💰 quantitative finance

Portfolio Optimization under Heavy Tails and Asymmetric Volatility: Evidence from Taiwan-Exposed ETFs

Este artículo analiza treinta ETF con exposición a Taiwán que cotizan en EE. UU. desde 2015 hasta 2025 para demostrar que, si bien la concentración de semiconductores impulsa riesgos de cola pesada y volatilidad asimétrica, la optimización del riesgo de cola (CVaR) produce carteras más concentradas y clasificaciones de rendimiento diferentes en comparación con los marcos tradicionales de media-varianza, resaltando la insuficiencia de los modelos basados en la varianza para inversiones concentradas en tecnología.

Autores originales: Ting-Jung Lee, Abootaleb Shirvani, Farzana Afroz, Svetlozar T. Rachev, Frank J. Fabozzi

Publicado 2026-07-21

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ting-Jung Lee, Abootaleb Shirvani, Farzana Afroz, Svetlozar T. Rachev, Frank J. Fabozzi

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 un buscador de tesoros navegando por un mar tormentoso. Durante siglos, los marineros han utilizado un mapa sencillo que asume que el océano está mayormente en calma, con olas que suben y bajan en un patrón predecible y simétrico. Este mapa funciona bien para brisas suaves, pero falla estrepitosamente cuando un huracán golpea. En el mundo de las finanzas, este mapa del "océano en calma" se llama varianza, una herramienta que mide cuánto saltan los precios. Trata un descenso repentino de precios (un desastre) y un pico repentino de precios (un premio gordo) como igualmente riesgosos, solo porque ambos son movimientos grandes. Pero en la realidad, a los inversores les importa mucho más perder su barco que encontrar oro extra.

Cuando observas mercados impulsados por industrias de alta tecnología, como el de Taiwán, el océano no es solo tormentoso; está lleno de olas masivas y ocultas que pueden zozobrar un barco sin previo aviso. Estas se llaman colas pesadas (los eventos extremos ocurren con más frecuencia de lo que el mapa de la calma predice) y volatilidad asimétrica (las malas noticias hacen que las olas crezcan más rápido de lo que las buenas noticias las encogen). Para navegar esto, los expertos utilizan un radar especial llamado CVaR (Valor en Riesgo Condicional), que no solo pregunta: "¿Qué tan grande es la ola más grande?", sino: "Si la peor ola nos golpea, ¿cuánta agua inundará realmente el bote?". Este artículo se sumerge en las aguas específicas de los fondos expuestos a Taiwán para ver si los viejos mapas nos están mintiendo y si el nuevo radar puede ayudarnos a construir un mejor bote.

La tormenta de los semiconductores de Taiwán

Los autores de este estudio decidieron probar estas ideas en treinta fondos de inversión diferentes (ETFs) que tienen una fuerte conexión con Taiwán. ¿Por qué Taiwán? Porque es el corazón de la industria mundial de semiconductores, el lugar donde se fabrican los chips para tu teléfono, tu IA y tus computadoras. Esto hace que estos fondos sean increíblemente sensibles a los altibajos del mundo tecnológico, así como a las tensiones geopolíticas. Los investigadores analizaron datos desde febrero de 2015 hasta febrero de 2025, un periodo que incluyó la calma antes de la pandemia, el caótico desplome de 2020 y el masivo auge de la IA que le siguió.

Se hicieron una pregunta simple pero crucial: Si construimos una cartera utilizando el viejo mapa de la "varianza", ¿nos protegerá de los peligros reales de estos fondos con mucha carga tecnológica, o nos dejará expuestos?

El viejo mapa frente al nuevo radar

Primero, el equipo comprobó la "forma" del riesgo. Utilizaron una herramienta llamada estimador de Hill para medir qué tan "pesadas" eran las colas de la distribución del riesgo. Piensen en esto como medir qué tan probable es encontrar un tsunami en el océano. Sorprendentemente, encontraron que la forma del peligro era en realidad bastante similar en todos los fondos, ya fuera que se centraran en una sola empresa de semiconductores o estuvieran repartidos por todo el mundo. La "probabilidad de tsunami" era aproximadamente la misma.

