Paridad de riesgo jerárquico: aproximación al método y aplicación para el mercado estadounidense

Este artículo presenta el enfoque de paridad de riesgo jerárquico (HRP, por sus siglas en inglés) propuesto por López de Prado para la construcción de portafolios óptimos de inversión empleando aprendizaje no supervisado –clustering jerárquico–, que permitan superar algunas limitaciones propias del...

Full description

Autores:: Aragón Urrego, Daniel

Tipo de recurso:: Article of journal

Fecha de publicación:: 2022

Institución:: Universidad Externado de Colombia

Repositorio:: Biblioteca Digital Universidad Externado de Colombia

Idioma:: spa

id	uexternad2_7e423d1da6b5e71aef970e593d97a731
oai_identifier_str	oai:bdigital.uexternado.edu.co:001/15346
network_acronym_str	uexternad2
network_name_str	Biblioteca Digital Universidad Externado de Colombia
repository_id_str
dc.title.spa.fl_str_mv	Paridad de riesgo jerárquico: aproximación al método y aplicación para el mercado estadounidense
dc.title.translated.eng.fl_str_mv	Hierarchical Risk Parity: Approach to the method and application for the American market
title	Paridad de riesgo jerárquico: aproximación al método y aplicación para el mercado estadounidense
spellingShingle	Paridad de riesgo jerárquico: aproximación al método y aplicación para el mercado estadounidense Optimal portfolio; risk parity; clustering portafolio óptimo; clustering paridad de riesgo
title_short	Paridad de riesgo jerárquico: aproximación al método y aplicación para el mercado estadounidense
title_full	Paridad de riesgo jerárquico: aproximación al método y aplicación para el mercado estadounidense
title_fullStr	Paridad de riesgo jerárquico: aproximación al método y aplicación para el mercado estadounidense
title_full_unstemmed	Paridad de riesgo jerárquico: aproximación al método y aplicación para el mercado estadounidense
title_sort	Paridad de riesgo jerárquico: aproximación al método y aplicación para el mercado estadounidense
dc.creator.fl_str_mv	Aragón Urrego, Daniel
dc.contributor.author.spa.fl_str_mv	Aragón Urrego, Daniel
dc.subject.eng.fl_str_mv	Optimal portfolio; risk parity; clustering
topic	Optimal portfolio; risk parity; clustering portafolio óptimo; clustering paridad de riesgo
dc.subject.spa.fl_str_mv	portafolio óptimo; clustering paridad de riesgo
description	Este artículo presenta el enfoque de paridad de riesgo jerárquico (HRP, por sus siglas en inglés) propuesto por López de Prado para la construcción de portafolios óptimos de inversión empleando aprendizaje no supervisado –clustering jerárquico–, que permitan superar algunas limitaciones propias del modelo de Media-Varianza, en particular aquella relacionada con la necesidad de invertir la matriz de covarianzas en el momento de implementar el algoritmo CLA. Se toma una muestra de siete activos del mercado estadounidense, con los cuales se realiza una aplicación del algoritmo HRP propuesto por López de Prado; se encuentra que bajo este modelo la distribución de los activos en diferentes clústeres genera mejoras en términos del retorno esperado, así como del coeficiente de Sharpe en comparación con los resultados del portafolio de media-varianza.
publishDate	2022
dc.date.accessioned.none.fl_str_mv	2022-12-14T10:23:26Z 2024-06-07T07:31:01Z
dc.date.available.none.fl_str_mv	2022-12-14T10:23:26Z 2024-06-07T07:31:01Z
dc.date.issued.none.fl_str_mv	2022-12-14
dc.type.spa.fl_str_mv	Artículo de revista
dc.type.coar.fl_str_mv	http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.coar.spa.fl_str_mv	http://purl.org/coar/resource_type/c_6501
dc.type.coarversion.spa.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.content.spa.fl_str_mv	Text
dc.type.driver.spa.fl_str_mv	info:eu-repo/semantics/article
dc.type.local.eng.fl_str_mv	Journal article
dc.type.redcol.spa.fl_str_mv	http://purl.org/redcol/resource_type/ARTREF
dc.type.version.spa.fl_str_mv	info:eu-repo/semantics/publishedVersion
format	http://purl.org/coar/resource_type/c_6501
status_str	publishedVersion
dc.identifier.doi.none.fl_str_mv	10.18601/17941113.n21.06
