Módulo 6: Guía de Estudio Completa

Construcción de Carteras Cuantitativas

📚 Tabla de Contenidos

1. Introducción
2. Sección 6.1: De Markowitz a Hoy
3. Sección 6.2: Estrategias de Asignación Sistemática
4. Sección 6.3: Modelos de Factores
5. Casos de Estudio
6. Ejercicios Resueltos
7. Preguntas Frecuentes
8. Glosario de Términos
9. Recursos Adicionales
10. Autoevaluación
11. Conclusión del Módulo

📖 Introducción

Llegamos al módulo que une todo lo anterior. Hasta ahora has aprendido a modelar precios (Módulo 2), analizar datos (Módulo 3), valorar derivados (Módulo 4) y medir riesgo (Módulo 5). Ahora respondemos la pregunta central de la inversión: ¿cómo reparto mi capital entre distintos activos de forma inteligente?

Esta es la cuestión que Markowitz formalizó en 1952 y que dio origen a las finanzas cuantitativas modernas. Pero también es un campo lleno de trampas: la teoría elegante a menudo falla en la práctica, y los métodos “sofisticados” frecuentemente pierden frente a reglas simples. Este módulo te enseña tanto las técnicas como su humildad necesaria.

Conecta especialmente con el Módulo 2 (la matriz de covarianza y la fórmula wᵀΣw son el núcleo de todo) y el Módulo 5 (las métricas con las que juzgaremos las carteras).

Objetivos de Aprendizaje

Al completar este módulo, serás capaz de:

✓ Comprender la optimización mean-variance y la frontera eficiente ✓ Reconocer por qué el portafolio “óptimo” suele fallar en la práctica ✓ Implementar estrategias de asignación: 1/N, mínima varianza, risk parity ✓ Entender los modelos de factores (CAPM, Fama-French, momentum) ✓ Aplicar técnicas de shrinkage para estabilizar las estimaciones ✓ Juzgar críticamente cuándo lo simple supera a lo complejo

Tiempo Estimado de Estudio

• Lectura completa: 5-6 horas
• Ejercicios prácticos (Python + optimizador): 4-5 horas
• Casos de estudio: 2 horas
• Total del módulo: 11-13 horas

Prerrequisitos

Módulos 1-5. Imprescindible dominar la matriz de covarianza y wᵀΣw (Módulo 2) y las métricas de performance (Módulo 5).

📊 Sección 6.1: De Markowitz a Hoy

6.1.1 Recordatorio: La Frontera Eficiente

Harry Markowitz demostró en 1952 que el riesgo de una cartera no es la suma de los riesgos individuales, sino que depende de cómo se combinan los activos (vía la matriz de covarianza, Módulo 2).

La frontera eficiente es el conjunto de carteras óptimas: para cada nivel de riesgo, la que ofrece el máximo retorno esperado (o, equivalentemente, para cada retorno, el mínimo riesgo).

Retorno esperado de la cartera:  E[Rₚ] = wᵀ·r
Riesgo de la cartera:            σ²ₚ = wᵀ·Σ·w

El problema de optimización consiste en encontrar los pesos w que:

• Maximizan el retorno para un riesgo dado, o
• Minimizan el riesgo para un retorno dado

Toda cartera racional debería estar sobre la frontera eficiente, nunca por debajo.

6.1.2 El Ratio de Sharpe y el Portafolio Tangente

De toda la frontera eficiente, hay un punto especial: el portafolio tangente, que maximiza el Sharpe Ratio (Módulo 5). Es el que mejor compensa riesgo y retorno.

Combinando el portafolio tangente con el activo libre de riesgo, se obtiene la Línea del Mercado de Capitales (CML), que domina a toda la frontera. Esta es la base teórica del CAPM (Sección 6.3).

6.1.3 El Gran Problema: Estimar los Inputs

Aquí empieza la parte incómoda. La optimización de Markowitz necesita dos inputs:

1. Los retornos esperados (r) de cada activo
2. La matriz de covarianza (Σ)

El problema: ambos se estiman con datos históricos, y las estimaciones son terriblemente ruidosas, especialmente los retornos esperados.

“Estimar retornos esperados a partir del pasado es como conducir mirando solo el retrovisor.”

