La Paridad de Riesgo Jerárquica (HRP, por sus siglas en inglés) es un marco avanzado de optimización de carteras de inversión desarrollado en 2016 por Marcos López de Prado. Es una alternativa basada en grafos probabilísticos al marco predominante de optimización de media-varianza (MVO, por sus siglas en inglés) introducido por Harry Markowitz. Los algoritmos HRP aplican matemáticas discretas y técnicas de aprendizaje automático para crear carteras de inversión diversificadas y robustas que superan a los métodos MVO fuera de la muestra. El marco tiene como objetivo abordar las limitaciones de los métodos tradicionales de construcción de carteras, particularmente cuando se trata de activos altamente correlacionados. Tras su publicación, HRP se ha implementado en numerosas bibliotecas de código abierto y ha recibido múltiples extensiones.
Características Clave
Las carteras HRP se han propuesto como una alternativa robusta a los métodos tradicionales de optimización cuadrática, incluido el Algoritmo de Línea Crítica (CLA, por sus siglas en inglés) de Markowitz. HRP aborda tres problemas centrales comúnmente asociados con los optimizadores cuadráticos: inestabilidad numérica, concentración excesiva en un pequeño número de activos y rendimiento deficiente fuera de la muestra.
HRP aprovecha técnicas de la teoría de grafos y el aprendizaje automático para construir carteras diversificadas utilizando únicamente la información contenida en la matriz de covarianza. A diferencia de los métodos de programación cuadrática, HRP no requiere que la matriz de covarianza sea invertible. En consecuencia, HRP sigue siendo aplicable incluso en casos donde la matriz de covarianza está mal condicionada o es singular, condiciones bajo las cuales los optimizadores estándar fallan.
Las simulaciones de Monte Carlo indican que HRP logra una varianza fuera de la muestra menor que CLA, a pesar de que minimizar la varianza es el objetivo de optimización explícito de CLA. Además, las carteras HRP exhiben un riesgo realizado menor en comparación con las generadas por las metodologías tradicionales de paridad de riesgo. Las pruebas retrospectivas empíricas han demostrado que HRP habría superado históricamente a las técnicas convencionales de construcción de carteras.
Los algoritmos dentro del marco HRP se caracterizan por las siguientes características:
- Enfoque de Aprendizaje Automático: HRP emplea agrupamiento jerárquico, una técnica de aprendizaje automático, para agrupar activos similares según sus correlaciones. Esto permite al algoritmo identificar la estructura jerárquica subyacente de la cartera y evitar que los errores se propaguen por toda la red.
- Asignación Basada en Riesgo: El algoritmo asigna capital basándose en el riesgo, asegurando que los activos solo compitan con activos similares por su representación en la cartera. Este enfoque conduce a una mejor diversificación entre diferentes fuentes de riesgo, evitando la inestabilidad asociada con estimaciones de rendimientos ruidosas.
- Manejo de la Matriz de Covarianza: A diferencia de los métodos tradicionales como la Optimización de Media-Varianza, HRP no requiere invertir la matriz de covarianza. Esto lo hace más estable y aplicable a carteras con un gran número de activos, particularmente cuando el número de condición de la matriz de covarianza es alto.
El Problema: La Maldición de Markowitz
La construcción de carteras es quizás el problema financiero más recurrente. A diario, los gestores de inversiones deben construir carteras que incorporen sus puntos de vista y pronósticos sobre riesgos y rendimientos. A pesar de la elegancia teórica del marco de media-varianza de Markowitz, su implementación práctica se ve obstaculizada por varias limitaciones que socavan la fiabilidad de las soluciones derivadas del Algoritmo de Línea Crítica. Una preocupación principal es la alta sensibilidad de las carteras óptimas a pequeñas perturbaciones en los rendimientos esperados: incluso errores de pronóstico menores pueden resultar en asignaciones significativamente diferentes. Dada la dificultad inherente de producir pronósticos de rendimiento precisos, numerosos investigadores han abogado por enfoques que prescindan por completo de los rendimientos esperados y se basen únicamente en la estructura de covarianza de los rendimientos de los activos. Esto ha dado lugar a métodos de asignación basados en el riesgo, entre los cuales la paridad de riesgo es un ejemplo ampliamente citado.
Si bien eliminar los pronósticos de rendimiento mitiga parte de la inestabilidad, no la elimina. Las técnicas de programación cuadrática empleadas en la optimización de carteras requieren la inversión de una matriz de covarianza definida positiva, lo que significa que todos los valores propios deben ser estrictamente positivos. Cuando la matriz está numéricamente mal condicionada, es decir, cuando la relación entre su valor propio más grande y su valor propio más pequeño (su número de condición) es grande, la inversión de la matriz se vuelve poco fiable y propensa a errores numéricos significativos.
