Modelos de optimización de

portafolios: un estudio comparativo

basado en simulaciones
computacionales
Jaime Fernández R.
jefr@andinanet.net

I Jornadas de Modelización en Economı́a y Finanzas

Escuela Politécnica Nacional
Quito, Ecuador
Julio 2008
J.E.F.R. – p.
CONTENIDO
Introducción a la Teoría de Portafolios
Modelo de Markowitz
Modelos lineales
Modelo con restricciones de dominación estocástica
Estudio comparativo: resultados fundamentales
Conclusiones

J.E.F.R. – p.
Teoría de Portafolios
Portafolios de inversión: Asignar un monto de
capital a un conjunto de activos.
Activos financieros:
Renta fija: pólizas, cédulas, bonos.
Renta variable: acciones.
El problema de optimizar un portafolio:
Problema bicriterio.
Dos objetivos contrapuestos:
Maximizar la ganancia esperada.
Minimizar el riesgo.

J.E.F.R. – p.
Técnicas de Análisis Bursátil
Análisis Fundamental
Hipótesis: El mercado puede no ser eficiente a corto
plazo, pero lo es a largo plazo.
Objetivo: estudiar toda la información disponible en
el mercado.
Macroeconómica: condiciones generales del
mercado.
Microeconómica: estados financieros, balances,
resultados de ventas, flujos de efectivo, etc.
No existe una única metodología de análisis
fundamental, sino varias en función del sector que se
analice.
J.E.F.R. – p.
Técnicas de Análisis Bursátil
Análisis Técnico
Hipótesis: La información que se tiene en el
presente, casi seguramente se conservará en el
futuro.
Objetivo: Pronosticar variaciones futuras de un valor
bursátil basándose en la evolución histórica de sus
cotizaciones.
Conjunto de modelos o métodos utilizados para
construir un portafolio óptimo en base al precio,
tiempo y volumen negociable de los activos.

J.E.F.R. – p.
Técnicas de Análisis Bursátil
Críticas al Análisis Técnico
El precio de un activo puede no reflejar toda la
información existente en el mercado.
Lo que sucedió en el pasado puede no volver a
suceder en el futuro.
No es útil en mercados que no son competitivos, o
que tienen información reservada a un pequeño
grupo de inversionistas privilegiados.

J.E.F.R. – p.
El problema
Markowitz, 1952. Primera gran revolución en la
teoría de portafolios. Modelo cuadrático.
Diversificación.
Simplifica el Análisis Fundamental al estudio de tres
estadísticos básicos:
Media
Varianza
Covarianzas
de las tasas de rendimiento de los activos.

J.E.F.R. – p.
Enfoque media-varianza
Permite deducir combinaciones de activos que
simultáneamente cumplen con dos condiciones:
tienen la varianza mínima dentro de todas las
combinaciones posibles que tienen un rendimiento
esperado dado, y
tienen el rendimiento esperado máximo dentro de
todas las combinaciones posibles que tienen una
varianza dada.

J.E.F.R. – p.
Frontera eficiente
Aquellas combinaciones que cumplen las
condiciones anteriores se denominan portafolios
eficientes.
El conjunto de portafolios eficientes se conoce como
frontera eficiente.
Si un portafolio se encuentra en la frontera eficiente,
se dice que domina a los que no lo están.

J.E.F.R. – p.
Frontera eficiente

J.E.F.R. – p. 1
Retorno
Medida de la ganancia obtenida sobre una inversión
en un período de tiempo dado.
Consideremos una acción S en los períodos 0, ..., T.
Sean S(0) y S(T ) los precios de la acción en los
instantes 0 y T , respectivamente.

J.E.F.R. – p. 1
Retorno
La cantidad
S(T ) − S(0)
pT = (1)
S(0)
se denomina retorno simple o aritmético en el período
0, ..., T.
La cantidad
S(T )
rT = ln (2)
S(0)
se denomina log retorno o retorno geométrico en el
período 0, ..., T.

J.E.F.R. – p. 1
Riesgo
Sistemático, de mercado o no diversificable.
Factores externos, coyuntura económica general. No
depende de las características individuales del
activo.
No sistemático, específico o diversificable.
Depende exclusivamente de las características
específicas del activo; solvencia, liquidez, naturaleza
de sus actividades, etc.

