⚡ electrical engineering

On Frequency-Based Optimal Portfolio with Transaction Costs

Este artículo investiga el impacto de la frecuencia de reequilibrio y los costos de transacción en las carteras logarítmicamente óptimas mediante la demostración de su equivalencia con programas cóncavos, el abordaje de los riesgos de quiebra a través de aproximaciones cuadráticas, el establecimiento de nuevos teoremas de dominancia y de dos fondos, y la validación de estos métodos mediante estudios empíricos en datos de negociación intradía, diaria y en línea.

Autores originales: Chung-Han Hsieh, Yi-Shan Wong

Publicado 2026-08-11

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Chung-Han Hsieh, Yi-Shan Wong

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres el capitán de un barco de tesoros, y tu objetivo es hacer que tu pila de oro crezca lo más rápido posible durante un largo viaje. En el mundo de las finanzas, esto se llama "optimización de cartera". Durante décadas, los matemáticos han estudiado una estrategia especial llamada "Cartera Log-Óptima" (o el Criterio de Kelly). Piensa en esto como una brújula súper inteligente que te dice exactamente cuánto oro debes apostar en cada isla que visites para maximizar tu tesoro total al final del viaje. El ingrediente secreto de esta brújula es una regla simple: no te fijes solo en cuánto dinero podrías ganar; fíjate en cuánto crece tu riqueza en promedio, matemáticamente hablando.

Sin embargo, la vida real no es un videojuego perfecto. En el mundo real, cada vez que mueves tu oro de una isla a otra, tienes que pagar un peaje. Estos son los "costos de transacción": tarifas por negociar, diferenciales entre los precios de compra y venta, y comisiones. Si intentas mover tu oro con demasiada frecuencia (alta frecuencia), estos peajes pueden devorar todas tus ganancias. Pero si nunca mueves tu oro (baja frecuencia), podrías perderte grandes oportunidades. La gran pregunta es: ¿con qué frecuencia deberías reequilibrar tu cofre del tesoro para obtener la mayor cantidad de oro cuando tienes que pagar peajes cada vez que mueves algo? Este es el rompecabezas que un equipo de investigadores de la Universidad Nacional Tsing Hua se propuso resolver.

Los autores de este artículo, Chung-Han Hsieh e Yi-Shan Wong, decidieron mezclar la famosa brújula "Log-Óptima" con la realidad desordenada de los costos de transacción y las diferentes velocidades de reequilibrio. Querían ver qué sucede cuando intentas maximizar el crecimiento de tu riqueza mientras pagas tarifas cada vez que ajustas tus apuestas.

Esto es lo que descubrieron. Primero, demostraron que incluso con estas tarifas desordenadas, el problema de encontrar la mejor estrategia sigue siendo matemáticamente "amable". Demostraron que puede convertirse en un tipo específico de rompecabezas llamado "programa cóncavo", que es como un tazón suave donde el fondo es la mejor solución, lo que facilita encontrar la respuesta correcta sin quedarse atrapado en los lados.

Pero hubo un inconveniente. Cuando añadieron las tarifas, encontraron una posibilidad aterradora: la bancarrota. Si las tarifas son demasiado altas y tratas de reequilibrar con demasiada frecuencia, las matemáticas dicen que podrías terminar con cero dinero. Es como pagar tantos peajes que te quedas sin oro antes de llegar a la siguiente isla. Para solucionar esto, el equipo inventó un atajo ingenioso. Aproximaron el complejo y aterrador cálculo con una versión más simple y suave (un programa cuadrático) que evita la trampa de la bancarrota y, al mismo tiempo, ofrece una respuesta muy buena. Demostraron que este atajo es casi idéntico a la solución perfecta en la mayoría de los casos.

También descubrieron algunas reglas sorprendentes sobre cuándo deberías "ir con todo". Demostraron un "Teorema de Dominancia" con costos: si un activo es lo suficientemente bueno como para superar a todos los demás incluso después de pagar las tarifas, el movimiento más inteligente es volcar todo en ese único activo e ignorar el resto. Es como encontrar una isla con una mina de oro que es tan rica que, incluso después de pagar los peajes para llegar allí, es mejor repartir tu oro entre otras diez islas.

