Forecasting Tangency Portfolios and Investing in the Minimum Euclidean Distance Portfolio to Maximize Out-of-Sample Sharpe Ratios

A continuación presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Resumen Técnico: Pronóstico de Portafolios de Tangencia e Inversión en el Portafolio de Mínima Distancia Euclidiana

1. El Problema
La optimización media-varianza de Markowitz (Teoría Moderna de Portafolios) y el portafolio de tangencia (que maximiza la Ratio de Sharpe) dependen críticamente de la suposición de que los retornos esperados futuros y las matrices de covarianza son idénticos a los datos históricos. En la práctica, los mercados son no estacionarios, lo que genera errores significativos de estimación.

• Limitaciones de enfoques existentes: Modelos como Black-Litterman, contracción de matrices de covarianza (Shrinkage) y DCC MV-GARCH intentan mejorar la estimación de parámetros, pero presentan desventajas: requieren muchas entradas subjetivas (Black-Litterman), no estiman el vector de retornos (Shrinkage/GARCH) o son demasiado complejos para que los inversores los interpreten y confíen en ellos.
• El desafío: La estimación directa de parámetros a menudo falla out-of-sample (fuera de la muestra), resultando en pesos de portafolio inestables y un rendimiento deficiente.

2. Metodología Propuesta
Los autores proponen un modelo novedoso que evita estimar directamente el vector de retornos y la matriz de covarianza. En su lugar, pronostican directamente el portafolio de tangencia futuro mediante la descomposición de la frontera eficiente.

• Descomposición de la Frontera Eficiente:
  Utilizan la solución cerrada de Merton para la frontera eficiente, que es una función polinómica de segundo orden bajo raíz cuadrada. En lugar de usar los coeficientes originales ($A, B, C$), derivan tres coeficientes interpretables:

  1. $r_{mvp}$: Retorno del punto de mínima varianza.
  2. $\sigma_{mvp}$: Desviación estándar del punto de mínima varianza.
  3. $u$: Tasa de curvatura de la función de utilidad de la frontera eficiente (representa la utilidad del conjunto de activos para la optimización; una mayor $u$ implica mejores compensaciones riesgo-retorno).
  • Estos coeficientes se calculan a partir de $A, B, C$ y permiten visualizar componentes gráficos específicos de la frontera.

• Pronóstico (Forecasting):

  • Se emplea un modelo VARX (Vector Autoregresión con variables exógenas) en línea con un orden de retardo de 1.
  • Se pronostican los coeficientes $r_{mvp}$, $\sigma_{mvp}$ y $u$ para el siguiente mes (21 días hábiles).
  • Los predictores se limitan a los rezagos de los propios coeficientes y al promedio móvil de retornos ponderados equitativamente para evitar el sobreajuste (overfitting).

• Selección del Portafolio (Mínima Distancia Euclidiana):

  • Dado que la frontera eficiente pronosticada no proporciona directamente los pesos óptimos (y el portafolio de tangencia pronosticado probablemente no existe en la frontera eficiente actual debido a la no estacionariedad), el modelo busca el portafolio en la frontera eficiente actual que tenga la mínima distancia euclidiana al portafolio de tangencia pronosticado.
  • Esto se formula como un problema de optimización no lineal que minimiza la distancia entre el punto pronosticado $(\hat{r}_{tan}, \hat{\sigma}_{tan})$ y la curva de la frontera eficiente actual.
  • Una vez encontrado el retorno objetivo de este portafolio de "mínima distancia", se calculan los pesos mediante optimización media-varianza estándar.

3. Contribuciones Clave

1. Nuevos Coeficientes Interpretativos: Desarrollo de los coeficientes $r_{mvp}$, $\sigma_{mvp}$ y $u$, que ofrecen una comprensión más intuitiva de la geometría de la frontera eficiente en comparación con los coeficientes algebraicos tradicionales.
2. Método de Pronóstico: Una metodología para pronosticar estos coeficientes utilizando regresión de series temporales (VARX), evitando la estimación directa de parámetros de alta dimensión.
3. Estrategia de Inversión Robusta: La propuesta de invertir en el portafolio de mínima distancia euclidiana al tangente pronosticado, lo que se demuestra como más robusto ante el movimiento del mercado que intentar replicar el tangente exacto.
4. Validación Empírica: Demostración de que este enfoque supera a cuatro portafolios de referencia en métricas clave.

4. Resultados Empíricos
El modelo se probó en dos universos de activos durante periodos out-of-sample (2000-2022 y 2008-2022):

• Conjunto 1 (GVMC): 6 fondos mutuos basados en capitalización y crecimiento/valor (modelo Fama-French) + un fondo de bonos.
• Conjunto 2 (Sectores): 9 ETFs de sectores del S&P + un fondo de bonos.

Comparación con Benchmarks:
El modelo propuesto se comparó contra:

1. Portafolio de Tangencia (ventana móvil de 1 mes).
2. Portafolio Ponderado Equitativamente (Equal Weighted).
3. Retorno Total del S&P 500.
4. Portafolio 60/40 (Acciones/Bonos).

Hallazgos Principales:

• Ratio de Sharpe Superior: El modelo propuesto logró la Ratio de Sharpe más alta en ambos conjuntos de datos (1.00 vs 0.67 en GVMC; 0.76 vs 0.01 en Sectores).
• Menor Drawdown Máximo: El modelo sufrió caídas significativamente menores durante crisis (ej. 2008, 2020) en comparación con los benchmarks.
• Retorno Anual: Mantuvo retornos anuales competitivos o superiores (10.7% en ambos casos) con un riesgo controlado.
• Significancia Estadística: Las regresiones de alpha mostraron que el modelo supera estadísticamente a todos los benchmarks con valores p < 0.05 (en muchos casos < 1x10^-4).
• Visualización: Las gráficas de rendimiento acumulado muestran una consistencia superior y una capacidad de recuperación más rápida tras las caídas del mercado.

5. Significancia
Este trabajo es significativo porque ofrece una alternativa interpretativa y práctica a la compleja estimación de parámetros en la teoría de portafolios.

• Cambio de Paradigma: En lugar de intentar predecir mejor el vector de retornos y la covarianza (lo cual es propenso a errores), el modelo predice la forma de la frontera eficiente futura.
• Robustez: Al invertir en el punto de mínima distancia al tangente pronosticado, el modelo mitiga el riesgo de que el pronóstico sea inexacto, encontrando la solución óptima disponible en el mercado actual que se asemeja más a la ideal.
• Aplicabilidad: El modelo no requiere inputs subjetivos complejos (como en Black-Litterman) y es computacionalmente eficiente, lo que lo hace atractivo para su implementación en estrategias de asignación de activos reales.

En conclusión, el artículo demuestra que la proyección de la geometría de la frontera eficiente, combinada con una estrategia de distancia mínima, es una vía superior para maximizar la Ratio de Sharpe out-of-sample en comparación con los métodos tradicionales de estimación de parámetros.