J.E.F.R. – p. 1
Riesgo diversificable
Existen varios métodos para estimar el riesgo
diversificable:
Varianza,
Funciones de desviación absoluta,
Valor en Riesgo (VaR),
Rango de variación,
etc.

J.E.F.R. – p. 1
Riesgo no diversificable
El modelo más conocido para estimar el riesgo no
diversificable es el llamado “modelo de mercado” de
Sharpe.
Criterio de clasificación de activos en base al riesgo:
coeficiente Beta de Sharpe, o coeficiente de
volatilidad.
Este coeficiente indica cuánto varía el rendimiento
de un activo en función de las variaciones
producidas en el rendimiento del mercado en el que
este se negocia, de manera que:
β < 1 refleja activos poco volátiles,
β > 1, muy volátiles y
β = 1, activos neutros.
J.E.F.R. – p. 1
Valor en Riesgo (VaR)
Es un estadístico que cuantifica, con determinado
nivel de significancia, el monto de pérdida que un
portafolio enfrentará en un período predefinido de
tiempo.
Es común en el ámbito financiero calcular el VaR
con un nivel de significancia del 95%, suponiendo
que los retornos siguen distribución normal.
En el contexto de la optimización de portafolios, se
calcula el VaR como una medida del riesgo
diversificable.

J.E.F.R. – p. 1
Valor en Riesgo (VaR)

J.E.F.R. – p. 1
Modelo de Markowitz
Sean R1 , R2 , ..., Rn las variables aleatorias que
representan los retornos de las acciones 1, 2, ..., n.
Se asume que E[|Rj |] = rj < ∞ para j = 1, ...n.
El retorno total está dado por:
R(x) = R1 x1 + R2 x2 + ... + Rn xn . (3)
Claramente, el conjunto de todas las posibles
asignaciones para las acciones, al que llamaremos
conjunto factible es:
( n
)
X
X = x ∈ Rn : xj = 1, xj ≥ 0, j = 1, 2, ..., n
j=1
J.E.F.R. – p. 1
Modelo de Markowitz
Notemos por µ ∈ Rn al vector de los retornos
esperados rj de las acciones, Σ ∈ Rn×n la matriz de
varianzas-covarianzas de dichos retornos.
Sea R0 el retorno mínimo aceptado, el modelo
cuadrático de Markowitz es:
 t
 min x Σx
s.a.





 µt x ≥ R0


(M M ) X n
xj = 1






 j=0
x ≥ 0, x ∈ Rn


J.E.F.R. – p. 1
Modelos lineales
Konno y Yamazaki, 1991. Segunda gran revolución
en Teoría de Portafolios. Medidas alternas de riesgo.
Una de ellas con la capacidad de “linealizar” el
modelo de Markowitz.
Otras medidas de riesgo:
Semi-varianza inferior,
Desviación absoluta media,
Desviación absoluta máxima,
etc.

J.E.F.R. – p. 2
Modelo de Konno
Función de desviación absoluta media:
 " # 
Xn n
X 
l1 (x) = E  Ri x i − E Ri x i  (4)
 
 
i=1 i=1

El riesgo del portafolio está medido por la

desviación absoluta de la tasa de retorno de las
acciones en lugar de su varianza.
El problema de optimización de portafolios con esta
medida de riesgo l1 puede ser formulado como un
problema de programación lineal.

J.E.F.R. – p. 2
Modelo de Konno
Notemos por:
n
X
S = {x = (x1 , ..., xn ) : rj xj ≥ ρM0 ,
j=1
0 ≤ xj ≤ µj , j = 1, 2, ..., n}
El modelo consiste en minimizar l1 (x) sobre S:
 " #
 X n Xn 
min w(x) = E  Rj x j − E

Rj x j 

  
(M K)

j=1 j=1


 s.a.
x∈S

J.E.F.R. – p. 2
Modelo de Konno
El modelo linealizado:
T

X
1




 min w(x) = T yt
t=1




 Xn
s.a. y ≥

(rjt − rj )xj , t = 1, ...T
t
(M KL) j=1
n



 X



 yt ≥ − (rjt − rj )xj , t = 1, ...T
j=1



x∈S


J.E.F.R. – p. 2
Modelo de Konno
Donde
rj es el retorno esperado del j-ésimo activo y
rjt es la tasa de retorno del j-ésimo activo durante el
período t.
El número de restricciones es proporcional al número de
períodos de análisis.

