💰 quantitative finance

Some general results on risk budgeting portfolios

Este artículo propone un nuevo enfoque para calcular carteras de asignación de riesgo mediante una sucesión de Cauchy que evita problemas de optimización auxiliares, estableciendo condiciones teóricas para la existencia y unicidad de la solución y demostrando su eficacia en comparación con métodos estándar.

Autores originales: Claudia Fassino, Pierpaolo Uberti

Publicado 2026-03-17

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Claudia Fassino, Pierpaolo Uberti

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 tienes un pastel financiero (tu cartera de inversiones) y quieres repartirlo entre varios amigos (activos) de una manera muy específica: no quieres que todos tengan el mismo trozo de pastel, sino que cada uno contribuya con una cantidad exacta de "caos" o "riesgo" al grupo.

A esto se le llama Presupuesto de Riesgo.

El problema es que, hasta ahora, calcular cómo repartir ese pastel para lograr ese equilibrio exacto era como intentar adivinar la receta perfecta probando ingredientes al azar, usando fórmulas matemáticas muy complejas y lentas que a veces fallaban o daban resultados extraños.

Este artículo de Claudia Fassino y Pierpaolo Uberti propone una nueva forma de cocinar este pastel. En lugar de usar la "receta de optimización" tradicional (que es como intentar adivinar la receta probando millones de combinaciones), ellos proponen un método más inteligente, rápido y directo.

Aquí te lo explico con analogías sencillas:

1. El Problema: El Mapa del Tesoro Perdido

Imagina que buscas un tesoro (la cartera perfecta) en una isla.

El método antiguo (Optimización): Es como si un explorador intentara encontrar el tesoro dibujando un mapa gigante, calculando todas las rutas posibles, midiendo cada paso con una regla láser y resolviendo ecuaciones complejas para ver cuál es la "mejor" ruta. Es lento, costoso y a veces el mapa se borra con la lluvia (los datos cambian un poco y el resultado se vuelve loco).
El problema: A veces, el explorador se queda atascado en un bucle o el mapa es tan complejo que tarda años en encontrar el tesoro.

2. La Solución: El Caminante Inteligente (La Secuencia de Cauchy)

Los autores proponen un enfoque diferente. Imagina que tienes un caminante inteligente que sabe exactamente hacia dónde debe ir, pero no necesita un mapa gigante.

La idea: El caminante da un paso, mira si está más cerca del tesoro, ajusta su dirección y da otro paso.
La magia: Matemáticamente, demuestran que si este caminante sigue ciertas reglas, nunca se perderá. Siempre se acercará más y más al tesoro hasta detenerse justo en él.
La analogía: Es como bajar una colina con niebla. En lugar de calcular la forma exacta de la montaña, simplemente das un paso hacia abajo. Si te sientes más bajo, sigues. Si te sientes más alto, retrocedes un poco. Repites esto hasta que estás en el valle más bajo (el riesgo perfecto).

3. ¿Por qué es mejor?

Velocidad: El método antiguo (optimización) es como un coche de Fórmula 1 que tiene que pasar por un semáforo rojo en cada intersección (resolver problemas auxiliares). El nuevo método es como un patinador que desliza directamente por el hielo sin pararse. Es mucho más rápido.
Estabilidad: Si el viento cambia un poco (los datos del mercado varían), el patinador se adapta suavemente. El coche de Fórmula 1 podría volcar porque sus cálculos eran demasiado rígidos.
Sin "cajas negras": El método antiguo a veces es difícil de explicar: "¿Por qué invertimos aquí?". El nuevo método es más intuitivo: "Nos movemos en la dirección que reduce el riesgo hasta llegar al objetivo".

4. El Experimento: La Carrera de Caballos

Los autores probaron su método contra los tres métodos tradicionales más famosos.

Resultado: Su nuevo algoritmo (llamado FP o "Punto Fijo") ganó en todas las pruebas.
Velocidad: Fue decenas de veces más rápido.
Precisión: Encontró el tesoro con mucha más exactitud.
Escalabilidad: Si añades más amigos al pastel (más activos en la cartera), el método antiguo se vuelve muy lento y pesado. El nuevo método sigue siendo ligero y rápido, como si no le importara que el grupo crezca.