Para probar sus ideas, no solo usaron la teoría; usaron datos reales. Observaron precios minuto a minuto de cosas como acciones, bonos e incluso Bitcoin. Simularon operaciones con diferentes velocidades de reequilibrio (cada minuto frente a cada cinco minutos) y diferentes niveles de tarifas. Los resultados fueron claros:

El comercio frecuente es caro: Cuando reequilibraban cada minuto con tarifas del mundo real, las ganancias a menudo eran negativas porque los peajes devoraban las ganancias.
Esperar compensa: Cuando esperaban un poco más (reequilibrando cada cinco minutos), las tarifas eran más bajas y la estrategia realmente generaba dinero.
El atajo funciona: Su matemática simplificada (la aproximación) dio resultados casi idénticos a la matemática compleja y perfecta, demostrando que es una herramienta segura y eficiente para los inversores.

Finalmente, mostraron cómo usar esto en un entorno en tiempo real y en línea. En lugar de adivinar el futuro, utilizaron un enfoque de "ventana deslizante". Imagina mirar por la ventana de tu barco los últimos 30 días de clima para decidir tu rumbo para el día siguiente. Al actualizar constantemente su estrategia basándose en los datos más recientes, podían adaptarse a los cambios del mercado sin necesidad de resolver un problema matemático imposible y complejo cada segundo.

En resumen, este artículo proporciona una guía práctica y matemáticamente probada para los inversores que desean utilizar la poderosa estrategia "Log-Óptima" pero necesitan tener en cuenta el costo real de operar. Advierte que moverse demasiado rápido puede llevarte a la bancarrota, pero con el tiempo adecuado y una aproximación inteligente, aún puedes navegar las olas del mercado para hacer crecer tu riqueza.

Resumen Técnico: Sobre la Cartera Log-Óptima con Dependencia de la Frecuencia y Costos de Transacción

Formulación del Problema
Este artículo investiga el problema de la cartera log-óptima, que busca maximizar el Crecimiento Logarítmico Esperado (ELG, por sus siglas en inglés) de la riqueza de un inversor, incorporando explícitamente dos factores críticos que a menudo se tratan por separado o se ignoran en la literatura previa: la frecuencia de reequilibrio y los costos de transacción proporcionales. Los autores consideran un marco de tiempo discreto con $N$ etapas y $m \ge 2$ activos, incluyendo al menos un activo libre de riesgo. El inversor emplea una política lineal donde el vector de pesos $K$ se encuentra en el simplex unitario (restricción de solo posiciones largas).

El desafío central abordado es que, cuando los costos de transacción proporcionales son distintos de cero, el problema log-óptimo dependiente de la frecuencia puede volverse intratable. Específicamente, la presencia de costos puede conducir a "problemas de supervivencia" donde el valor de la cuenta $V(n)$ cae a cero o por debajo de este con una probabilidad positiva, lo que hace que la tasa de crecimiento logarítmico no esté definida. Además, el problema de optimización exacto con costos no siempre arroja una solución trivial o de forma cerrada, lo que requiere un enfoque matemático riguroso para manejar las restricciones y la posible bancarrota.

Metodología
El artículo emplea una combinación de la teoría de optimización convexa, análisis estocástico y validación empírica utilizando tanto datos de intradía como diarios.

Equivalencia de Programa Cóncavo: Los autores demuestran primero que el problema de optimización del ELG dependiente de la frecuencia con costos de transacción proporcionales es equivalente a un programa cóncavo. Al definir un vector de retorno ajustado por comisiones $\tilde{X}_n$ , donde $\tilde{X}_{n,i} = X_{n,i} - c_i$ (siendo $c_i$ el costo de transacción), se demuestra que la función objetivo es cóncava sobre el conjunto compacto convexo del simplex unitario.
Teorema de Dominancia con Costos: Se establece una versión del Teorema de Dominancia. Este proporciona una condición suficiente bajo la cual un inversor log-óptimo debería invertir el 100% de los fondos disponibles en un solo activo $j$ . Esto ocurre si la razón esperada de los retornos ajustados por comisiones de cualquier otro activo $i$ respecto al activo $j$ es menor o igual a uno.
Aproximación mediante Programa Cóncavo Cuadrático: Para abordar el problema de la bancarrota donde $V(n) \le 0$ , el artículo propone una aproximación cuadrática basada en series de Taylor de la función ELG alrededor de $K=0$ . Esto transforma el problema en un programa cuadrático cóncavo. Los autores derivan las condiciones de optimalidad necesarias y suficientes (condiciones KKT) para este problema aproximado.
Teorema de los Dos Fondos: Se demuestra una versión del Teorema de los Dos Fondos para el problema aproximado. Demuestra que cualquier combinación convexa de dos vectores de peso óptimos que satisfagan las condiciones de optimalidad derivadas es, en sí misma, una solución óptima.
Ventana Deslizante para el Trading en Línea: Para adaptarse a las condiciones dinámicas del mercado donde las distribuciones de retorno reales son desconocidas, los autores implementan un enfoque de ventana deslizante basado en datos. Este método resuelve una secuencia de programas cóncavos estáticos sobre una ventana móvil de datos históricos, evitando la complejidad computacional de la programación dinámica estocástica.

