💰 quantitative finance

Asset allocation using a Markov process of clustered efficient frontier coefficients states

Este artículo propone un modelo de asignación de activos novedoso que utiliza un proceso de Markov basado en estados definidos por coeficientes de la frontera eficiente agrupados, demostrando empíricamente que supera a las carteras de referencia al optimizar la cartera mediante la expectativa ponderada de las carteras tangentes de cada estado.

Autores originales: Nolan Alexander, William Scherer, Jamey Thompson

Publicado 2026-04-07

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Nolan Alexander, William Scherer, Jamey Thompson

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

¡Claro que sí! Imagina que invertir en el mercado de valores es como navegar un barco a través de un océano cambiante. A veces el agua está tranquila y el sol brilla (mercado alcista), y otras veces hay tormentas, olas gigantes y niebla espesa (mercado bajista).

El problema con los métodos tradicionales de inversión es que tratan al océano como si siempre fuera igual: asumen que las olas de hoy serán exactamente como las de ayer. Pero sabemos que eso no es cierto; el clima cambia.

Este artículo presenta una nueva forma de navegar, llamada "Modelo de Markov de Fronteras Eficientes Agrupadas". Suena complicado, pero es muy sencillo si lo explicamos con analogías.

1. El Mapa del Tesoro (La "Frontera Eficiente")

En el mundo de las inversiones, existe un mapa teórico llamado "Frontera Eficiente". Imagina que es una montaña donde, en cada punto de la cima, tienes la mejor combinación posible de riesgo (qué tan alto puedes caer) y recompensa (cuánto dinero puedes ganar).

Los autores de este estudio no miran la montaña entera de una vez. En su lugar, descomponen la montaña en tres números mágicos (coeficientes) que describen su forma:

La altura del valle: ¿Cuál es el punto más seguro?
La pendiente: ¿Qué tan empinada es la subida?
La curvatura: ¿Qué tan rápido cambia la dificultad?

Estos tres números son como el "ADN" del mercado en un mes específico.

2. El Sistema de Clasificación (Agrupamiento o "Clustering")

Aquí viene la parte genial. En lugar de mirar cada día por separado, el modelo toma estos "números mágicos" de cada mes y los agrupa en categorías o "estados", como si estuvieras clasificando el clima.

Estado 1: "Día de playa perfecto" (Mercado tranquilo y subiendo).
Estado 2: "Tormenta leve" (Mercado volátil pero con potencial).
Estado 3: "Huracán" (Mercado cayendo fuerte).
Estado 4: "Niebla densa" (Mercado estancado).

El modelo usa una técnica llamada agrupamiento jerárquico (como organizar una biblioteca) para ver qué meses se parecen entre sí. Si el mes de enero y el mes de marzo tienen el mismo "ADN" de mercado, el modelo los pone en la misma caja.

3. El Oráculo del Tiempo (Proceso de Markov)

Una vez que el mercado está clasificado en estas cajas (estados), el modelo actúa como un oráculo del tiempo.

La idea clave es: "Si hoy estamos en una 'Tormenta leve', ¿cuál es la probabilidad de que mañana sigamos en tormenta, o que pasemos a 'Huracán', o que salga el sol?"

El modelo estudia la historia para crear un mapa de probabilidades. No adivina el futuro, pero sabe que si hoy llueve, es más probable que mañana siga lloviendo que de repente salga un arcoíris.

4. La Estrategia de Navegación (La Cartera de Inversión)

Aquí es donde el modelo construye tu dinero. En lugar de tener una sola estrategia para todo el año, el modelo tiene una estrategia diferente para cada "caja" de clima:

Si el modelo dice que estamos en el Estado de Huracán, activa su "Modo Supervivencia": vende activos arriesgados y busca refugio.
Si dice que estamos en el Estado de Playa, activa su "Modo Aventura": compra activos de alto crecimiento.

Pero, como no sabemos con certeza qué pasará mañana, el modelo hace algo inteligente: mezcla las estrategias.
Calcula: "Hay un 30% de probabilidad de que mañana siga siendo tormenta, así que pondré el 30% de mi dinero en la estrategia de tormenta. Hay un 70% de probabilidad de que salga el sol, así que pondré el 70% en la estrategia de playa."