dc.identifier.eissn.none.fl_str_mv	2346-2140
dc.identifier.issn.none.fl_str_mv	1794-1113
dc.identifier.uri.none.fl_str_mv	https://bdigital.uexternado.edu.co/handle/001/15346
dc.identifier.url.none.fl_str_mv	https://doi.org/10.18601/17941113.n21.06
identifier_str_mv	10.18601/17941113.n21.06 2346-2140 1794-1113
url	https://bdigital.uexternado.edu.co/handle/001/15346 https://doi.org/10.18601/17941113.n21.06
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.bitstream.none.fl_str_mv	https://revistas.uexternado.edu.co/index.php/odeon/article/download/8491/13489 https://revistas.uexternado.edu.co/index.php/odeon/article/download/8491/13490
dc.relation.citationedition.spa.fl_str_mv	Núm. 21 , Año 2021 : Julio-Diciembre
dc.relation.citationendpage.none.fl_str_mv	124
dc.relation.citationissue.spa.fl_str_mv	21
dc.relation.citationstartpage.none.fl_str_mv	105
dc.relation.ispartofjournal.spa.fl_str_mv	ODEON
dc.relation.references.spa.fl_str_mv	Bechis, L. (2020). Machine learning portfolio optimization: Hierarchical risk parity and modern portfolio theory (Tesis de maestría). Libera Università Internazionale degli Studi Sociali Guido Carli. http://tesi.luiss.it/28022/1/709261_bechis _ luca.pdf Bailey, D. y López de Prado, M. (2012). The Sharpe coefficient efficient frontier. Journal of Risk, 15(2): 3-44. https://doi.org/10.21314/jor.2012.255 Black, F. y Litterman, R. (1992). Global portfolio optimization. Financial Analysts Journal, 48(5), 28-43. https://doi.org/10.2469/faj.v48.n5.28 Clarke, R., De Silva, H. y Thorley, S. (2002). Portfolio constraints and the fundamental law of active management. Financial Analysts Journal, 58: 48-66. https://doi. org/10.2469/faj.v58.n5.2468 Ledoit, O. y Wolf, M. (2004). A well-conditioned estimator for large-dimensional co-variance matrices. Journal of Multivariate Analysis, 88(2), 365-411. https://doi. org/10.1016/S0047-259X(03)00096-4 León, D., Aragón, A., Sandoval, J., Hernández, G., Arévalo, A. y Niño, J. (2017). Clus-tering algorithms for risk-adjusted portfolio construction. Procedia Computer Science, 108, 1334-1343. https://doi.org/10.1016/j.procs.2017.05.185 López de Prado, M. (2016). Building diversified portfolios that outperform out of sam¬ple. The Journal of Portfolio Management, 42(4), 59-69. https://doi.org/10.3905/ jpm.2016.42.4.059 López de Prado, M. (2018). Advances in financial machine learning. John Wiley & Sons. López de Prado, M. (2020). Machine learning for asset managers. Cambridge Uni¬versity Press. Markowitz, H. (1952). Portfolio Selection. Journal of Finance, 7(1), 77-91. Markowitz, H. (1959). Portfolio Selection: Efficient Diversification of Investments. Wiley. Mercader, M. (2021). Hierarchical Risk Parity: portfolio optimization. Mathema¬tics and Physics Engineering Final Project. Universitat Politécnica de Ca¬talunya. https://upcommons.upc.edu/bitstream/handle/2117/350200/tfg.pdf?sequence=1&isAllowed=y Michaud, R. O. y Michaud, R. (2007). Estimation error and portfolio optimization: A Resampling Solution. Working paper. https://papers.ssrn.com/sol3/papers.cfm? abstract_id=2658657 Raffinot, T. (2018). The hierarchical equal risk contribution portfolio. Working paper. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3237540. Sharpe, W. (1964). Capital asset prices: A theory of market equilibrium under conditions of risk. Journal of Finance, 19(3), 425-442. https://doi.org/10.1111/j.1540-6261.1964. tb02865.x Tatsat, H., Puri, S. y Lookabaugh, B. (2020). Machine Learning and Data Science Blueprints for Finance. O’Reilly Media. Vyas, A. (2019). The hierarchical risk parity algorithm: An introduction. Hudson and Thames Quantitative Research. Working paper. https://hudsonthames.org/?avia_ forced_reroute=1
dc.rights.spa.fl_str_mv	Daniel Aragón Urrego - 2022
dc.rights.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.uri.spa.fl_str_mv	http://creativecommons.org/licenses/by-nc-sa/4.0
rights_invalid_str_mv	Daniel Aragón Urrego - 2022 http://purl.org/coar/access_right/c_abf2 http://creativecommons.org/licenses/by-nc-sa/4.0
eu_rights_str_mv	openAccess