Sin embargo, el tamaño de las olas era muy diferente. Los fondos centrados en semiconductores (como SMH y SOXX) tenían olas mucho más grandes en general porque sus precios se movían de forma más errática. Este es un hallazgo clave: el peligro adicional en estos fondos tecnológicos no se debía a que el tipo de riesgo fuera extraño, sino simplemente a que la escala del movimiento era enorme. Los viejos mapas basados en la varianza pasaron por alto este matiz, haciendo que los fondos de semiconductores parecieran solo ligeramente más riesgosos que los seguros, cuando en realidad, sus pérdidas potenciales eran masivas.

El misterio de la "memoria larga"

A continuación, los investigadores investigaron un fenómeno espeluznante llamado memoria larga. En finanzas, esta es la idea de que si una ola rompe hoy, podría seguir rompiendo durante mucho tiempo, como un fantasma que se niega a irse. Algunos modelos sugieren que esto es una característica permanente del mercado. Pero los autores probaron esto filtrando el "ruido" de la volatilidad diaria mediante un modelo llamado GJR-GARCH (que tiene en cuenta el hecho de que las malas noticias asustan más a la gente de lo que las buenas noticias las entusiasman).

Tras filtrar el ruido, el "fantasma" desapareció. La memoria larga se desvaneció. Esto sugiere que el mercado no está poseído por una maldición permanente; más bien, las olas parecen aterradoras porque se agrupan cuando las cosas van mal. Los autores concluyen que no necesitamos modelos complejos de "memoria larga" para predecir estos fondos; un modelo más simple que tenga en cuenta cómo las malas noticias disparan la volatilidad es suficiente.

Construyendo el bote: Dos planos diferentes

La parte más emocionante del estudio fue la construcción de las carteras. Los investigadores probaron dos planos diferentes:

El plano de Media-Varianza: El enfoque clásico que intenta equilibrar el rendimiento frente al movimiento total (subidas y bajadas).
El plano de CVaR: El nuevo enfoque que intenta minimizar el daño específico de los peores escenarios.

Cuando construyeron el bote de Media-Varianza, este era una embarcación equilibrada y diversificada. Repartió su peso entre muchos fondos diferentes para suavizar el viaje. No apostó fuertemente por nada.

Pero cuando construyeron el bote de CVaR, el resultado fue impactante. El nuevo plano decidió que la mejor manera de sobrevivir a las peores tormentas era cargar pesadamente el fondo SMH (un ETF centrado en semiconductores). ¿Por qué? Porque durante el auge de la IA post-pandemia, SMH fue tan bueno generando rendimientos que, incluso con sus olas gigantescas, ofrecía la mejor relación "supervivencia-recompensa". El bote de CVaR se convirtió en un corredor concentrado y de alta velocidad, apostando fuerte por el sector tecnológico, mientras que el viejo bote era un crucero lento y constante.

¿Quién gana la carrera?

Finalmente, pusieron a competir estos botes durante los últimos diez años para ver cuál funcionaba mejor. Los resultados dependieron enteramente de cómo juzgaras al ganador:

Si juzgas por las reglas antiguas (Ratio de Sharpe): El Portafolio de Pesos Iguales (un bote simple donde compras un poco de todo) ganó. Fue robusto, no cometió grandes errores y surfeó la ola de la IA lo suficientemente bien como para superar a los botes optimizados y complejos. La matemática sofisticada de los botes optimizados en realidad los perjudicó porque la matemática hizo pequeños errores que se magnificaron.
Si juzgas por las nuevas reglas (Ratio de Rachev): Los botes basados en CVaR ganaron. Cuando te fijas específicamente en el equilibrio entre ganancias extremas y pérdidas extremas, los portafolios que se centraron en el riesgo de cola funcionaron mejor. Gestionaron los peores días de manera más efectiva.

La conclusión

El artículo sugiere que en un mundo dominado por la tecnología y las colas pesadas, el viejo mapa de la "variancia" está incompleto. Oculta la verdadera escala del peligro en los fondos de semiconductores. Si bien la estrategia simple de "comprar todo" fue la ganadora más robusta en esta carrera específica, el estudio demuestra que si te importa profundamente evitar pérdidas catastróficas, necesitas un tipo de mapa diferente.

Los autores no afirman haber encontrado una solución mágica que resuelva todos los problemas de inversión. En cambio, muestran que cómo mides el riesgo cambia el bote que construyes. Si solo miras las olas promedio, construyes un crucero. Si miras los tsunamis, podrías terminar construyendo un corredor de alta velocidad. En el volátil mundo del sector tecnológico de Taiwán, saber qué mapa estás usando es la diferencia entre una navegación suave y un naufragio.

