rt+1 (, Xt+1 )) | i ]

s.a
i
%(L(, Xt+1 ))

denotamos la solucion por i

Definimos la solucion optima de Michaud m al problema
general de seleccion optima de portafolios como:
N
1 X
m = i
N +1
i=0

Optimizacion Universidad de los Andes y Quantil

Analisis Bayesiano

Por que el analisis Bayesiano?

1 En ocasiones se tiene disponible informacion inicial sobre los

parametros de una distribucion.
2 El concepto de incertidumbre se identifica con el concepto de
probabilidad..
3 Permite condicionar a los datos.
4 Es una teora exacta y no asintotica.
5 Esta basada en la teora de la decision y en ese sentido es muy
coherente.
6 Operacionalmente, siempre se sabe que hay que hacer.
Analisis Bayesiano

El analisis Bayesiano parte de una interpretacion distinta del

concepto de probabilidad.

El teorema de Bayes es el pilar fundamental de la teora:

P(B p A)P(A)
P(A p B) =
P(B)
Analisis Bayesiano: Marco general

Espacio de parametros y datos observados.

1 Un espacio de parametros que caracterizan la distribucion de los

datos obeservados.
2 Un conjunto de datos observados {x1 , ..., xn }.
Analisis Bayesiano: Marco general

Prior y verosimilitud (o distribucion muestral):

1 Sea f () la distribucion inicial que representa nuestra incertidumbre

sobre los parametros de inetres. Esta se denomian la prior sobre los
parametros.
2 En la teora Bayesian no existe un parametro verdadero que
determina la verdadera distribucion de los datos.
3 f (x | ) es la distribucion condicional o verosimilitud, dado los
datos, de la variable aleatoria de interes X .
Analisis Bayesiano: Marco general

Posterior: El objetivo final de la estadstica Bayesiana es calcular la

posterior, f ( p x).

Esta refleja como, una vez observados los datos, nuestro

conocimiento o expectativa sobre los parametros cambia.

La regla de Bayes implica que:

f (x p )f ()
f ( p x) =
f (x)

donde f (x) es la distribucion marginal de la variable aleatoria X (o

distribucion marginal de los datos):

f (x) = f (x p )f ()d
Analisis Bayesiano: Estimador

Definimos el estimador de Bayes:

Z

2
B (x) = arg mn
b 0 f (0 p x)d0 .

En este caso existe una funcion L(0 , ) = (0 )2 que representa

la perdida de escoger el parametro 0 cuando el parametro es . La
solucion este problema es:
Z
B (x) = E [ | x] = 0 f (0 p x)d0
b
Analisis Bayesiano

Considremos el problema general parametrizado por un vector

:

maxEt [u(Rt+1 (, Xt+1 )) | ]

s.a

%(L(, Xt+1 ))

por simplicidad vamos a reescribir este problema como:

max Et [U(, Xt+1 )) | ]

Analisis Bayesiano

La idea general es en vez de utilizar b un estimador clasico para

resolver este problema, se utiliza un estimador Bayesiano, bB .

La motivacion es que el estimador Bayesiano, promedia sobre todos

los parametros que son consiententes con los datos observadosx.

La solucion propuesta anteriormente se denomina el equivalente

clasico Bayesiano del problema de optimizacion:

bB
max Et [U(, Xt+1 )) | bB ]
b
B
Analisis Bayesiano

Sea fX la distribucion 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 solo sobre algunos factores de riesgo

o combinacion de ellos.

Modelamos estas expectativas como la distribucion de la variable

aleatoria V | g (x) donde g mapea los factores de riesgo en la
informacion que determina las expectativas del inversionista.

El problema del inversionista es combinar su conocimiento objetivo

del mercado con las expectativas del experto.
 Contenido
Introduccion
Optimizacion
Analisis de media-varianza de Markowitz
Muestreo
Black - Litterman

Black - Litterman

Usando la regla de Bayes:

fV |g (x) (v | x)fX (x)

fX |v (x | v ) = R
fV |g (x) (v | x)fX (x)dx

El problema de seleccion optima de portafolio de Black - Litterman

es:
max Et [U(, Xt+1 )) | v ]
v

Optimizacion Universidad de los Andes y Quantil

Black - Litterman

Supongamos que X N(, ), g (X ) = PX donde

P es una
1 T
matriz y V | Px N(Px, ), donde = c 1 PP , c un
escalar positivo.

Observese que PP T significa que el experto evalua la

incertidumbre de g (X ) utilizando la distribucion 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(BL , BL )
donde:

BL (v , ) = + P T (PP T + )1 (v P)
BL = P T (PP T + )1 P.

Observese que en este caso particular BL no depende de v .