8/19/12
Agenda
n n n n
Problemas con la optimizacin tradicional Modelo de Black-Litterman: Paso 1: mercado? que piensa el
El principal problema es que se utilizan retornos histricos que pronostican de manera deficiente los retornos futuros. la estimacin de la covarianza basndose en datos histricos tambin arroja
Adems,
optimizacin de BL ataca muchas de las debilidades de la metodologa tradicional. con el supuesto que un inversionista escoge su portafolio ptimo a partir de un grupo de activos.
Comienza
El supuesto inicial es que es muy difcil superar el portafolio benchmark. asume que un portafolio dado es ptimo y desde este supuesto deriva los retornos esperados de los componentes del portafolio benchmark ("ingeniera reversa")
BL
Ejemplo sencillo
Con
la siguiente informacin del retorno promedio y la desviacin estndar diaria para las cinco acciones que componen nuestro universo de activos podemos derivar el portafolio de tangencia asumiendo que no existen restricciones en cuanto a posiciones cortas y largas.
Ejemplo sencillo
Las proporciones en el portafolio benchmark son valores supuestos aunque se pueden estimar en funcin o proporcin de la capitalizacin burstil de las compaas analizadas.
Ejemplo sencillo
Inicialmente Adems,
Ejemplo sencillo
Podemos
calcular las ponderaciones (w) dentro del portafolio ptimo o de tangencia con la siguiente formula:
Para
los retornos promedio son negativos, ignorando las covarianzas, esto resultar en posiciones cortas. pesar de que el retorno histrico haya sido subpar, no hay razn para asumir que los retornos a futuro sern negativos.
correlaciones histricas de los retornos entre activos en ocasiones son muy altas (como se resaltan en azul a continuacin)
Uno
de los mtodos de pronstico de la matriz de varianza-covarianza es el mtodo de encogimiento (shrinkage) que es tomar una combinacin convexa de la matriz de varianzacovarianza muestral con una matriz diagonal de varianzas. La matriz pronosticada sera igual a:
a:
Solucin al problema de optimizacin propuesta por solucin se compone de dos partes: BL Esta
Paso 1: que piensa el mercado? Se asume que el portafolio benchmark es ptimo y deriva los retornos esperados de cada activo bajo este supuesto. incorporando opiniones de los inversionistas. Suponga que el inversionista tiene opiniones diferentes del
Paso2:
la anterior formula podemos derivar los retornos esperados (de cada uno de los activos o del portafolio) asumiendo que los pesos o proporciones en el portafolio eficiente estn en funcin de la capitalizacin burstil de las compaas (15%, 23%, 12%, 27%, 23%)
que se espera que el retorno del portafolio benchmark (de 5 activos) ser del 0.5%. Sin tener en cuenta todava el factor de normalizacin estimemos los retornos esperados para los activos:
estos retornos esperados y los pesos dentro del portafolio benchmark comprobemos que el retorno del portafolio (Rp) sea del 0.5%:
el retorno del portafolio es diferente al esperado del 0.5%. que se obtenga un retorno de tal magnitud del portafolio benchmark o de referencia el factor de normalizacin deber ser igual al siguiente escalar:
nuestro caso el factor de normalizacin es igual a 11.66308. Con ello obtendremos los siguientes retornos esperados para las acciones analizadas:
Con
ahora se ha supuesto que el portafolio benchmark es eficiente y que el retorno esperado diario del portafolio de referencia es del 0.5%. idea general es que si el inversionista est en desacuerdo con el retorno de consenso de
La
embargo, hay que ser precavido dado que los retornos estn correlacionados y una opinin sobre el retorno de un activo se transmitir al resto. delta () en la siguiente tabla representa la desviacin del inversionista o analista con
El
Sin
embargo la tabla anterior no contempla como la correlacin o covarianza entre activos afecta los retornos ajustados por opinin del resto de activos.
la covarianza entre los retornos de los activos, el retorno ajustado por opinin del segundo activo tendr que ser igual a:
de generalizar la estimacin de los retornos ajustados por opinin podremos estimar una matriz de betas que surja de dividir cada fila de la matriz de varianza y covarianza por la varianza de la fila respectiva (esta divisin representa la divisin en la ecuacin anterior).
en la matriz de varianza covarianza histrica tendremos que la matriz de betas () ser igual a:
los retornos ajustados por opinin para todos los activos sern iguales a (donde delta () representa un vector de opiniones):
retornos ajustados por opinin teniendo en cuenta las covarianzas entre los retornos de los activos sern iguales a:
que el inversionista espera que el retorno de AES sea del 0.7% y el de MMM del 0.55% despus de ajustar por su opinin y tener en cuenta el efecto de varianza-covarianza en los retornos ajustados del resto de activos. la herramienta de Solver en Excel se tendra que:
Utilizando
RAJUST_AES y R_AJUST_MMM son los retornos ajustados de las acciones de las acciones de AES y MMM y son estimados con la frmula:
celdas de variables contienen los deltas nicamente de las acciones de AES y MMM arroja la siguiente solucin con respecto a los retornos ajustados por opinin:
Excel
Las
manera de resolver el problema anterior sin colocar la fuerte restriccin de que los deltas sobre el resto de los activos (APC, AFL y BAX) son iguales a cero, es sumar los deltas al cuadrado de cada uno de los activos.
funcin ser minimizar la suma de deltas al cuadrado (o suma total de las divergencias al cuadrado), modificando los deltas con las restricciones que los retornos ajustados por opinin de AES y MMM sean del 0.7% y del 0.55%. solver el problema de
En
las celdas de variables contendrn los deltas de todos los cinco activos. En este caso los retornos ajustados por opinin sern iguales a:
Conclusiones
Discutimos
los inconvenientes con la metodologa tradicional de optimizacin una metodologa alternativa de estimacin de la matriz de varianza-covarianza los supuestos modelo de Black-Litterman del
Utilizamos
Expusimos
Conclusiones
Hallamos
inicialmente los retornos esperados de mercado con el modelo la composicin de portafolios eficientes teniendo en cuenta una o varias opiniones
Encontramos