Resumen Técnico: Optimización de Carteras bajo Colas Pesadas y Volatilidad Asimétrica: Evidencia de los ETF con Exposición a Taiwán

Planteamiento del Problema
El papel central de Taiwán en la fabricación mundial de semiconductores crea un entorno de inversión único para los fondos cotizados (ETF) con exposición a Taiwán. Estos activos están sujetos a la concentración tecnológica, la incertidencia geopolítica y las interrupciones en la cadena de suministro, lo que genera distribuciones de retornos caracterizadas por colas pesadas, agrupamiento de volatilidad (volatility clustering) y respuestas asimétricas ante choques negativos. Los marcos de cartera tradicionales, basados principalmente en la optimización de media-varianza de Markowitz (1952), tratan las desviaciones positivas y negativas de forma simétrica y dependen de la varianza como la única medida de riesgo. Este enfoque es insuficiente para mercados donde los retornos exhiben asimetría (skewness), curtosis excesiva y grandes movimientos a la baja. El artículo aborda si las medidas basadas en la varianza subestiman sistemáticamente el riesgo de caída en este contexto, si la aparente memoria de largo plazo en la volatilidad refleja una integración fraccional genuina o heterocedasticidad condicional, y si la optimización sensible a las colas (Valor en Riesgo Condicional, o CVaR) produce asignaciones de cartera y clasificaciones de desempeño materialmente diferentes en comparación con la optimización de media-varianza.

Metodología
El estudio analiza treinta ETF listados en EE. UU. con exposición a Taiwán, mercados emergentes, Asia-Pacífico y los sectores de tecnología/semiconductores durante el periodo comprendido entre el 20 de febrero de 2015 y el 20 de febrero de 2025. El marco empírico integra cuatro componentes metodológicos distintos:

Diagnóstico de Riesgo de Cola: Los autores emplean el estimador de Hill para estimar el índice de cola ( $\alpha$ ) de las distribuciones de retornos, caracterizando la caída asintótica de las pérdidas extremas. Esto se complementa con cálculos de Valor en Riesgo (VaR) histórico y Valor en Riesgo Condicional (CVaR) en niveles de confianza del 95% y 99%.
Modelado de Volatilidad: Para investigar la persistencia de la volatilidad y la asimetría, el documento utiliza modelos GJR-GARCH(1,1) con innovaciones de la distribución t de Student para capturar las respuestas asimétricas de la volatilidad (efectos de apalancamiento). Adicionalmente, se estiman modelos FIGARCH(1,d,1) de ventana rodante (rolling-window) para distinguir entre la memoria de largo plazo genuina (integración fraccional) y la persistencia impulsada por la heterocedasticidad condicional. Los diagnósticos de memoria de largo plazo incluyen el estimador de Geweke–Porter–Hudak (GPH), el estimador de Local Whittle y el exponente de Hurst, aplicados tanto a los retornos al cuadrado brutos como a los residuos estandarizados filtrados por el modelo GJR-GARCH.
Optimización de Cartera: Se comparan dos marcos de optimización utilizando una ventana rodante de cuatro años (1,008 días de negociación):
- Media–Varianza: Minimización de la varianza de la cartera sujeto a restricciones de retorno esperado (Markowitz, 1952).
- Optimización de CVaR: Minimización del CVaR y maximización del ratio STARR (exceso de retorno sobre el CVaR) utilizando la formulación de programación lineal basada en escenarios de Rockafellar y Uryasev (2002).
  Ambos marcos se evalúan bajo restricciones de posiciones largas únicamente (long-only) y de posiciones largas-cortas (long-short).
Evaluación del Desempeño: Las clasificaciones de la cartera se evalúan mediante tres medidas de recompensa-riesgo distintas: el ratio de Sharpe (basado en la varianza), el ratio de Rachev (que compara ganancias extremas con pérdidas extremas) y el ratio STARR (exceso de retorno relativo al CVaR).

