Artículo publicado en el número 29 de 2017 de la revista Hispatrading. Regístrate en www.hispatrading.com de manera completamente gratuita para acceder a más artículos como este.


Optimización y Rebalanceo de Portfolios Sistemáticos I

Tras unas pinceladas históricas sobre las dos formas paradigmáticas de entender la Teoría de Carteras, nos adentraremos en la optimización de portfolios construidos con productos no convencionales, como los sistemas de trading con derivados. En esta serie, de dos artículos, analizaremos el proceso de asignación de activos mediante criterios múltiples, empleando como hilo conductor un portfolio simulado con el que iremos detallando los pasos a seguir para su correcta optimización y rebalanceo en diferentes escenarios.



LOS DOS ENFOQUES PARADIGMÁTICOS DE LA TEORÍA DE CARTERAS
La “Moderna Teoría de Carteras” representa un importante avance respecto a los modelos tradicionales de asignación de activos, en su mayoría subjetivos y ambiguos. Es la primera vez que se aplican con éxito las matemáticas financieras a un problema de toma de decisiones tan escurridizo y complejo como la construcción y optimización de carteras. Pero han pasado ya seis décadas desde su formulación y, al perecer, muchos gestores tradicionales y de Hedge Funds1 siguen aferrados al enfoque media-varianza (M-V) formulado por Markowitz2 en 1952. Este modelo de asignación proporciona un marco conceptual sólido para balancear  carteras que combinan acciones y bonos, pero resulta bastante inapropiado para bregar con productos complejos que invierten en decenas de mercados internacionales, realizan sofisticadas operaciones de cobertura con derivados e incluso incorporan programas de trading algorítmico. Y es que el modelo M-V y sus diversas variantes3 solo es útil para inversores que tienen “preferencias cuadráticas”; es decir, cuyo perfil de aversión puede situarse linealmente en algún punto de una Frontera Eficiente definida en términos de retorno por unidad de riesgo.

Diferentes estudios se han encargado en poner de manifiesto que no existe una percepción unívoca del riesgo. Por tanto, más que un “criterio de utilidad”, iríamos a una multiplicidad de criterios, lo que implica emplear diferentes estimadores del riesgo en diferentes contextos de inversión4,5.

Por otra parte, el bello esquema de maximizar el retorno esperado para cada nivel de riesgo o, a la inversa, minimizar el riesgo (medido en términos de desviación estándar) para cada nivel de retorno esperado (en términos de rentabilidad media), cuando se lleva a la práctica choca contra el infranqueable muro de la incertidumbre:

  • Es muy difícil proyectar el beneficio a futuro empleando series históricas. De hecho, como pusieron de manifiesto estudios académicos posteriores6,7 la determinación del retorno medio es un factor mucho más crítico en el modelo M-V que la covarianza entre activos. Los errores de estimación de la media son hasta 20 veces más importantes que los errores en la desviación.
  • La normalidad del retorno es otro de los elementos que suscitan gran controversia. Este supuesto del modelo M-V, que procede de la hipótesis del Random walk  o Teoría Eficiente de los mercados, se asienta en la idea de que los precios de los activos siguen un paseo aleatorio en el tiempo, por lo que su beneficio medio (en días, semanas o meses) está normalmente distribuido. Ahora bien, se ha demostrado que muchos activos se mueven en rachas o tendencias de gran amplitud que generan largas colas en la distribución del retorno, apartándose tres desviaciones o más de la media.
  • Aunque la correlación entre activos se ha mostrado más estable y predecible que el retorno, también genera un problema práctico, sobre todo en carteras de gran tamaño: el cómputo de los porcentajes de asignación a partir de una inmensa matriz de varianzas y covarianzas es complicado y arroja resultados cada vez más imprecisos a medida que aumenta el tamaño. Con todo existen algunas simplificaciones como la propuesta por Sharpe en 1963. También existen optimizadores cuadráticos para el cómputo M-V a gran escala8.  

No me extenderé más con este asunto. Bástenos señalar que, pese a sus deficiencias, el modelo M-V ha contado -y en buena medida aún cuenta- con el favor del mundo académico y de la industria financiera. Proporciona un marco intuitivo y coherente para tomar decisiones de inversión y balancear portfolios sencillos. Sin embargo, cuando nos adentramos en la gestión alternativa y la construcción de carteras que incorporan productos derivados y sistemas de trading cuantitativo, se hace preciso buscar nuevas metodologías y herramientas.