Resultados Clave y Hallazgos Empíricos
El marco teórico se valida mediante extensos estudios empíricos utilizando datos de intradía minuto a minuto (cinco activos incluyendo ETFs y Bitcoin) y datos diarios (una cartera de 32 activos que incluye acciones del Dow 30 y Bitcoin).

Precisión de la Aproximación: Los resultados empíricos muestran que los pesos óptimos derivados de la aproximación cuadrática ( $\hat{K}^*$ ) son casi idénticos a los verdaderos pesos log-óptimos ( $K^*$ ), validando la utilidad de la aproximación para la implementación práctica.
Impacto de los Costos de Transacción y la Frecuencia:
- El reequilibrio de alta frecuencia (por ejemplo, cada minuto) combinado con costos de transacción degrada significativamente el rendimiento, resultando a menudo en ratios de Sharpe negativos y pérdidas acumuladas.
- Aumentar el periodo de reequilibrio (por ejemplo, cada 5 minutos o días) mitiga el impacto de los costos de transacción, conduciendo a ratios de Sharpe positivos y un mejor desempeño en comparación con el reequilibrio frecuente.
- Bajo altos costos de transacción, la estrategia óptima suele desplazarse hacia la tenencia del activo libre de riesgo (cuenta bancaria) o de un único activo dominante, en lugar de una cartera diversificada.
Dominancia en Carteras de Tamaño Medio: En el ejemplo de datos diarios de 32 activos, el Teorema de Dominancia identificó correctamente un único activo dominante (Chevron) cuando estaban presentes los costos de transacción, llevando la estrategia óptima a concentrar todo el capital en dicho activo.
Desempeño de la Ventana Deslizante: El escenario de trading en línea utilizando un enfoque de ventana deslizante demostró que las estrategias log-óptimas (tanto exactas como aproximadas) generalmente superaron a una estrategia de comprar y mantener (buy-and-hold) con pesos iguales, particularmente cuando el tamaño de la ventana era suficientemente grande (por ejemplo, 30 días) para suavizar el ruido de estimación.

Significancia y Reivindicaciones
El artículo afirma llenar un vacío en la literatura al integrar rigurosamente la frecuencia de reequilibrio y los costos de transacción en el marco de la cartera log-óptima. Sus principales contribuciones son:

Rigor Teórico: Probar la equivalencia del problema con inclusión de costos a un programa cóncavo y establecer condiciones para evitar la bancarrota.
Solubilidad Práctica: Proporcionar una aproximación cuadrática tratable con condiciones de optimalidad necesarias y suficientes, haciendo que el problema sea resoluble para carteras del mundo real.
Compensación Frecuencia-Costo: Cuantificar la compensación entre la frecuencia de reequilibrio y los costos de transacción, demostando que el reequilibrio frecuente es perjudicial cuando existen costos de transacción.
Adaptación en Línea: Extender el marco de optimización estática a un entorno de trading en línea mediante un enfoque de ventana deslizante, ofreciendo una alternativa computacionalmente eficiente a la programación dinámica.

Los autores mantienen un tono modesto, reconociendo que la aproximación cuadrática es más precisa para retornos pequeños y que trabajos futuros podrían explorar las ventas en corto, el modelado de dividendos y la robustez distributiva para manejar los errores de estimación en las distribuciones de retorno.

Más como este