Optimización y Rebalanceo de Portfolios Sistemáticos I

Índice del artículo

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:

 
OPTIMIZACIÓN DE PORTFOLIOS DE SISTEMAS
Un portfolio o programa sistemático es una estructura de inversión que combina estrategias cuantitativas de trading aplicadas a diferentes tipos de activos (acciones, ETFs, futuros, opciones, etc.) Llamamos vector de inversión (Vi) al binomio sistema/activo. Cada Vi tienen un histórico de operaciones del que extraemos las estadísticas básicas igual que si se tratase de un producto cotizado y que utilizamos para balancear la cartera. Por tanto, desde la Teoría de Carteras, no hay diferencia entre balancear un portfolio de sistemas o de cualquier otra clase de activos. Sin embargo, cuando los sistemas se aplican a productos derivados hay que tener en cuenta dos características inherentes a estos productos: el apalancamiento y la granularidad. Trabajar con estructuras apalancadas implica asumir niveles de riesgo más altos por unidad de capital invertida y, la menor granularidad, impide una asignación tan precisa como en el caso de las acciones. El efecto de la escasa granularidad es más palpable en programas poco capitalizados.

Un modelo de optimización típico respondería al siguiente esquema:

Los inputs del modelo son los condicionantes que determinan a priori el tipo de cartera que se puede construir. Las limitaciones de capital afectarán al tipo de sistemas y activos con los que se podrá trabajar. Esto es aún más crítico en la operativa con futuros. Cada vector de inversión requiere un capital  que estará determinado por las garantías exigidas para operar ese producto y por el drawdown (DD) del sistema. En este contexto entendemos por “granularidad” la unidad de asignación para cada vector o capital mínimo para operarlo con un con-trato. Cuando el portfolio es poco granular resultará muy difícil lograr un nivel de diversificación satisfactorio y un proceso de asignación eficiente con capitales pequeños.

Las estrategias a implementar dependerán de factores como las tecnologías disponibles, las características de los mercados en los que se va a operar y el enfoque estratégico del propio gestor. En la gestión profesional los vectores posibles también se ven afectados por cuestiones regulatorias específicas de cada producto como el apalancamiento permitido, la posible prohibición de posiciones cortas, el uso de determinado tipo de órdenes o las limitaciones sobre operativa con derivados.

Por otra parte, toda cartera se construye para satisfacer las demandas de un determinado perfil inversor. Cada perfil se caracteriza por un nivel de aversión al riesgo, una expectativa de beneficio y un horizonte de la inversión. Teniendo en cuenta estos condicionantes se cons-truye una cartera o programa modelo que satisface las demandas de un grupo específico de inversores. Cada vector de esa cartera podrá tener un riesgo superior o inferior siempre y cuando no se sobrepase el riesgo global especificado para el conjunto. Esto afecta de manera significativa al proceso de asignación y obliga a establecer restricciones en la ponderación máxima y mínima tanto en grupos de activo como en activos o vectores individuales. 


PROCESO DE ASIGNACIÓN
El proceso de asignación es la estrategia de ponderación diseñada para optimizar el beneficio y diluir el riesgo, diversificando el capital en diferentes proporciones entre todos los vectores disponibles.

En carteras medianas y grandes es un proceso complejo que requiere la utilización de software específico. Actualmente hay dos tendencias:

  1. Aplicaciones propietarias. Son programas de optimización de carteras desarrollados por empresas para uso particular o corporativo. La diversidad es enorme: desde aplicaciones centradas en un modelo de asignación específico que trazan la Frontera Eficiente y poco más, hasta sofisticadas herramientas que permiten balancear un número ilimitado de productos, incorporar todo tipo de restricciones y aplicar criterios múltiples. Algunas permiten también rebalanceos periódicos,  análisis de riesgos y proyección a futuro del retorno esperado. Ejemplos de este grupo serían Optifolio y Morningstar Direct
  2. Plataformas abiertas de programación y análisis estadístico. En el ámbito de la investigación destacan dos plataformas que se han convertido en un standard para el mundo académico: MATLAB y R. Del primero destacamos el complemento Portfolio Optimization que incorpora un completo conjunto de herramientas para el balanceo de carteras, análisis de riesgos, motores de optimización para el cálculo de la Frontera Eficiente según el modelo M-V y el CVaR, determinación de objetivos múltiples y rebalanceo. Pero sin duda, la mayor diversidad de aplicaciones para optimización de portfolios la encontramos en el entorno R que, al tener una estructura de código abierto y distribuirse bajo licencia GNU GPL, está ampliamente extendido en el mundo académico. Por su calidad y pertinencia para este artículo destacamos los siguientes proyectos:


- PortfolioAnalytics. Es un paquete de utilidades para la optimización de portfolios que incluye varios procedimientos de asignación y rebalanceo de activos. Se pueden realizar optimizaciones complejas; objetivos y escenarios, restricciones de todo tipo y análisis de riesgos.

