Paridad de riesgo jerárquico: aproximación al método y aplicación para el mercado estadounidense
| Autor | Daniel Aragón Urrego |
| Cargo | Magíster en Finanzas. Docente-Investigador, Observatorio de Economía y Operaciones Numéricas (Odeon), Universidad Externado de Colombia, Bogotá (Colombia). |
| Páginas | 105-124 |
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
Daniel Aragón Urrego*
* Magíster en Finanzas. Docente-Investigador, Observatorio de Economía y Operaciones
Numéricas (odeon), Universidad Externado de Colombia, Bogotá (Colombia). [dan iel.a rag on@
uexternado.edu.co], [orcid id: 0000-0001-7677-1379].
Artículo recibido: 27 de mayo de 2022
Aceptado: 12 de julio de 2022
Para citar este artículo:
Aragón-Urrego, D. (2022). Paridad de riesgo jerárquico: aproximación al método y aplicación
para el mercado estadounidense. Odeon, 21, 105-124.
doi: ht t ps: //d oi. or g /10. 186 01/17 94111 3.n 21. 06
106
odeon, issn: 1794-1113, e-issn: 2346-2140, N° 21, julio-diciembre de 2021, pp. 105-124
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 porta-
folios 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 clús-
teres 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: portafolio óptimo; paridad de riesgo; clustering.
Clasificación j el: C61, G11.
Abstract
This paper presents the Hierarchical Risk Parity (Hrp) approach proposed by
López de Prado (2016, 2018, 2020) for the construction of optimal investment
portfolios using unsupervised learning, hierarchical clustering, which allow
overcome some limitations of the Mean-Variance (MV) model, in particular
those related to the need to invert the covariance matrix when implementing
the c la algorithm. A sample of 7 assets from the American market is taken,
with which an application of the Hrp algorithm proposed by López de Prado is
carried out, finding that under this model the distribution of assets in different
clusters generates improvements in terms of the expected return, as well as of
the Sharpe coefficient compared to the results of the Mean-Variance portfolio.
Key words: Optimal portfolio; risk parity; clustering.
jel classi fication: C 61, G11.
Introducción
La gestión moderna de portafolios ha evolucionado en las últimas décadas para
superar algunas limitaciones propias del modelo tradicional de media-varianza
(MV) de Markowitz. En este aspecto, siguiendo a López de Prado (2020), el
algoritmo de línea crítica (cla, por sus siglas en inglés) de Markowitz, mediante
el cual se construye la frontera eficiente de portafolios óptimos, en la práctica
tiende a generar soluciones concentradas e inestables. El principal problema
Para continuar leyendo
Solicita tu prueba