El número de condición de una matriz de covarianza, correlación o cualquier matriz simétrica (y por tanto diagonalizable) se define como el valor absoluto de la relación entre su valor propio más grande y su valor propio más pequeño en módulo. Una matriz de correlación diagonal, que es igual a su propia inversa, exhibe el número de condición mínimo posible.
A medida que aumenta el número de activos correlacionados (o multicolineales) en una cartera, el número de condición aumenta. En niveles altos, esto conduce a una grave inestabilidad numérica, por lo que ligeras modificaciones en cualquier entrada de la matriz pueden resultar en inversas drásticamente diferentes. Este fenómeno, a menudo denominado la maldición de Markowitz, encapsula la paradoja en la que una mayor correlación entre activos aumenta la necesidad teórica de diversificación, pero simultáneamente aumenta la probabilidad de resultados de optimización inestables. En consecuencia, los beneficios potenciales de la diversificación se ven frecuentemente eclipsados por errores de estimación.
Estos problemas se exacerban a medida que aumenta la dimensionalidad de la matriz de covarianza. La estimación de cada término de covarianza consume grados de libertad y, en general, se requiere un mínimo de 1/2 N(N+1) observaciones independientes e idénticamente distribuidas (IID) para estimar una matriz de covarianza no singular de dimensión N. Por ejemplo, construir una matriz de covarianza invertible de dimensión 50 requiere al menos cinco años de observaciones diarias IID. Sin embargo, la evidencia empírica sugiere que la estructura de correlación de los activos financieros es altamente inestable durante períodos tan prolongados. Estas dificultades se destacan por la observación de que incluso las estrategias de asignación ingenuas, como las carteras de igual ponderación, han superado con frecuencia tanto a las optimizaciones de media-varianza como a las basadas en riesgo en pruebas fuera de la muestra.
La Solución: Paridad de Riesgo Jerárquica
El algoritmo HRP aborda la maldición de Markowitz en tres pasos:
- Agrupamiento Jerárquico: Los activos se agrupan en clústeres basándose en sus correlaciones, formando una estructura de árbol jerárquica.
- Cuasi-Diagonalización: La matriz de correlación se reordena para colocar activos similares juntos a lo largo de la diagonal, explotando la estructura de bloques del árbol agrupado.
- Bisección Recursiva: El capital se asigna recursivamente hacia abajo en el árbol, dividiendo los pesos de manera inversamente proporcional a la varianza de cada clúster, asegurando que el riesgo se distribuya entre clústeres y activos.
Este proceso de tres pasos permite a HRP evitar la necesidad de inversión de matrices y explotar la estructura jerárquica de las correlaciones de los activos, lo que conduce a carteras más estables y diversificadas.
Extensiones e Implementaciones
Desde su introducción, HRP se ha implementado en numerosas bibliotecas de código abierto, lo que lo hace accesible para profesionales e investigadores. Estas implementaciones a menudo incluyen variaciones y extensiones, como la incorporación de diferentes algoritmos de agrupamiento, el manejo de datos faltantes o la integración con otras técnicas de gestión de riesgos. El marco también se ha extendido para abordar el reequilibrio dinámico de carteras y para incorporar medidas de riesgo alternativas más allá de la varianza.
La versatilidad de HRP lo ha convertido en una opción popular en las finanzas cuantitativas, particularmente para carteras con un gran número de activos donde los optimizadores tradicionales tienen dificultades. Su dependencia del aprendizaje automático y la teoría de grafos se alinea con las tendencias más amplias en las aplicaciones de inteligencia artificial y aprendizaje automático en las finanzas.
Recepción e Impacto
HRP ha sido bien recibido en la comunidad financiera como una solución práctica a las limitaciones del marco de Markowitz. Su énfasis en la robustez y el rendimiento fuera de la muestra ha resonado con los profesionales que enfrentan restricciones del mundo real, como el error de estimación y la inestabilidad del mercado. La capacidad del marco para manejar matrices de covarianza mal condicionadas ha sido particularmente valorada en entornos de alta dimensión, donde los métodos tradicionales a menudo fallan.
Si bien HRP no está exento de críticos, que señalan su dependencia de las correlaciones históricas y el potencial de sobreajuste en el agrupamiento, sin embargo, se ha establecido como una contribución significativa a la optimización de carteras. Su desarrollo refleja un cambio más amplio hacia la incorporación de técnicas computacionales y de aprendizaje automático en las finanzas, una tendencia que continúa evolucionando con los avances en aprendizaje profundo y IA generativa.
Hasta el estado actual del conocimiento, HRP sigue siendo un área activa de investigación, con trabajo en curso explorando sus fundamentos teóricos y refinamientos prácticos. Su impacto es evidente en la proliferación de herramientas de código abierto y en el creciente cuerpo de literatura que se basa en sus principios.