El resultado final es una mezcla perfecta que se adapta automáticamente a lo que el mercado probablemente hará.

¿Por qué es mejor que lo anterior?

Los viejos modelos: Son como un capitán que ignora el clima y navega siempre con la misma velocidad, sin importar si viene un tsunami.
Este modelo: Es como un capitán experto que mira el radar, clasifica el clima actual, consulta el historial de tormentas y ajusta las velas antes de que la ola llegue.

Los Resultados

Los autores probaron este método con tres tipos de barcos (mercados): acciones de EE. UU. (pequeñas y grandes), sectores industriales y mercados internacionales.

Resultado: El barco con este nuevo sistema de navegación llegó a su destino con más dinero y menos daños (menos caídas bruscas) que los barcos que usaban los métodos tradicionales.

En resumen

Este paper nos dice: No intentes predecir el futuro exacto. En su lugar, clasifica el clima actual, aprende de la historia para ver hacia dónde es más probable que vaya el clima, y ajusta tu inversión basándote en esas probabilidades. Es como tener un GPS que sabe no solo dónde estás, sino hacia dónde es más probable que te muevas, y te da el mejor camino para llegar.

Título: Asignación de Activos Utilizando un Proceso de Markov de Estados de Coeficientes de la Frontera Eficiente Agrupados

1. El Problema

El modelo clásico de Teoría Moderna de Portafolios (MPT) de Markowitz asume que el mercado es estacionario, es decir, que los retornos esperados y las covarianzas de los activos permanecen constantes en el tiempo. En la práctica, los mercados financieros son no estacionarios, lo que genera errores significativos de estimación y limita la robustez de los modelos tradicionales.

Aunque existen extensiones como el modelo Black-Litterman o estimaciones de covarianza (Ledoit-Wolf), estas tienen limitaciones: requieren entradas subjetivas o no mejoran la estimación del vector de retornos, que es el parámetro más sensible. Por otro lado, los modelos de cambio de régimen basados en Modelos Ocultos de Markov (HMM) suelen tener un rendimiento deficiente fuera de la muestra y carecen de interpretabilidad debido a que los estados son "ocultos" y difíciles de interpretar. Además, la mayoría de los enfoques de aprendizaje automático aplicados a la asignación de activos asumen un único régimen o utilizan características de retorno y volatilidad tradicionales, ignorando la estructura geométrica completa de la frontera eficiente.

2. Metodología Propuesta

Los autores proponen un modelo de asignación de activos llamado "Markov Markowitz", que combina la teoría de portafolios con un proceso de Markov observable basado en la agrupación (clustering) de coeficientes de la frontera eficiente. El proceso consta de cinco pasos principales:

Definición de Estados mediante Coeficientes de la Frontera Eficiente (EF):
- En lugar de usar retornos y volatilidad directamente, el modelo descompone la frontera eficiente en tres coeficientes interpretables derivados de la solución cerrada de Merton (1972):
  - $r_{mvp}$ : Retorno del punto de mínima varianza.
  - $\sigma_{mvp}$ : Desviación estándar del punto de mínima varianza.
  - $u$ : Tasa de curvatura de la función de utilidad de la frontera.
- Estos coeficientes reducen la dimensionalidad del vector de retornos y la matriz de covarianza, capturando la interacción entre activos.
Agrupación Temporal (Clustering):
- Se utiliza agrupación jerárquica aglomerativa con Distorsión de Tiempo Dinámico (DTW) para agrupar los coeficientes mensuales de la frontera eficiente.
- El DTW permite comparar series temporales de manera flexible, alineando los coeficientes a lo largo del tiempo para identificar regímenes de mercado similares, independientemente de la velocidad de variación.
- A diferencia de los HMM, los estados son observables y definidos explícitamente por la distancia en el espacio de los coeficientes.
Modelo de Markov de Transiciones:
- Una vez definidos los estados (clusters), se construye una matriz de transición de Markov que calcula la probabilidad de pasar de un estado actual a otro en el siguiente periodo, basándose en la historia de transiciones observada.
Optimización de Portafolios por Estado:
- Para cada estado identificado, se calcula un portafolio de tangencia (que maximiza el ratio de Sharpe) utilizando exclusivamente los datos de retorno y covarianza de ese estado específico. Esto evita el uso de datos irrelevantes de otros regímenes.
- Se permite la optimización tanto de largo-corto (suma de pesos = 0) como de solo largo (suma de pesos = 1), seleccionando la que ofrezca el mejor ratio de Sharpe in-sample para ese estado.
Construcción del Portafolio Final:
- El portafolio óptimo final es la esperanza matemática de los pesos de los portafolios de cada estado, ponderada por la probabilidad de transición desde el estado actual hacia cada estado posible.
- El modelo se actualiza de forma online y expansiva: cada mes se añade nuevo dato, se recalcula el clustering y se actualiza la matriz de transición y los pesos.