J.E.F.R. – p. 2
Modelo de Cai
Función de desviación absoluta máxima:
l∞ (x) = max E|Ri xi − E(Ri )xi | (5)
1≤i≤n

Esta función mide el máximo de los riesgos

individuales de cada activo.

J.E.F.R. – p. 2
Modelo de Cai
El modelo consiste en minimizar l∞ (x) sobre S:


min l∞ (x) = 1≤i≤n
 max E|Ri xi − E(Ri )xi |
(M C) s.a.

x∈S


J.E.F.R. – p. 2
Modelo de Cai
Modelo linealizado de Cai:


 min y
s.a.

(M CL)

 qj xj ≤ y, j = 1, ..., n
x∈S


J.E.F.R. – p. 2
Modelo de Cai
Donde
qj = E|Rj − rj |, j = 1, ..., n, el cual es la
desviación absoluta esperada de Rj de su media.
Si la distribución Rj es dada, qj está determinada.
Los datos históricos también pueden ser utilizados
para estimar rj y qj .
El número de restricciones de este modelo está
determinado por el número de activos.

J.E.F.R. – p. 2
Modelo de Teo
La función de riesgo alternativa H∞
T
(x):
T
1 X
T
H∞ (x) = max E|Rit xi − rit xi | (6)
T t=1 1≤i≤n

Donde
Rit es una variable aleatoria que representa el
retorno del activo i en el instante t, y rit su
esperanza, t = 1, 2, ..., T , i = 1, 2, ..., n.

J.E.F.R. – p. 2
Modelo de Teo
H∞ T
(x) es una extensión de l∞ (x), asumiendo que se
tienen datos históricos disponibles de T períodos de
tiempo.
En cada período se calcula la desviación absoluta
individual con respecto al valor esperado en ese
período.
El riesgo total del portafolio es el promedio de los
máximos de las desviaciones absolutas individuales
de las acciones en todos lo períodos.

J.E.F.R. – p. 3
Modelo de Teo
El modelo consiste en minimizar H∞
T
(x) sobre S:

 T
X
T 1

min H∞ (x) = max E|Rit xi − rit xi |


T 1≤i≤n
(M T ) t=1


 s.a.
x ∈ S.


J.E.F.R. – p. 3
Modelo de Teo
Su transformación lineal es:
T

X
1




 min T yt
t=1

(M T L) s.a.

ajt xj ≤ yt , t = 1, ..., T, j = 1, ..., n




x∈S


J.E.F.R. – p. 3
Modelo de Teo
Donde
ajt = E|Rjt − E(Rjt )|, j = 1, ..., n, t = 1, ..., T .
El número de restricciones está determinado por el
número de activos y el número de períodos.
Si n o T son demasiado grandes, el tiempo de
respuesta, en términos computacionales, también se
hace grande.

J.E.F.R. – p. 3
Modelo modificado de Konno
Optimiza una combinación lineal parametrizada del
retorno esperado del portafolio y la función de
desviación absoluta media l1 (x), propuesta por
Konno.
No requiere de una cota inferior para el rendimiento.
El nivel de aversión al riesgo está cuantificado por el
parámetro.

J.E.F.R. – p. 3
Modelo modificado de Konno
El modelo:



 min −E[R(x)] + λl1 (x)
s.a.

(M KM ) Pn

 j=1 xj = M 0
0 ≤ x ≤ µ, j = 1, ..., n

j

J.E.F.R. – p. 3
Modelo modificado de Konno
Basado en la transformación lineal de Konno, el
modelo lineal es:

 XT
 Pn 1



 min − j=1 r j x j + λ T y t
t=1




 X n

s.a. yt ≥ (rjt − rj )xj , t = 1, ...T




(M KM L) j=1
n
 X
yt ≥ − (rjt − rj )xj , t = 1, ...T





j=1


n
 P
xj = M 0




 j=1
 0 ≤ x ≤ µ, j = 1, ..., n
j
J.E.F.R. – p. 3
Modelo modificado de Konno
Donde
M0 es el capital total disponible y
µ es el capital máximo a destinarse a una acción
individual.
El parámetro λ se escogió por medio de exploración
exhaustiva con el criterio de maximizar el
rendimiento promedio del portafolio. Se simularon
valores entre 0.05 y 1, incrementando en 0.05 su
valor en cada paso.