Contribuciones Clave y Resultados

Riesgo de Cola y Escala vs. Grosor: El análisis confirma que los ETF expuestos a Taiwán exhiben un comportamiento de colas pesadas, con estimaciones del índice de cola de Hill que generalmente oscilan entre 2.5 y 3.5. Si bien el comportamiento de la caída asintótica de la cola (índice de cola) es ampliamente similar en todo el universo de ETF, los ETF centrados en semiconductores (por ejemplo, SMH, SOXX) presentan estimaciones de VaR y CVaR sustancialmente mayores que los índices de referencia diversificados. El documento concluye que estas diferencias transversales en el riesgo de caída extrema son impulsadas primordialmente por diferencias en la escala de los retornos (volatilidad) más que por diferencias en el grosor de la cola. Las medidas basadas en la varianza, como el ratio de Sharpe, no logran capturar estas diferencias de escala en el riesgo de cola.
Naturaleza de la Persistencia de la Volatilidad: Los diagnósticos iniciales sobre los retornos al cuadrado brutos sugieren la presencia de un comportamiento de memoria de largo plazo. Sin embargo, tras filtrar las series de retornos a través de un modelo GJR-GARCH(1,1), los diagnósticos de memoria de largo plazo (GPH, Local Whittle, Hurst) colapsan hacia cero y pierden significancia estadística. Esto indica que la aparente memoria de largo plazo es atribuible en gran medida a la heterocedasticidad condicional asimétrica y al agrupamiento de volatilidad, más que a una integración fraccional genuina. En consecuencia, los modelos GARCH asimétricos estándar se consideran suficientes para modelar la volatilidad en este contexto sin necesidad de especificaciones de integración fraccional complejas.
Divergencia en las Asignaciones de Cartera: La optimización basada en CVaR produce carteras materialmente más concentradas en comparación con la optimización de media-varianza. Mientras que la cartera tangente de media-varianza permanece diversificada entre múltiples ETF, la cartera tangente de CVaR asigna un peso dominante al ETF de semiconductores SMH, particularmente durante la expansión impulsada por la IA post-COVID. Esto sugiere que la optimización del riesgo de cola favorece a los activos con características favorables de retorno esperado frente al riesgo de cola, incluso si están altamente concentrados.
Dependencia de las Clasificaciones respecto a las Medidas de Desempeño: El estudio encuentra que las clasificaciones de desempeño de la cartera son altamente sensibles a la métrica de evaluación elegida.
- El ratio de Sharpe y la medida STARR favorecen a la cartera de ponderación igual (equally weighted portfolio, EWP), la cual se beneficia de la robustez contra el error de estimación y de la exposición amplia a la apreciación del mercado impulsada por los semiconductores.
- El ratio de Rachev favorece a las carteras basadas en CVaR, ya que estas estrategias gestionan explícitamente el equilibrio entre las ganancias extremas y las pérdidas extremas.
- Bajo restricciones de posiciones largas-cortas, las carteras optimizadas generalmente presentan un desempeño inferior a la EWP en términos de retornos acumulados y ratios de Sharpe, probablemente debido a la amplificación del error de estimación, aunque pueden ofrecer perfiles de riesgo de cola distintos.

Significancia y Reivindicaciones
El documento sostiene que, en entornos de inversión con alta concentración tecnológica, los marcos basados en la varianza proporcionan una caracterización incompleta del riesgo. Los resultados demuestran que las medidas de riesgo sensibles a las colas (VaR, CVaR) revelan diferencias económicamente significativas en el riesgo de caída que las métricas basadas en la varianza ocultan. Además, el estudio destaca que la elección de la medida de desempeño altera fundamentalmente la evaluación de la calidad de la cartera; una cartera que es óptima bajo un criterio sensible a las colas (ratio de Rachev) puede ser subóptima bajo un criterio basado en la varianza (ratio de Sharpe).

Los autores afirman que, para los ETF expuestos a Taiwán, la aparente memoria de largo plazo en la volatilidad se explica mejor por la heterocedasticidad condicional asimétrica que por la integración fraccional, lo que sugiere que los modelos GJR-GARCH más simples son preferibles para la gestión de riesgos. Finalmente, el documento postula que, si bien la optimización de CVaR conduce a asignaciones más concentradas (específicamente en activos de semiconductores), la cartera de ponderación igual sigue siendo un referente (benchmark) robusto que a menudo supera a las estrategias optimizadas en el desempeño fuera de la muestra (out-of-sample), particularmente cuando existe preocupación por el error de estimación. Los hallazgos subrayan la necesidad de utilizar múltiples medidas de desempeño para evaluar carteras en mercados caracterizados por colas pesadas y volatilidad asimétrica.