Paridad de riesgo jerárquico: aproximación al método y aplicación para el mercado estadounidense

Hierarchical Risk Parity: Approach to the method and application for the American market

Contenido principal del artículo

Resumen

Este artículo presenta el enfoque de paridad de riesgo jerárquico (HRP, por sus siglas en inglés) propuesto por López de Prado para la construcción de porta­folios óptimos de inversión empleando aprendizaje no supervisado –clustering jerárquico–, que permitan superar algunas limitaciones propias del modelo de Media-Varianza, en particular aquella relacionada con la necesidad de invertir la matriz de covarianzas en el momento de implementar el algoritmo CLA. Se toma una muestra de siete activos del mercado estadounidense, con los cuales se realiza una aplicación del algoritmo HRP propuesto por López de Prado; se encuentra que bajo este modelo la distribución de los activos en diferentes clús­teres genera mejoras en términos del retorno esperado, así como del coeficiente de Sharpe en comparación con los resultados del portafolio de media-varianza.

Palabras clave:

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Referencias (VER)

Bechis, L. (2020). Machine learning portfolio optimization: Hierarchical risk parity and modern portfolio theory (Tesis de maestría). Libera Università Internazionale degli Studi Sociali Guido Carli. http://tesi.luiss.it/28022/1/709261_bechis _ luca.pdf

Bailey, D. y López de Prado, M. (2012). The Sharpe coefficient efficient frontier. Journal of Risk, 15(2): 3-44. https://doi.org/10.21314/jor.2012.255

Black, F. y Litterman, R. (1992). Global portfolio optimization. Financial Analysts Journal, 48(5), 28-43. https://doi.org/10.2469/faj.v48.n5.28

Clarke, R., De Silva, H. y Thorley, S. (2002). Portfolio constraints and the fundamental law of active management. Financial Analysts Journal, 58: 48-66. https://doi. org/10.2469/faj.v58.n5.2468

Ledoit, O. y Wolf, M. (2004). A well-conditioned estimator for large-dimensional co-variance matrices. Journal of Multivariate Analysis, 88(2), 365-411. https://doi. org/10.1016/S0047-259X(03)00096-4

León, D., Aragón, A., Sandoval, J., Hernández, G., Arévalo, A. y Niño, J. (2017). Clus-tering algorithms for risk-adjusted portfolio construction. Procedia Computer Science, 108, 1334-1343. https://doi.org/10.1016/j.procs.2017.05.185

López de Prado, M. (2016). Building diversified portfolios that outperform out of sam¬ple. The Journal of Portfolio Management, 42(4), 59-69. https://doi.org/10.3905/ jpm.2016.42.4.059

López de Prado, M. (2018). Advances in financial machine learning. John Wiley & Sons.

López de Prado, M. (2020). Machine learning for asset managers. Cambridge Uni¬versity Press.

Markowitz, H. (1952). Portfolio Selection. Journal of Finance, 7(1), 77-91.

Markowitz, H. (1959). Portfolio Selection: Efficient Diversification of Investments. Wiley.

Mercader, M. (2021). Hierarchical Risk Parity: portfolio optimization. Mathema¬tics and Physics Engineering Final Project. Universitat Politécnica de Ca¬talunya. https://upcommons.upc.edu/bitstream/handle/2117/350200/tfg.pdf?sequence=1&isAllowed=y

Michaud, R. O. y Michaud, R. (2007). Estimation error and portfolio optimization: A Resampling Solution. Working paper. https://papers.ssrn.com/sol3/papers.cfm? abstract_id=2658657

Raffinot, T. (2018). The hierarchical equal risk contribution portfolio. Working paper. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3237540.

Sharpe, W. (1964). Capital asset prices: A theory of market equilibrium under conditions of risk. Journal of Finance, 19(3), 425-442. https://doi.org/10.1111/j.1540-6261.1964. tb02865.x

Tatsat, H., Puri, S. y Lookabaugh, B. (2020). Machine Learning and Data Science Blueprints for Finance. O’Reilly Media.

Vyas, A. (2019). The hierarchical risk parity algorithm: An introduction. Hudson and Thames Quantitative Research. Working paper. https://hudsonthames.org/?avia_ forced_reroute=1

Citado por