En resumen

Este paper nos dice: "Dejen de intentar resolver ecuaciones imposibles para repartir el riesgo. Usen un algoritmo que simplemente 'caminará' hacia la solución correcta paso a paso, de forma segura y rapidísima".

Es como pasar de intentar calcular manualmente la trayectoria de un cohete a usar un sistema de navegación GPS que te guía automáticamente al destino, ahorrando tiempo, combustible y dolores de cabeza.

A continuación se presenta un resumen técnico detallado del artículo "Some general results on risk budgeting portfolios" (Algunos resultados generales sobre carteras de presupuestación de riesgos), escrito por Claudia Fassino y Pierpaolo Uberti.

1. Planteamiento del Problema

La presupuestación de riesgos (Risk Budgeting - RB) es una estrategia de inversión donde cada activo contribuye con una cantidad predeterminada al riesgo total de la cartera. Un caso particular es la paridad de riesgos (Risk Parity), donde todas las contribuciones son iguales.

El problema central abordado en el artículo es el cálculo numérico de la cartera de presupuestación de riesgos. Actualmente, la literatura estándar aborda este problema mediante la resolución de problemas de optimización auxiliares (generalmente convexos). Sin embargo, este enfoque presenta varias desventajas:

Falta de interpretación económica: Los problemas de optimización auxiliares no tienen una justificación económica directa, lo que dificulta explicar por qué un inversor debería resolverlos para asignar su riqueza.
Inestabilidad numérica: Los métodos de optimización pueden ser sensibles a pequeñas variaciones en los parámetros de entrada.
Complejidad computacional: A medida que aumenta el número de activos, la resolución de estos problemas de optimización se vuelve costosa.
Dependencia teórica: Los resultados sobre la existencia y unicidad de la solución dependen enteramente de la convexidad del problema de optimización auxiliar.

El objetivo del artículo es proponer una perspectiva alternativa que evite la optimización auxiliar, ofreciendo un algoritmo más eficiente y una base teórica basada en puntos fijos.

2. Metodología Propuesta

Los autores proponen un enfoque basado en la construcción de una sucesión de Cauchy dentro del simplex de $\mathbb{R}^N$ (el espacio de las carteras con pesos no negativos que suman 1).

A. Definición de la Sucesión

Se define una función $\Delta(x)$ que mide la desviación entre la contribución al riesgo actual y el presupuesto de riesgo objetivo ( $x_b$ ):
$\Delta(x) = RC_\rho(x) - x_b \mathbf{1}^t RC_\rho(x)$
Donde $RC_\rho(x)$ es el vector de contribuciones marginales al riesgo bajo una medida de riesgo $\rho$ .

Se construye una sucesión iterativa $\{x_n\}$ definida por:
$x_{n+1} = x_n + k(x_n)\Delta(x_n)$
Donde $k(x_n)$ es un escalar (paso) elegido cuidadosamente para garantizar la convergencia.

B. Convergencia y Puntos Fijos

Sucesión de Cauchy: Bajo ciertas condiciones sobre la función $k(x)$ (específicamente, que reduzca la norma de $\Delta(x)$ en cada paso), se demuestra que $\{x_n\}$ es una sucesión de Cauchy. Dado que el simplex es un espacio métrico completo, la sucesión converge a un límite $x^*$ .
Punto Fijo: El límite $x^*$ satisface $\Delta(x^*) = 0$ , lo que implica que es un punto fijo de la función $G(x) = x - k(x)\Delta(x)$ .
Existencia y Unicidad: Utilizando el Teorema de Kellogg, los autores establecen condiciones suficientes para la existencia y unicidad del punto fijo en el simplex, basándose en las propiedades de la derivada de la función $G$ .