6.1.4 Por Qué el Portafolio “Óptimo” Explota

La optimización mean-variance tiene un defecto famoso: es extremadamente sensible a los inputs. Pequeños errores en los retornos esperados producen carteras absurdas:

• Concentra todo en unos pocos activos
• Recomienda posiciones extremas (cortos enormes, pesos del 300%)
• Cambia radicalmente con mínimas variaciones en los datos

Por eso se le llama, irónicamente, un “maximizador de errores de estimación”: amplifica el ruido de los inputs en lugar de la señal.

Conclusión práctica: el Markowitz puro, tal cual, rara vez se usa en producción. Necesita modificaciones.

6.1.5 Robust Optimization y Shrinkage

Para domesticar el problema, los quants usan varias técnicas:

Restricciones:

• Prohibir posiciones cortas (pesos ≥ 0)
• Limitar el peso máximo por activo
• Reduce las soluciones absurdas

Shrinkage (encogimiento):

• “Encoge” las estimaciones ruidosas hacia un valor más estable
• El estimador de Ledoit-Wolf encoge la matriz de covarianza hacia una versión simplificada
• Reduce drásticamente el ruido y mejora el rendimiento out-of-sample

Black-Litterman (avanzado):

• Parte del equilibrio de mercado y permite incorporar “views” del inversor
• Produce carteras más estables y razonables que el Markowitz puro

⚖️ Sección 6.2: Estrategias de Asignación Sistemática

Dado lo problemático del Markowitz puro, han surgido enfoques alternativos más robustos. Veamos los principales.

6.2.1 Equal Weight (1/N): El Benchmark Difícil de Batir

La estrategia más simple imaginable: repartir el capital por igual entre todos los activos.

wᵢ = 1/N    para cada uno de los N activos

La sorpresa: un famoso estudio de DeMiguel, Garlappi y Uppal (2009) demostró que el 1/N supera a la mayoría de modelos sofisticados de optimización fuera de muestra.

¿Por qué funciona tan bien?

• No necesita estimar retornos esperados (la fuente principal de ruido)
• No tiene parámetros que sobreajustar
• Es robusto y diversificado por diseño

Lección humilde: antes de presumir de un modelo complejo, compáralo siempre con el 1/N. Si no lo supera out-of-sample, tu complejidad no aporta valor.

6.2.2 Minimum Variance Portfolio

En lugar de maximizar retorno (cuyo input es muy ruidoso), esta estrategia solo minimiza el riesgo, ignorando los retornos esperados:

Minimizar:  σ²ₚ = wᵀ·Σ·w
Sujeto a:   Σwᵢ = 1  (los pesos suman 100%)

Ventaja clave: solo necesita la matriz de covarianza, no los retornos esperados (que son lo más difícil de estimar). Por eso es más robusta que el Markowitz completo.

Resultado típico: tiende a concentrarse en activos de baja volatilidad. Sorprendentemente, suele dar buenos resultados ajustados por riesgo.

6.2.3 Maximum Diversification

Busca maximizar el “ratio de diversificación”: la relación entre la media ponderada de las volatilidades individuales y la volatilidad de la cartera. Premia combinar activos poco correlacionados. Es otra forma de explotar la diversificación sin depender de los retornos esperados.

6.2.4 Risk Parity: Igualar la Contribución al Riesgo

Esta es una de las estrategias más influyentes (popularizada por Bridgewater de Ray Dalio).

La idea: en lugar de repartir el capital por igual (1/N), reparte el riesgo por igual. Cada activo debe contribuir lo mismo al riesgo total de la cartera.

El problema del 60/40 tradicional: una cartera 60% acciones / 40% bonos parece equilibrada en capital, pero las acciones aportan ~90% del riesgo (son mucho más volátiles). No está realmente diversificada en términos de riesgo.

Risk parity lo corrige: asigna menos peso a los activos volátiles y más a los estables, de modo que cada uno contribuya por igual al riesgo. A menudo usa apalancamiento moderado sobre los activos de bajo riesgo (bonos) para alcanzar el retorno objetivo.