J.E.F.R. – p. 3
Dominación estocástica
Comparar variables utilizando funciones de
rendimiento construidas a partir de sus funciones de
distribución de probabilidad.
Para una variable aleatoria V , la función de
rendimiento F2 está dada por áreas bajo la curva de
la función de distribución F ,
Z η
F2 (V ; η) = F (V ; ξ)dξ, η ∈ R. (7)
−∞

F2 define la relación de dominación estocástica de

segundo orden (SSD).

J.E.F.R. – p. 3
Dominación estocástica
Se dice que una variable aleatoria V domina
estocásticamente en segundo orden a otra variable
aleatoria S, y se nota V SSD S, si:
F2 (V ; η) ≤ F2 (S; η), ∀η ∈ R.
La relación de dominación estricta correspondiente
SSD se define en la forma usual: V SSD S si y
solo si V SSD S y S 6SSD V .

J.E.F.R. – p. 3
Dominación estocástica
En este contexto, se consideran variables aleatorias
que representan retornos de la forma:
R(x) = R1 x1 + R2 x2 + ... + Rn xn .
Se dice que un portafolio x domina estocásticamente
en segundo orden a un portafolio y
(R(x) SSD R(y)), si:
F2 (R(x); η) ≤ F2 (R(y); η), ∀η ∈ R. (8)
y (8) se cumple con desigualdad estricta para algún
η.

J.E.F.R. – p. 4
Dominación estocástica
Un portafolio x se llama SSD-eficiente en un
conjunto de portafolios X si no existe y ∈ X tal que
R(y) SSD R(x).
Sea Pn
n
X = {x ∈ R : i=1 xi = 1, xi ≥ 0, i = 1, ..., n}.
Sea Y una variable aleatoria con esperanza finita que
representa el retorno de un portafolio referencial z̄,
i.e. Y = R(z̄).

J.E.F.R. – p. 4
El problema restringido
Se plantea el problema como la búsqueda de un
nuevo portafolio x que sea preferible sobre Y en el
sentido de la dominación estocástica de segundo
orden:

 max E[R(x)]
 s.a.

(M E)

 R(x) SSD Y
x∈X


J.E.F.R. – p. 4
Modelo discretizado
Se asume que Y tienen una distribución discreta con
escenarios posibles yi , i = 1, 2, ..., m y que los
retornos tienen distribuciones discretas con
escenarios posibles rjt , t = 1, ..., T, j = 1, ..., n,
cada uno con una probabilidad asociada pt .
Introduciendo variables sit que representan el déficit
de R(x) por debajo de yi en el escenario t,
i = 1, .., m, t = 1, ..., T, se tiene el siguiente
modelo discretizado:

J.E.F.R. – p. 4
Modelo discretizado

 max E[R(X)]
s.a.






 X n

xj rjt + sit ≥ yi , i = 1, ..., m, t = 1, ..., T





j=1
(M ED) T

 X



 p t s it ≤ F 2 (Y ; y i ), i = 1, ..., m
t=1






 sit ≥ 0, i = 1, ..., m, t = 1, ..., T
x∈X


J.E.F.R. – p. 4
Estudio comparativo
1. Selección de modelos
2. Implementación
3. Selección de instancias
4. Pruebas computacionales

J.E.F.R. – p. 4
Selección de modelos
Se escogieron aquellos considerados de mayor
importancia, bien sea por su contenido teórico, su valor
histórico o porque son los más utilizados hoy en día:
Markowitz
Konno
Cai
Teo
Konno modificado
Restricciones de dominación estocástica

J.E.F.R. – p. 4
Implementación
Se decidió emplear el entorno de programación Matlab:
solvers incorporados.
Pruebas:
Estabilidad de los algoritmos
Depurar errores
Verificar consistencia en resultados