C. Caso Específico: Desviación Estándar

El método se detalla para el caso en que la medida de riesgo es la desviación estándar. En este caso, la contribución al riesgo es $RC(x) = \text{diag}(x)Vx$ , donde $V$ es la matriz de covarianza.

Se derivan polinomios (cúbicos y cuárticos) para calcular el paso $k_n$ en cada iteración, asegurando que la norma del error disminuya ( $\|\Delta(x_{n+1})\| \leq L \|\Delta(x_n)\|$ con $0 < L < 1$ ).
Se proporciona una condición explícita para acotar $|k_n|$ y garantizar que la sucesión permanezca dentro del simplex (pesos no negativos).

D. Algoritmo

El algoritmo propuesto (FP - Fixed Point) es iterativo y no requiere resolver problemas de optimización. En cada paso:

Calcula el vector de contribuciones al riesgo.
Calcula la dirección de actualización $\Delta(x_n)$ .
Determina el paso $k_n$ resolviendo desigualdades polinómicas para asegurar la reducción del error y la factibilidad (permanencia en el simplex).
Actualiza la cartera.

3. Contribuciones Clave

Enfoque No Optimizador: Se elimina la necesidad de resolver problemas de optimización auxiliares, reemplazándolos por una búsqueda de punto fijo directa. Esto otorga una interpretación más clara y evita problemas de estabilidad numérica asociados a la optimización.
Fundamentación Teórica Nueva: Se establece la existencia y unicidad de la cartera de presupuestación de riesgos basándose en la teoría de puntos fijos y sucesiones de Cauchy, en lugar de depender exclusivamente de la convexidad de un problema de optimización.
Algoritmo Eficiente: Se propone un algoritmo con convergencia rápida y bajo costo computacional por iteración, que escala bien con el número de activos.
Generalidad: El marco teórico se desarrolla para medidas de riesgo generales, aunque se implementa y valida detalladamente para la desviación estándar.

4. Resultados Empíricos

Los autores comparan su algoritmo (FP) con tres métodos estándar de la literatura:

OP1 y OP2: Métodos de optimización (usando fmincon en MATLAB) que minimizan la distancia al presupuesto de riesgo.
NLS: Resolución de un sistema no lineal de ecuaciones (usando lsqnonlin).

Hallazgos principales:

Velocidad: El algoritmo FP es significativamente más rápido que los métodos de optimización y el sistema no lineal. Por ejemplo, para 200 activos, FP tarda ~0.038 segundos, mientras que OP1 tarda ~1.4 segundos y NLS ~3.6 segundos.
Precisión: FP logra una mayor precisión (menor distancia al presupuesto objetivo) que los métodos de optimización, especialmente en configuraciones donde los métodos de optimización tienden a estancarse o converger a soluciones menos precisas en un tiempo razonable.
Escalabilidad: El tiempo de cálculo de FP crece muy lentamente con el número de activos ( $N$ ), mostrando una gran resiliencia a la dimensionalidad.
Parámetro L: Se analizó el impacto del parámetro $L$ (que controla la tasa de reducción del error). Se encontró que valores de $L$ cercanos a 1 (ej. 0.95 o 0.99) ofrecen el mejor equilibrio entre velocidad y estabilidad, evitando iteraciones fallidas cuando los polinomios no tienen raíces reales.

5. Significado y Conclusión

Este trabajo representa un avance significativo en la teoría y práctica de la gestión de carteras. Al desvincular el cálculo de la presupuestación de riesgos de los problemas de optimización tradicionales, los autores ofrecen:

Una solución computacionalmente superior para carteras grandes.
Una interpretación teórica más robusta basada en análisis funcional (puntos fijos) en lugar de solo optimización convexa.
Una herramienta práctica que es fácil de implementar y que supera a los métodos heurísticos y de optimización existentes en términos de velocidad y precisión.

El enfoque abre la puerta a futuras investigaciones para aplicar esta metodología a otras medidas de riesgo (como el Valor en Riesgo o el Expected Shortfall) y refinar las condiciones teóricas para garantizar la unicidad en contextos más amplios.