Ventajas:

• Diversificación real del riesgo
• No depende de estimar retornos
• Buen comportamiento en distintos regímenes

Críticas:

• El apalancamiento añade riesgo y costos
• Sensible a periodos de tipos al alza (malos para los bonos)

6.2.5 Comparación de Enfoques

Patrón clave: las estrategias robustas evitan estimar retornos esperados. Esa es la lección central del módulo.

🎯 Sección 6.3: Modelos de Factores

6.3.1 La Idea de los Factores

Un factor es una característica que explica los retornos de muchos activos a la vez. En lugar de modelar cada activo por separado, modelamos su exposición a unos pocos factores comunes.

Esto conecta con la regresión múltiple (Módulo 3):

R = α + β₁·F₁ + β₂·F₂ + ... + βₙ·Fₙ + ε

Donde cada F es un factor y cada β mide la exposición del activo a ese factor.

6.3.2 CAPM: El Modelo de Un Factor

El Capital Asset Pricing Model (Sharpe, 1964) es el modelo de factores más simple: un solo factor, el mercado.

R_activo − Rf = β·(R_mercado − Rf) + ε

Lo que dice: el retorno esperado de un activo depende solo de su beta (su exposición al mercado, Módulo 3). El riesgo específico no se compensa porque se puede diversificar.

Limitación: empíricamente, el CAPM explica solo una parte de los retornos. Hacen falta más factores.

6.3.3 Fama-French: Tres y Cinco Factores

Fama y French (1993) descubrieron que añadir factores mejora mucho la explicación de los retornos.

Modelo de 3 factores:

1. Mercado (como en CAPM)
2. Tamaño (SMB, Small Minus Big): las empresas pequeñas tienden a rendir más que las grandes
3. Valor (HML, High Minus Low): las acciones “value” (baratas según fundamentales) tienden a rendir más que las “growth”

Modelo de 5 factores (2015): añade: 4. Rentabilidad (RMW): empresas más rentables rinden más 5. Inversión (CMA): empresas conservadoras en inversión rinden más

6.3.4 Momentum: El Factor Anómalo

El momentum (Jegadeesh & Titman, 1993) es uno de los factores más robustos y desconcertantes:

Los activos que han subido en los últimos 3-12 meses tienden a seguir subiendo a corto plazo, y viceversa.

Por qué es desconcertante: contradice la eficiencia de mercado (los retornos pasados no deberían predecir los futuros). Sin embargo, el momentum ha funcionado en casi todos los mercados y épocas estudiados.

Posibles explicaciones: sesgos de comportamiento (los inversores reaccionan tarde a las noticias), aunque no hay consenso total.

6.3.5 El “Zoo de Factores”

Tras Fama-French y el momentum, los académicos han propuesto cientos de factores (quality, low volatility, profitability…). Esto genera un problema serio:

El problema del “factor zoo”:

• Con tantos factores probados, muchos son falsos positivos (data mining, Módulo 1)
• ¿Cuáles son reales y persistirán, y cuáles son ruido?
• La replicabilidad de muchos factores está en duda

Lección crítica: aplica el escepticismo del Módulo 1. Un factor solo es creíble si tiene fundamento económico, funciona en distintos mercados y épocas, y sobrevive tras los costos de transacción.

6.3.6 Smart Beta y la Implementación Práctica

Los ETFs smart beta implementan estrategias de factores de forma accesible y barata: ETFs de value, momentum, low volatility, etc. Permiten al inversor minorista acceder a estrategias antes reservadas a fondos sofisticados. Son la materialización práctica de la investigación de factores.

🔍 Casos de Estudio

Caso 1: El 1/N que Humilló a los Modelos Sofisticados

Contexto

DeMiguel, Garlappi y Uppal (2009) compararon 14 modelos de optimización de carteras contra la simple regla 1/N, en datos reales fuera de muestra.

El Resultado

• Ninguno de los 14 modelos sofisticados superó consistentemente al 1/N en Sharpe Ratio fuera de muestra
• El error de estimación de los inputs anulaba cualquier ventaja teórica de la optimización

Lecciones

1. La teoría elegante puede fallar en la práctica: el ruido de estimación es el enemigo
2. Lo simple es robusto: sin parámetros que estimar, no hay nada que sobreajustar
3. Benchmark obligatorio: todo modelo debe batir al 1/N para justificar su complejidad
4. Humildad cuantitativa: más matemáticas no siempre significa mejores resultados

Caso 2: El Riesgo Oculto del 60/40

Contexto

La cartera clásica 60% acciones / 40% bonos se considera “equilibrada”. Pero, ¿lo está realmente?