J.E.F.R. – p. 4
Selección de Instancias
NYSE (DJIA): Bolsa de valores de Nueva York. 30
más grandes empresas del sector industrial, e.g.
Boeing, HP, Chevron, GM, etc.
NASDAQ-TEC: Bolsa electrónica más grande de
Estados Unidos. 14 de las más grandes empresas del
sector tecnológico, e.g. IBM, Intel, Google, Apple,
etc.
NASDAQ-FIN: 12 de las más grandes empresas del
sector financiero, e.g. Altera Corp., Arch Capital
Group, Bankfirst, etc.
Se seleccionaron 6 instancias, dos por cada uno de
estos conjuntos de activos divididas entre Enero
2005 y Diciembre 2007.
J.E.F.R. – p. 4
Dow Jones Sep-Dic 2006

J.E.F.R. – p. 4
NASDAQ-TEC Sep-Dic 2006

J.E.F.R. – p. 5
NASDAQ-FIN Sep-Dic 2006

J.E.F.R. – p. 5
Dow Jones Sep-Dic 2007

J.E.F.R. – p. 5
NASDAQ-TEC Sep-Dic 2007

J.E.F.R. – p. 5
NASDAQ-FIN Sep-Dic 2007

J.E.F.R. – p. 5
Pruebas computacionales
Formar portafolios iniciales al final del mes de
septiembre del segundo año.
Estrategia en-línea para reestructurar el portafolio
diariamente durante el último trimestre, tomando en
cuenta los costos transaccionales.
Se evalúa la calidad calculando 5 estadísticos:
PROM: Valor neto promedio
D.E.: Desviación estándar
MAX: Valor neto máximo
MIN: Valor neto mínimo
RANG: Rango

J.E.F.R. – p. 5
Estrategia en-línea
Cada día se corren los 6 modelos con la nueva
información.
Se halla el nuevo portafolio óptimo x∗ .
Si
n
X n
X
V NP ∗ − γ [x∗i − xi ]+ Pi − δ [xi − x∗i ]+ Pi > V N P
i=1 i=1

entonces x −→ x∗ , caso contrario, el portafolio x se

mantiene.

J.E.F.R. – p. 5
Estrategia en-línea
Donde
x es el portafolio previo a la reestructuración.
V N P es el valor del portafolio x.
V N P ∗ es el valor del portafolio x∗ .
Pi es el precio del activo i al momento de la
reestructuración.
γ es la tasa que una casa de valores comisiona en
compra de acciones.
δ es la tasa que casa una de valores comisiona en
venta de acciones.
[a]+ = max{0, a}.

J.E.F.R. – p. 5
Tabla de resultados

J.E.F.R. – p. 5
VNP Dow Jones Oct-Dic 2006

J.E.F.R. – p. 5
VNP NASDAQ-TEC Oct-Dic 2006

J.E.F.R. – p. 6
VNP NASDAQ-FIN Oct-Dic 2006

J.E.F.R. – p. 6
VNP Dow Jones Oct-Dic 2007

J.E.F.R. – p. 6
VNP NASDAQ-TEC Oct-Dic 2007

J.E.F.R. – p. 6
VNP NASDAQ-FIN Oct-Dic 2007

J.E.F.R. – p. 6
Conclusiones
Las medidas de riesgo específico utilizadas
cuantifican implícitamente el riesgo de mercado.
La consideración o no de los costos transaccionales
cambia radicalmente los criterios de calidad de los
modelos, obtenidos en base a los estadísticos ya
mencionados.
El modelo de Markowitz ha perdido terreno en
cuanto a su aplicabilidad.
El modelo de Teo es el único en el cuál el tiempo de
respuesta es un factor a tomar en cuenta. Un corrida
en-línea (aproximadamente 63 iteraciones) toma 693
minutos.

J.E.F.R. – p. 6
Conclusiones
Si bien el modelo estocástico es muy rico
teóricamente, y obtiene rendimientos altos, es el
modelo que más dispersión arroja en sus resultados.
El modelo de Konno modificado es el único que
obtiene, en al menos una instancia de prueba, los
mejores resultados respecto a todos los indicadores
analizados. En general se comporta mejor que los
demás modelos bajo tendencias a la baja en las
cotizaciones.

J.E.F.R. – p. 6
Preguntas

J.E.F.R. – p. 6