The Long-Only Minimum Variance Portfolio in a One-Factor Market: Theory and Asymptotics

Este artículo presenta una solución explícita para la cartera de mínima varianza con restricciones de largo único en un mercado de un factor con betas de signo mixto, resolviendo una pregunta abierta y demostrando que, en el régimen de alta dimensión, la proporción de activos activos converge a un valor determinado por la ecuación integral asociada a la distribución de las betas.

Lo esencial

¡Claro que sí! Imagina que este artículo es como una receta secreta para cocinar el plato más seguro del mundo, pero en lugar de ingredientes culinarios, usamos acciones de empresas.

Aquí tienes la explicación de este trabajo académico, traducida a un lenguaje cotidiano y con analogías divertidas:

🍽️ El Problema: ¿Cómo hacer el "Guiso" más seguro?

Imagina que tienes un mercado de valores lleno de miles de ingredientes (acciones). Tu objetivo es mezclarlos en un plato (una cartera de inversión) para que el sabor nunca cambie demasiado, es decir, que el riesgo (la volatilidad) sea el más bajo posible.

Hay dos formas de cocinar este plato:

1. La forma "Libre" (Long-Short): Puedes poner ingredientes en el plato, pero también puedes "pedir prestados" ingredientes para venderlos y apostar a que su precio bajará. Es como un chef que puede usar sal y también "anti-sal" (vacío). Es flexible, pero en la vida real, los inversores a menudo no pueden hacer apuestas en corto (pedir prestado).
2. La forma "Solo Positiva" (Long-Only): Esta es la regla estricta. Solo puedes poner ingredientes en el plato. No puedes tener cantidades negativas. Es como decir: "Solo puedo poner manzanas, peras y uvas, pero nunca puedo poner 'menos manzanas'".

El artículo se centra en la segunda opción (Solo Positiva), que es la que usan la mayoría de los fondos de inversión reales.

🔍 El Desafío: ¿Qué ingredientes elegir?

El problema es que, cuando tienes miles de ingredientes, es muy difícil saber cuáles poner en el plato y cuáles dejar fuera.

• En el modelo "Libre", la receta matemática es sencilla: tomas todos los ingredientes.
• En el modelo "Solo Positivo", la receta es un rompecabezas. Tienes que decidir: "¿Pongo la acción A? ¿Y la B? ¿O solo la C?".

Los autores del artículo han descubierto una regla mágica para resolver este rompecabezas cuando el mercado sigue un patrón simple (llamado "modelo de un factor").

La Analogía de la "Altura" (Beta)

Imagina que cada acción tiene una "altura" o sensibilidad al mercado, llamada Beta.

• Si el mercado sube, las acciones con Beta alta saltan mucho.
• Si el mercado baja, las acciones con Beta alta caen mucho.
• Algunas acciones tienen Beta negativa (si el mercado sube, ellas bajan, como un paraguas en un día de sol).

El descubrimiento clave:
Los autores dicen que no necesitas adivinar. Solo tienes que ordenar todas las acciones de menor a mayor altura (Beta).
Luego, aplicas un "corte" o un "umbral".

• Regla de oro: Solo mantienes en tu plato las acciones que están por debajo de cierta altura crítica.
• Todas las acciones más altas (más arriesgadas o con Beta muy positiva) se descartan (su peso es cero).
• Es como si tuvieras un colador: solo deja pasar los ingredientes que son lo suficientemente "bajos" o estables.

📈 ¿Qué pasa cuando hay miles de ingredientes? (El mundo gigante)

El artículo también mira qué sucede cuando el mercado es inmenso (miles de millones de acciones). Aquí usan estadística para predecir el futuro.

La analogía de la "Nube de Polvo":
Imagina que las "alturas" (Betas) de las acciones forman una nube de polvo.

• Si la nube tiene muchas partículas negativas (acciones que bajan cuando el mercado sube), el colador deja pasar un poco más de ingredientes.
• Si la nube es casi toda positiva (todo el mundo sube con el mercado), el colador se vuelve muy estricto.

El hallazgo sorprendente:
Si la mayoría de las acciones tienen una Beta positiva (lo cual es lo normal en la vida real), el artículo demuestra que, a medida que el mercado crece, la cantidad de ingredientes que realmente usas en tu plato se vuelve casi nula.

• ¡Casi todo el mundo queda fuera del plato!
• Solo un pequeño grupo de acciones "bajas" y estables se queda.
• Si hay algunas acciones con Beta negativa (las raras), el plato se llena un poquito más, pero sigue siendo muy pequeño.

🧩 ¿Por qué es importante esto?