El Análisis de Contribución al Riesgo

Lo Que Revela

Aunque el capital parece repartido (60/40), el riesgo está casi todo en las acciones. La cartera no está diversificada en términos de riesgo: si las acciones caen, la cartera cae.

La Solución Risk Parity

Risk parity reasignaría los pesos (más bonos, menos acciones, posiblemente con apalancamiento) para que ambos contribuyan ~50% al riesgo. El resultado: una cartera realmente diversificada que se comporta mejor en distintos escenarios.

Lección

El equilibrio en capital no es equilibrio en riesgo. Esta distinción, obvia una vez vista, es la base de una de las estrategias institucionales más exitosas.

🧮 Ejercicios Resueltos

Ejercicio 1: Calcular Pesos 1/N

Enunciado: Tienes una cartera de 5 activos y decides usar equal weight. ¿Qué peso asignas a cada uno?

Solución:

wᵢ = 1/N = 1/5 = 0.20 = 20% a cada activo

Simple, robusto y sorprendentemente difícil de batir.

Ejercicio 2: Retorno Esperado de una Cartera

Enunciado: Cartera con pesos [0.4, 0.35, 0.25] y retornos esperados [8%, 12%, 6%]. Calcula el retorno esperado (recuerda el producto escalar del Módulo 2).

Solución:

E[Rₚ] = 0.4×8% + 0.35×12% + 0.25×6%
      = 3.2% + 4.2% + 1.5%
      = 8.9%

Ejercicio 3: Contribución al Riesgo (Risk Parity)

Enunciado: Una cartera 50/50 tiene un activo con volatilidad 20% y otro con 5% (sin correlación). ¿Por qué NO es risk parity y cómo lo corregirías cualitativamente?

Solución:

• Con pesos iguales (50/50), el activo volátil (20%) domina el riesgo total
• Su contribución al riesgo es mucho mayor que la del activo estable (5%)
• No es risk parity: el riesgo no está repartido por igual
• Corrección: reducir el peso del activo volátil y aumentar el del estable, de modo que cada uno contribuya ~50% al riesgo. Aproximadamente, los pesos deberían ser inversamente proporcionales a las volatilidades: más peso al activo de 5%, menos al de 20%

Ejercicio 4: Interpretar Exposición a Factores

Enunciado: Una acción tiene en un modelo Fama-French: β_mercado=1.1, β_tamaño (SMB)=0.8, β_valor (HML)=−0.5. ¿Qué perfil tiene esta acción?

Solución:

• β_mercado=1.1: algo más volátil que el mercado (amplifica sus movimientos)
• β_tamaño=0.8 (positivo): se comporta como una empresa pequeña (expuesta al factor tamaño)
• β_valor=−0.5 (negativo): se comporta como “growth”, no “value” (lo contrario de barata según fundamentales)
• Perfil: una acción de crecimiento (growth), de pequeña capitalización, ligeramente más volátil que el mercado. Típico de una tecnológica pequeña en expansión

❓ Preguntas Frecuentes

Si el 1/N es tan bueno, ¿para qué aprender optimización? Porque (1) el 1/N no siempre gana, especialmente con activos muy heterogéneos; (2) entender la optimización te permite saber cuándo y por qué falla; (3) técnicas como mínima varianza y risk parity sí aportan valor real. El 1/N es el benchmark humilde, no la respuesta final.

¿Por qué la optimización de Markowitz “explota”? Porque es muy sensible a los retornos esperados, que son casi imposibles de estimar bien. Pequeños errores producen pesos extremos y absurdos. Es un “maximizador de errores de estimación”.

¿Qué es lo más difícil de estimar: retornos o covarianza? Los retornos esperados, con diferencia. La covarianza es relativamente más estable y estimable. Por eso las estrategias robustas (mínima varianza, risk parity) evitan estimar retornos.

¿Todos los factores de Fama-French son reales? Mercado, tamaño, valor y momentum tienen amplio respaldo, aunque su fuerza ha variado con el tiempo (el factor valor ha tenido años difíciles). El “zoo” de cientos de factores propuestos contiene muchos falsos positivos por data mining. Aplica escepticismo.

¿Risk parity es siempre mejor que 60/40? No siempre. Risk parity diversifica mejor el riesgo, pero su dependencia de los bonos (y a veces del apalancamiento) la hace vulnerable en entornos de tipos al alza. Ninguna estrategia domina en todos los regímenes.

📖 Glosario de Términos

📚 Recursos Adicionales

Libros

1. “Quantitative Equity Portfolio Management” — Chincarini & Kim
   • Construcción de carteras paso a paso
2. “Asset Management” — Andrew Ang
   • Factores y gestión moderna de carteras
3. “Expected Returns” — Antti Ilmanen
   • Profundo análisis de las fuentes de retorno

Papers Clave

1. Markowitz, H. (1952). Portfolio Selection — el origen
2. DeMiguel, Garlappi & Uppal (2009). Optimal Versus Naive Diversification — el 1/N
3. Fama & French (1993). Common Risk Factors — modelo de 3 factores
4. Jegadeesh & Titman (1993). Returns to Buying Winners — momentum
5. Ledoit & Wolf (2004). Honey, I Shrunk the Sample Covariance Matrix — shrinkage

Herramientas Python

• PyPortfolioOpt: optimización de carteras (mean-variance, mínima varianza, etc.)
• riskfolio-lib: risk parity y muchos modelos avanzados
• cvxpy: optimización convexa general
• scipy.optimize: optimización básica desde cero

Recursos Online

1. Kenneth French Data Library — datos de factores gratuitos
2. Portfolio Visualizer — backtesting de estrategias de asignación
3. AQR Research — papers accesibles sobre factores

✍️ Autoevaluación

Test de Comprensión

Instrucciones: Responde para evaluar tu comprensión del módulo.

Sección A: Conceptos Básicos (20 puntos)

1. ¿Qué es la frontera eficiente y qué representa el portafolio tangente? (5 pts)
2. ¿Por qué el portafolio óptimo de Markowitz “explota” en la práctica? (5 pts)
3. ¿Cuál es la diferencia clave entre 1/N y risk parity? (5 pts)
4. Nombra los tres factores del modelo Fama-French de 3 factores. (5 pts)

Sección B: Cálculo (40 puntos)

5. Tienes 8 activos y usas equal weight. ¿Qué peso asignas a cada uno? (10 pts)
6. Cartera con pesos [0.5, 0.3, 0.2] y retornos esperados [10%, 7%, 14%]. Calcula el retorno esperado. (15 pts)
7. Una cartera 60/40 tiene acciones (vol 16%) y bonos (vol 5%). Explica cualitativamente por qué el riesgo NO está repartido 60/40. (15 pts)

Sección C: Análisis (40 puntos)

8. Explica el resultado del estudio de DeMiguel et al. (1/N vs. modelos sofisticados) y qué lecciones extrae un quant. (20 pts)
9. El “factor zoo” propone cientos de factores. ¿Cómo distinguirías un factor real de uno espurio? Conecta con lo aprendido en el Módulo 1. (20 pts)

Respuestas Modelo

Sección A

1. Frontera eficiente y tangente: La frontera eficiente es el conjunto de carteras con máximo retorno para cada nivel de riesgo. El portafolio tangente es el punto de la frontera que maximiza el Sharpe Ratio: el que mejor compensa riesgo y retorno.

2. Markowitz “explota”: Es extremadamente sensible a los retornos esperados, que son casi imposibles de estimar con precisión. Pequeños errores producen pesos extremos y absurdos (concentración, cortos enormes). Es un “maximizador de errores de estimación”.

3. 1/N vs. risk parity: El 1/N reparte el CAPITAL por igual; risk parity reparte el RIESGO por igual. En 1/N, los activos volátiles dominan el riesgo; risk parity les asigna menos peso para igualar su contribución al riesgo total.

4. Fama-French 3 factores: Mercado, tamaño (SMB, small minus big) y valor (HML, high minus low).

Sección B

5. Pesos 1/N:

   wᵢ = 1/8 = 0.125 = 12.5% a cada activo

6. Retorno esperado:

   E[Rₚ] = 0.5×10% + 0.3×7% + 0.2×14%
         = 5% + 2.1% + 2.8% = 9.9%

7. Riesgo del 60/40: Aunque el capital está 60/40, las acciones son mucho más volátiles (16% vs 5%), así que aportan la gran mayoría del riesgo total (~90%). El riesgo no está repartido 60/40 sino mucho más concentrado en las acciones. Para igualar la contribución al riesgo (risk parity) habría que reducir el peso de las acciones y aumentar el de los bonos.

Sección C

8. Estudio DeMiguel et al.: Compararon 14 modelos de optimización contra la simple regla 1/N fuera de muestra. Ninguno superó consistentemente al 1/N en Sharpe, porque el error de estimación de los inputs (especialmente los retornos esperados) anulaba cualquier ventaja teórica. Lecciones: la teoría elegante puede fallar en la práctica por el ruido de estimación; lo simple es robusto (sin parámetros que sobreajustar); todo modelo debe batir al 1/N para justificar su complejidad; humildad cuantitativa (más matemáticas ≠ mejores resultados).

9. Factor real vs. espurio: Aplicando el escepticismo del Módulo 1: un factor real debe tener (1) fundamento económico claro (no solo correlación en datos), (2) funcionar en distintos mercados y periodos (no solo en la muestra original), (3) sobrevivir a los costos de transacción, (4) no ser producto de data mining (probar cientos de factores garantiza falsos positivos por azar). El “factor zoo” contiene muchos espurios precisamente por el multiple testing. Mercado, tamaño, valor y momentum tienen amplio respaldo; la mayoría de los cientos restantes son sospechosos.

Criterios de Evaluación

• 90-100%: Dominio excelente, listo para el Módulo 7 (Trading Algorítmico Básico)
• 80-89%: Buena comprensión, revisar áreas débiles
• 70-79%: Comprensión básica, reforzar con práctica
• < 70%: Revisar el material antes de continuar

🎯 Conclusión del Módulo

Puntos Clave para Recordar

1. Markowitz fundó el campo, pero su versión pura falla

   • Es un “maximizador de errores de estimación”
   • Necesita restricciones, shrinkage o Black-Litterman

2. Estimar retornos esperados es el gran problema

   • Las estrategias robustas lo evitan
   • La covarianza es más estable que los retornos

3. Lo simple a menudo gana: el 1/N

   • Difícil de batir fuera de muestra
   • Benchmark obligatorio para cualquier modelo

4. Risk parity reparte riesgo, no capital

   • El 60/40 no está diversificado en riesgo
   • Igualar contribuciones al riesgo es más robusto

5. Los factores explican retornos, pero cuidado con el zoo

   • Mercado, tamaño, valor, momentum tienen respaldo
   • La mayoría de factores propuestos son data mining

Preparación para el Módulo 7

El siguiente módulo entra en el trading algorítmico: trend following, mean reversion, microestructura y tu primera estrategia completa. Asegúrate de:

✓ Saber implementar 1/N, mínima varianza y risk parity en Python ✓ Entender por qué se evita estimar retornos esperados ✓ Comprender los modelos de factores y conectarlos con la regresión (Módulo 3) ✓ Tener clara la diferencia entre diversificar capital y diversificar riesgo

Reflexión Final

“La construcción de carteras enseña la lección más humilde de las finanzas cuantitativas: que la sofisticación matemática y los buenos resultados no siempre van de la mano. El quant maduro no es el que construye el modelo más complejo, sino el que sabe cuándo un modelo simple es suficiente — y tiene la disciplina de comprobarlo siempre contra el humilde 1/N.”

Has aprendido a asignar capital de forma sistemática, uniendo la matriz de covarianza del Módulo 2 con las métricas del Módulo 5. Con esto cierras el bloque de fundamentos. A partir de aquí, construirás estrategias completas y aprenderás a probarlas con rigor.

¡Éxito en tu viaje de aprendizaje!

Fin de la Guía de Estudio del Módulo 6