- PerformanceAnalytics. Este paquete contiene una amplia colección de fun-ciones para el análisis de la rentabilidad y el riesgo en todo tipo de portfolios. Incluye funciones avanzadas para analizar retornos que no están distribuidos normalmente y numerosos ratios econométricos.

- fPortfolio. Completísima colección de funciones para optimizar carteras y realizar diversos tipos de backtests. Calcula y grafica la Frontera Eficiente por diferentes métodos e incluye otros modelos de asignación.

- FRAPO. Paquete de funciones de optimización y análisis de portfolios con-tenidos en el libro de Bernhard Pfaff22.

- ROML.  Entorno para la resolución de problemas avanzados de optimiza-ción de portfolios. Su principal aportación es que incluye un lenguaje algebraico de optimización.

- PortfolioEffectHFT. Paquete específicamente construido para el mundo HFT. Permite realizar asignaciones dinámicas y rebalanceos continuos en períodos intradiarios. Incluye herramientas para el auto calibrado del ruido en time frames muy pequeños y la monitorización del riesgo en tiempo real.

Un elemento clave en los procesos de asignación y rebalanceo es el motor de optimización. No todos los optimizadores sirven para resolver problemas de optimización de carteras. El uso de optimizadores genéricos consume mucho tiempo con problemas complejos en los que intervienen demasiados parámetros y objetivos múltiples. A menudo se obtienen resultados poco realistas o erróneos debido al uso de un método de optimización inadecuado. Los problemas de optimización de carteras requieren alguno de estos métodos de optimización: Cuadrático, lineal o vectorial, no lineal (tipo GNR), estocástico o evolutivo y generador aleatorio de carteras.

Por ejemplo, los problemas de asignación con el modelo M-V y la determinación de  la Frontera Eficiente requieren un optimizador cuadrático, si utilizamos como función objetivo el CVaR o el Ratio Rachev será más eficiente una optimización lineal y si  optimizamos con el ratio Omega será preciso utilizar un optimizador estocástico o evolutivo. Muchos de estos problemas y otros que no caen en estos grupos pueden resolverse por el procedimiento de los “portfolios aleatorios”23. Básicamente se trata de generar permutaciones aleatorias de los porcentajes de asignación que satisfagan las restricciones del modelo. El conjunto resultante de carteras puede estar formado por miles o cientos de miles de portfolios alternativos y daría lugar a gráficos como estos:


Imagen obtenida permutando únicamente tres activos (S1, S2, S3). El punto rojo es el portfolio de mínima varianza global (MVP). Cada uno de los 2000 puntos grises es un portfolio aleatorio con pesos distintos de cada activo. En el gráfico de la izquierda pueden verse los pesos relativos de 100 portfolios cogidos al azar.


La principal ventaja de esta técnica es que permite rastrear todas las carteras posibles en el espacio de búsqueda de un problema de optimización específico y no solo el subconjunto de carteras situado en la Frontera Eficiente o aquella única combinación de activos que maximiza el criterio diana elegido.


Artículos Relacionados


El Tiempo También Es Relativo Para Los Mercados

El Tiempo También Es Relativo Para Los Mercados

Celebramos el 10º aniversario de la revista Hispatrading con este excelente artículo de Ignacio Villalonga de Zona Quant en el que nos presenta una forma de calcular las medias móviles sin tener que...

Cointegración II

Cointegración II

Seguramente recuerden que hace unos meses tratamos el tema de la cointegración aplicada al trading de spreads. Más tarde, CDS posteaba en el Foro un enlace a una herramienta publicada en el blog...

Breve Descripción de los Algoritmos Genéticos

Breve Descripción de los Algoritmos Genéticos

Los algoritmos genéticos son unas técnicas de programación que, simulando el mecanismo de evolución de las especies enunciado por Darwin, realizan la búsqueda de una solución óptima a un problema...

Cuando Casi Todos los Sistemas Fallan

Cuando Casi Todos los Sistemas Fallan

Es un honor para mí iniciar una serie de colaboraciones con Andrés García, creador de Tradingsys.org, una excelente web de visita obligatoria en la que se pueden encontrar auténticas...

Python en Quantopian

Python en Quantopian

La revista TRADERS' comparte con nosotros una breve introducción al uso de Python en la plataforma Quantopian.

Cadenas de Markov

Cadenas de Markov

La revista Traders' comparte con nosotros este excelente artículo de Óscar Cagigas, donde nos explica cómo utilizar cadenas de Markov como base para desarrollar estrategias de trading.