Machine learning y la Optimización de Portafolios. En los últimos años, las técnicas de machine learning han abierto camino en casi todas las áreas de aplicaciones, y muchos expertos financieros han comenzado a aplicar estos métodos a los mercados financieros y la asignación de activos, cuya función es determinar el perfil de riesgo/rendimiento de una cartera de inversiones.

El artículo “Towards robust portfolios, Hierarchical risk parity: persistent diversification uncovered by graph theory and machine learning” publicado en 2020 por Dr. Markus Jaeger y Stephan Krügel, ambos colaboradores de la aseguradora Munich RE, muestran los resultados de su asignación de activos (VROBUST) diseñada aplicando metodología HRP y compara sus resultados con los de otros métodos de asignación tradicionales como el Equal Weight (EW), la Naive Risk Parity (NRP), la Equally-Weighted Risk Contribution (ERC) y el Minimum Variance (MV).

El enfoque HRP, introducido por De Prado (2016), define una nueva técnica de diversificación que se basa en la idea que los sistemas complejos, como los mercados financieros, muestran una estructura jerárquica y que los activos se pueden agrupar en clústeres con comportamiento y perfil de riesgo similares. El árbol de clústeres se usa para casi-diagonalizar la matriz de covarianza y calcular el peso de los activos utilizando un procedimiento de bisección recursiva de la matriz.

Los resultados de VROBUST se obtienen a través de un backtest a 30 años (entre 1990 y 2020) y se comparan con los resultados de las 4 metodologías de asignación tradicionales mencionadas anteriormente. En todas las métricas de rendimiento los resultados de la asignación VROBUST superan a las demás metodologías.

El estudio pone el foco en las 3 grandes crisis de mercado comprendidas dentro de los 30 años de backtest: la gran masacre de los bonos de 1994, la crisis financiera global de 2007-2009 y la pandemia del coronavirus de 2020. Tanto en el periodo de crisis financiera global de 2007-2009 como en la pandemia del coronavirus de 2020 VROBUST es, considerablemente, el portafolio con menor Drawdown hasta el punto de beneficiarse de la crisis financiera global debido a su mayor exposición a los bonos gubernamentales. Esta exposición es la misma que hace que en la gran masacre de los bonos de 1994 la asignación VROBUST tuviera una fuerte caída, pero sorprendentemente, todas las carteras tienen un rendimiento comparativamente bajo.

En AInvestor creemos que el hecho que una aseguradora tan grande como Munich RE utilice este tipo de optimización a sus productos es una clara muestra que aplicar una optimización a cualquier portafolio, independientemente de su mandato, ayuda a reducir riesgos y a aumentar la rentabilidad a largo plazo. Descubrir qué tipo de optimización debe aplicar el gestor a cada cartera es un nuevo desafío para el sector y es cuestión de tiempo que la optimización pase a ser parte de del proceso de creación de cualquier portafolio.