3. Contribuciones Clave

Nueva Caracterización de Estados: Es el primer estudio que utiliza los coeficientes interpretables de la frontera eficiente ( $r_{mvp}, \sigma_{mvp}, u$ ) como características para definir regímenes de mercado en un modelo de cambio de régimen.
Modelo de Markov Observable: Propone una alternativa interpretable a los HMM. Al ser los estados observables (basados en clustering), los usuarios pueden entender y visualizar cómo se forman los regímenes y cómo evolucionan, eliminando la "caja negra" de los estados ocultos.
Optimización Condicionada al Régimen: Introduce una metodología donde los portafolios de tangencia se calculan solo con datos históricos del régimen actual, en lugar de usar un periodo de retroceso fijo que puede mezclar datos de regímenes incompatibles.
Validación Empírica Robusta: Demuestra que este enfoque supera significativamente a los benchmarks en múltiples universos de activos y periodos de tiempo.

4. Resultados Empíricos

El modelo fue probado en tres universos de activos:

GVMC: Fondos mutuos clasificados por estilo (Crecimiento/Valor) y capitalización de mercado.
Sectores: Los 9 sectores originales del S&P.
Mercados Desarrollados: Índices globales (EE. UU., Alemania, Francia, Canadá, China).

Hallazgos principales:

Rendimiento Superior: El modelo "Markov Markowitz" (con 3, 4 o 5 clusters) superó consistentemente a tres benchmarks: el portafolio de tangencia mensual estándar, el portafolio de pesos iguales y el S&P 500.
Métricas: Mostró ratios de Sharpe más altos y menores máximas caídas (drawdowns) relativas a los retornos anuales. Por ejemplo, en el universo de Sectores (2008-2022), el modelo con 4 clusters logró un ratio de Sharpe de 0.73 frente a 0.33 del portafolio de tangencia estándar.
Resiliencia en Crisis: El modelo mostró un desempeño superior durante eventos de shock (burbuja puntocom, crisis de 2008, crash de COVID-2020), especialmente en el universo de Sectores, donde logró retornos más altos con menores caídas.
Significancia Estadística: Las regresiones de alfa (Jensen's Alpha) mostraron que el exceso de retorno es estadísticamente significativo (p-valores < 0.05) para los universos GVMC y Sectores.
Insights de Mercado: El análisis de los estados reveló que existen múltiples estados alcistas, pero uno de ellos tiene una probabilidad significativamente mayor de transicionar a un estado bajista. Además, en los mercados de EE. UU., los estados bajistas tienden a repetirse (persistencia), mientras que en los mercados desarrollados globales esta persistencia no se mantiene.

5. Significancia e Implicaciones

Este trabajo es significativo porque ofrece un marco interpretable y robusto para la asignación de activos en mercados no estacionarios.

Interpretabilidad: A diferencia de las redes neuronales o los HMM, los inversores pueden ver exactamente qué coeficientes de la frontera eficiente definen un "mercado bajista" o "alcista" y cómo evolucionan.
Mejora de la Estabilidad: Al calcular los portafolios de tangencia solo con datos del régimen actual, el modelo mitiga el ruido de datos de regímenes pasados que ya no son relevantes.
Aplicabilidad: Aunque el modelo funcionó mejor con un número moderado de activos (donde la matriz de covarianza mensual es bien estimada), sugiere que para grandes universos de activos se necesitarían datos intradiarios para calcular coeficientes de frontera eficiente con suficiente precisión.

En conclusión, el modelo demuestra que la descomposición de la frontera eficiente en coeficientes funcionales, combinada con un proceso de Markov observable, es una estrategia superior para navegar la dinámica cambiante de los mercados financieros.