1. Resuelve un misterio: Antes, los matemáticos sabían cómo hacer esto si todas las acciones eran "positivas". Pero si había acciones "negativas" (Beta negativa), la fórmula fallaba o no se sabía cómo usarla. Este artículo arregla la fórmula para que funcione con cualquier tipo de acción, positiva o negativa.
2. Explica la realidad: Explica por qué, en la vida real, los gestores de fondos a menudo invierten en muy pocas empresas, incluso cuando hay miles disponibles. No es por falta de opciones, es porque la matemática de la seguridad (varianza mínima) dicta que solo unas pocas son realmente útiles para estabilizar el plato.
3. La velocidad de la reducción: Demuestran que si las acciones "negativas" son muy raras, la cantidad de acciones que usas en tu cartera se reduce drásticamente (como el cubo de un número pequeño).

🎓 En resumen

Este artículo es como un manual de instrucciones definitivo para cocinar el plato de inversión más seguro posible sin usar apuestas en corto.

• La receta: Ordena las acciones por su riesgo y corta todo lo que esté por encima de una línea invisible.
• El resultado: En un mercado grande, solo un puñado de acciones "tranquilas" (las de menor Beta) terminan en tu plato. El resto se queda fuera, no porque sean malas, sino porque para minimizar el riesgo, el plato necesita ser ligero y selecto.

Es una demostración elegante de que, a veces, menos es más cuando se trata de proteger tu dinero.

Resumen técnico

1. Planteamiento del Problema

El artículo aborda el problema de optimización de carteras de mínima varianza con restricciones de solo largo (Long-Only Minimum Variance - LOMV). A diferencia de la cartera de mínima varianza global (GMV) sin restricciones, que permite posiciones cortas (pesos negativos), la cartera LOMV impone la restricción $w_i \geq 0$ para todos los activos.

• Contexto: En un mercado con $p$ activos, el objetivo es minimizar $w^\top \Sigma w$ sujeto a $\sum w_i = 1$ y $w_i \geq 0$.
• Dificultad Central: Determinar el conjunto de activos "activos" (aquellos con peso estrictamente positivo, denotado como $K$) es computacionalmente difícil en el caso general. Una vez conocido $K$, la solución es trivial (equivalente a la solución de mínima varianza sin restricciones sobre el subconjunto $K$).
• Modelo Específico: Los autores se centran en un modelo de un factor (modelo de índice único) para la matriz de covarianza $\Sigma$:
  $$\Sigma = \sigma^2 \beta \beta^\top + \Delta$$
  Donde $\sigma^2$ es la varianza del factor, $\beta$ es el vector de betas (exposiciones al factor) y $\Delta$ es una matriz diagonal de varianzas idiosincráticas.
• Brecha de Conocimiento: Trabajos anteriores (como Clarke et al., 2011; Qi, 2021) habían resuelto el problema bajo la suposición restrictiva de que todas las betas son positivas. Qi (2021) dejó abierta la cuestión de cómo extender la solución a betas de signo mixto (positivas y negativas).

2. Metodología

Los autores desarrollan un enfoque analítico riguroso que combina optimización convexa con análisis asintótico en alta dimensión.

A. Solución Explícita para Betas de Signo Mixto

Utilizando las condiciones de Karush-Kuhn-Tucker (KKT), los autores derivan una solución cerrada que no requiere resolver ecuaciones de punto fijo iterativas.

1. Definición de una Secuencia Auxiliar: Se define una secuencia $\{R_i\}$ basada en las betas ordenadas ($\beta_1 \leq \beta_2 \leq \dots \leq \beta_p$) y las varianzas idiosincráticas.
   $$R_i = \frac{1}{\sigma^2} + \sum_{j=1}^{i} \frac{\beta_j}{\delta_j^2}(\beta_j - \beta_i)$$
2. Caracterización del Conjunto Activo: Demuestran que la secuencia $\{R_i\}$ es unimodal (crece hasta un punto máximo y luego decrece). El conjunto de activos activos $K$ corresponde exactamente a los índices $i$ para los cuales $R_i > 0$.
3. Umbral Determinista: El número de activos activos $k$ es el índice máximo tal que $R_k > 0$. Esto permite identificar $K$ mediante una búsqueda binaria en $O(\log p)$, sin necesidad de métodos numéricos complejos.

B. Análisis Asintótico (Regímenes de Alta Dimensión)

Estudian el comportamiento cuando el número de activos $p \to \infty$, asumiendo que las betas se extraen de una distribución $F$ con función de distribución acumulada (CDF) dada.