Un planteamiento diferente, nacido también en la década de los 50, busca aumentar el capital a la mayor tasa de crecimiento posible, o lo que es lo mismo, maximizar la media geométrica del retorno de la cartera.  De este modo, la función de utilidad renuncia a balancear el riesgo y asume que un “inversor racional” elegirá la combinación de activos con la que obtenga el valor más alto de la riqueza terminal . Por simplificar, podemos situar el origen de este segundo enfoque en John Kelly (1956) y su determinación, en juegos de azar, de la fracción óptima a apostar para maximizar el beneficio esperado. Descubrió que existe una proporción óptima de capital que el jugador puede arriesgar en cada apuesta (lo que de aquí en adelante se conocerá como Criterio de Kelly): conociendo la esperanza matemática (TA) del juego y el ratio entre apuestas ganadoras y perdedoras (WL), podemos determinar la facción óptima a arriesga como: F = TA/WL. Si el juego se compone de una secuencia n de apuestas ese valor de “f” será el que maximice la media geométrica de las apuestas y, en consecuencia, el que nos garantice en mayor retorno esperado. Este planteamiento posteriormente sería adapta-do por por Ralph Vince10 al caso del trading y la especulación bursátil.

Al margen del juego y la especulación, primero Latane11 y luego otros autores como Breiman12 o  Hakansson13 adaptaron la maximización de la media geométrica (GMM) al caso de la optimización y balanceo de carteras de acciones. Latane llegó a la conclusión de que la maximización de la media geométrica es un criterio de utilidad perfectamente válido para un inversor racional, ya que estaría maximizando la probabilidad de que en un horizonte terminal su cartera obtenga la máxima rentabilidad entre todas las combinaciones posibles de un conjunto dado de activos. Una vez establecida formalmente esta propiedad de los portfolios GMM, diversos autores han tratado de estimar el tiempo que se necesita para estar “razonablemente” seguros de que el modelo GMM bate a cualquier otro modelo de cartera14. Estudios posteriores  buscaron soluciones de compromiso entre los modelos M-V y GMM y también se  desarrollaron interesantes propuestas15 para determinar la Frontera Eficiente en portfolios tipo GMM.  

Es bastante conocida la controversia que surgió en el mundo académico entre ambos enfo-ques, pero visto en retrospectiva tampoco fue para tanto. Paul Samuelson16 fue el más crítico al aducir que no es lo mismo para un “inversor racional” maximizar el retorno que maximizar la función de utilidad. Y, efectivamente, balancear el retorno en función de la aversión al riesgo o, lo que es lo mismo, elegir el punto de la Frontera Eficiente que se co-rresponda con las preferencias de cada inversor tipo parece la opción más coherente. Pero claro, ese planteamiento solo es compatible con intereses cuadráticos y con un modelo M-V de periodo único. Si el inversor, como señaló incluso el propio Markowitz17, contempla períodos indefinidamente largos y la reinversión del retorno mediante rebalanceos periódicos, la opción mejor es el modelo GMM. Con todo, también reclamó prudencia al recomendar no seleccionar portfolios con media aritmética y varianza iguales o superiores a los obtenidos maximizando la media geométrica. A la obsesión por maximizar la función de utilidad como elemento central de la Teoría de Carteras, ya había respondido una década antes A. Roy18 con las siguientes palabras el mismo año que Markowitz dio a conocer su modelo:


“Al llamar a una función de utilidad en nuestra ayuda, se logra una apariencia de generalidad a costa de una pérdida de significación práctica y de aplicabilidad en nuestros resultados. Un hombre que busca consejos sobre sus acciones no estará agradecido por la sugerencia de que debe maximizar la utilidad esperada."


J. Estrada19 denomina con gran acierto “Portfolio S” o SRM20 al tipo de cartera que se puede obtener balanceando conforme al modelo M-V y “Portfolio G” o GMM21 a aquella combinación de activos que maximiza la media geométrica. Seguidamente, y combinando los planteamientos de diversos autores, vamos a resumir en una tabla las ventajas y desventajas de cada modelo de cartera: