Papers de Investigación
Portfolio sizing — papers, implementaciones y lecciones
Optimal Portfolio Size under Parameter Uncertainty
Encuentra el número óptimo de activos antes de optimizar
Optimal Granularity for Portfolio Choice
Agrupar activos antes de optimizar — lo mejor de 1/N y MV
Risk Budgeting Portfolios
Alocación de riesgo por contribución — diversificación natural
Portfolio Diversification with Varying Investor Abilities
El tamaño óptimo depende del nivel de habilidad del inversor
LTCM Sizing Failure — A Case Study
Cómo el exceso de apalancamiento y concentración causó el colapso
Optimal Portfolio Size under Parameter Uncertainty
Vanderveken, Lassance & Vrins · UCLouvain LIDAM LFIN 2024/04
El número óptimo de activos N resulta de un trade-off entre dos fuerzas opuestas: más activos dan más oportunidades de inversión, pero más parámetros que estimar aumentan el riesgo de estimación y empeoran el rendimiento fuera de muestra.
HALLAZGO CLAVE
N óptimo ≈ Nsample / 2 para correlations típicas de equities con ventana de 120 meses
PROCESO (3 ETAPAS)
Elegir estrategia → Calcular N óptimo por utilidad esperada fuera de muestra → Seleccionar N activos
portfolio-simulation: optimal_portfolio_size() implementa la búsqueda empírica de N via walk-forward splits
Optimal Granularity for Portfolio Choice
Branger, Lucivjanska & Weissensteiner · J. Financial Econometrics (2019)
Estrategia de agrupamiento: cluster assets en grupos igualmente ponderados, luego optimum sobre los grupos. Supera tanto a la optimización completa como a 1/N cuando el tamaño del grupo es óptimo.
FULL MV
Alto riesgo de estimación → peor que 1/N
1/N RULE
Sin optimización → robusta pero sub-óptima
GROUPING
Lo mejor de ambos: medio riesgo + medio beneficio
portfolio-simulation: grouping_strategy() implementa clustering jerárquico + optimización intra-grupo
Risk Budgeting Portfolios
da Costa, Pesenti & Targino · arXiv:2302.01196
Distribuye el riesgo (no el capital) entre los activos. Cada activo contribuye una fracción predefinida del riesgo total del portafolio. El caso canónico — risk parity — da a cada activo una parte igual del riesgo.
MV vs RISK BUDGETING
MV necesita retornos esperados (difíciles de estimar). RB solo necesita covarianza (más estable).
ALGORITMO
Iterative Proportional Fitting (IPF) — converge en <100 iteraciones para 100+ activos
portfolio-simulation: risk_budgeting_weights() para risk parity · run_strategy(risk_guard=True) para enforced de-risking desde las señales del observatorio
LTCM Sizing Failure — A Case Study
US President's Working Group on Financial Markets (1999)
En Agosto 1998, LTCM perdió 44% de su equity en un solo mes y necesitó un rescate de $3.6 mil millones de 14 bancos organizado por la Reserva Federal.
Apalancamiento 43:1
$2.3B equity → $100B deuda. Un movimiento adverso del 2.5% borraba todo el equity.
~5% del mercado global de renta fija
Posiciones demasiado grandes para salir sin mover precios en contra.
Concentración encubierta
Todas las posiciones eran relative-value (diversificación geográfica irrelevante cuando correlations → 1).
Lección: los propios partners de LTCM admitieron
"Reducir posiciones a 1/4 de su tamaño podría habernos permitido sobrevivir." — El sizing era el problema.
portfolio-simulation: ltcm_sizing_diagnosis() devuelve un dict con los fallos mapeados a papers y acciones en el código