• Definen una función $G(y)$ basada en la distribución $F$:
  $$G(y) = \int_{-\infty}^{y} (x^2 - yx) dF(x)$$
• Analizan la raíz $\beta^*$ de la ecuación $G(\beta^*) = 0$ para determinar la proporción asintótica de activos activos ($k/p$).

3. Contribuciones Clave

1. Resolución de la Pregunta Abierta de Qi [2021]: Proporcionan la primera solución explícita y rigurosa para el problema LOMV bajo un modelo de un factor con betas de signo arbitrario (positivas, negativas o cero).
2. Eliminación de Ecuaciones de Punto Fijo: A diferencia de soluciones previas "semi-explicitas" que requerían resolver ecuaciones de punto fijo, su método utiliza una secuencia computable $\{R_i\}$ para identificar el umbral de corte directamente.
3. Caracterización Asintótica de la Proporción Activa: Demuestran que la proporción de activos activos converge a $F(\beta^*)$ en casi todos los casos, donde $\beta^*$ depende de la distribución de las betas.
4. Tasa de Convergencia Cuantitativa: Establecen una cota de convergencia de orden $O(F(0)^{1/3})$ cuando la fracción de betas no positivas es pequeña.

4. Resultados Principales

Teorema 1: Solución Explícita

Para un modelo de un factor, el conjunto de activos activos $K$ es $\{1, 2, \dots, \ell\}$, donde $\ell$ es el último índice tal que $R_\ell > 0$.

• Implicación: Si las betas están ordenadas, los activos activos son siempre aquellos con las betas más bajas (incluyendo las negativas).
• Robustez: La solución no depende de las betas de los activos excluidos (aquellos con betas mayores que el umbral).

Teorema 2: Proporción Activa Asintótica

Dependiendo de la distribución $F$ de las betas, se presentan tres casos:

1. Betas Negativas y Media Positiva ($P(\beta < 0) > 0, E[\beta] > 0$):
   • Existe una raíz única $\beta^* > 0$.
   • La proporción activa converge a $F(\beta^*)$ si $F$ es continua en $\beta^*$.
   • Si $\beta^*$ es un átomo de $F$ (discontinuidad), la proporción no converge, oscilando entre $F(\beta^*-)$ y $F(\beta^*)$.
2. Betas Negativas y Media Cero ($P(\beta < 0) > 0, E[\beta] = 0$):
   • La proporción activa converge a 1 (casi todos los activos son activos).
3. Betas No Negativas ($P(\beta < 0) = 0$):
   • La proporción activa converge a $F(\beta^*)$, que es la masa atómica en el extremo izquierdo del soporte. Si $F$ es continua y no tiene masa en 0, la proporción activa tiende a cero.

Teorema 3: Continuidad y Tasa de Convergencia

Si la proporción de betas no positivas $F(0)$ es pequeña pero positiva, la proporción activa asintótica $F(\beta^*)$ también es pequeña.

• Resultado Cuantitativo: $F(\beta^*) = O(F(0)^{1/3})$.
• Esto explica por qué, en la práctica, las carteras de mínima varianza con restricciones de solo largo suelen tener muy pocos activos activos cuando las betas negativas son raras.

5. Significado e Implicaciones

• Justificación Teórica de la "Concentración": Los resultados explican rigurosamente por qué las carteras de mínima varianza con restricciones de solo largo tienden a ser muy concentradas (pocos activos activos) en mercados reales, incluso cuando el número total de activos es grande. Esto se debe a que la restricción de no corto se "activa" para la gran mayoría de los activos.
• Estabilidad del Portafolio: El análisis muestra que la inestabilidad (no convergencia) solo ocurre en casos patológicos donde la distribución de betas tiene un átomo específico en el umbral crítico $\beta^*$ y hay betas negativas presentes. En distribuciones continuas típicas, el comportamiento es estable.
• Aplicabilidad Práctica: La solución explícita permite calcular carteras LOMV eficientemente en alta dimensión sin necesidad de optimizadores cuadráticos genéricos, simplemente ordenando las betas y evaluando la secuencia $R_i$.
• Simulaciones: Los autores validan sus teorías mediante simulaciones numéricas que confirman la convergencia de la proporción activa hacia el límite teórico y observan un sesgo positivo (upward bias) para tamaños de muestra finitos ($p$ moderado), el cual disminuye a medida que aumenta $p$.

En resumen, este trabajo cierra una brecha teórica importante al proporcionar una solución completa y computable para la optimización de carteras de mínima varianza con restricciones de solo largo en un entorno de un factor, extendiendo el conocimiento a escenarios con betas de signo mixto y ofreciendo insights profundos sobre el comportamiento asintótico de la diversificación en estas carteras.