dc.format.mimetype.spa.fl_str_mv	application/pdf text/html
dc.publisher.spa.fl_str_mv	Universidad Externado de Colombia
dc.source.spa.fl_str_mv	https://revistas.uexternado.edu.co/index.php/odeon/article/view/8491
institution	Universidad Externado de Colombia
bitstream.url.fl_str_mv	https://bdigital.uexternado.edu.co/bitstreams/79ff56d4-a5a9-43c1-9dfe-7173a76ec411/download
bitstream.checksum.fl_str_mv	e1389ec96fcbc93818dfdb38ae92c7e6
bitstream.checksumAlgorithm.fl_str_mv	MD5
repository.name.fl_str_mv	Universidad Externado de Colombia
repository.mail.fl_str_mv	metabiblioteca@metabiblioteca.org
_version_	1814100361799008256
spelling	Aragón Urrego, Daniel2022-12-14T10:23:26Z2024-06-07T07:31:01Z2022-12-14T10:23:26Z2024-06-07T07:31:01Z2022-12-14Este artículo presenta el enfoque de paridad de riesgo jerárquico (HRP, por sus siglas en inglés) propuesto por López de Prado para la construcción de portafolios óptimos de inversión empleando aprendizaje no supervisado –clustering jerárquico–, que permitan superar algunas limitaciones propias del modelo de Media-Varianza, en particular aquella relacionada con la necesidad de invertir la matriz de covarianzas en el momento de implementar el algoritmo CLA. Se toma una muestra de siete activos del mercado estadounidense, con los cuales se realiza una aplicación del algoritmo HRP propuesto por López de Prado; se encuentra que bajo este modelo la distribución de los activos en diferentes clústeres genera mejoras en términos del retorno esperado, así como del coeficiente de Sharpe en comparación con los resultados del portafolio de media-varianza.This paper presents the Hierarchical Risk Parity (HRP) approach proposed by López de Prado (2016, 2018, 2020) for the construction of optimal investment portfolios using unsupervised learning, hierarchical clustering, which allow overcome some limitations of the Mean-Variance (MV) model, in particular those related to the need to invert the covariance matrix when implementing the CLA algorithm. A sample of 7 assets from the American market is taken, with which an application of the HRP algorithm proposed by López de Prado is carried out, finding that under this model the distribution of assets in different clusters generates improvements in terms of the expected return, as well as of the Sharpe coefficient compared to the results of the Mean-Variance portfolio.application/pdftext/html10.18601/17941113.n21.062346-21401794-1113https://bdigital.uexternado.edu.co/handle/001/15346https://doi.org/10.18601/17941113.n21.06spaUniversidad Externado de Colombiahttps://revistas.uexternado.edu.co/index.php/odeon/article/download/8491/13489https://revistas.uexternado.edu.co/index.php/odeon/article/download/8491/13490Núm. 21 , Año 2021 : Julio-Diciembre12421105ODEONBechis, L. (2020). Machine learning portfolio optimization: Hierarchical risk parity and modern portfolio theory (Tesis de maestría). Libera Università Internazionale degli Studi Sociali Guido Carli. http://tesi.luiss.it/28022/1/709261_bechis _ luca.pdfBailey, D. y López de Prado, M. (2012). The Sharpe coefficient efficient frontier. Journal of Risk, 15(2): 3-44. https://doi.org/10.21314/jor.2012.255Black, F. y Litterman, R. (1992). Global portfolio optimization. Financial Analysts Journal, 48(5), 28-43. https://doi.org/10.2469/faj.v48.n5.28Clarke, R., De Silva, H. y Thorley, S. (2002). Portfolio constraints and the fundamental law of active management. Financial Analysts Journal, 58: 48-66. https://doi. org/10.2469/faj.v58.n5.2468Ledoit, O. y Wolf, M. (2004). A well-conditioned estimator for large-dimensional co-variance matrices. Journal of Multivariate Analysis, 88(2), 365-411. https://doi. org/10.1016/S0047-259X(03)00096-4León, D., Aragón, A., Sandoval, J., Hernández, G., Arévalo, A. y Niño, J. (2017). Clus-tering algorithms for risk-adjusted portfolio construction. Procedia Computer Science, 108, 1334-1343. https://doi.org/10.1016/j.procs.2017.05.185López de Prado, M. (2016). Building diversified portfolios that outperform out of sam¬ple. The Journal of Portfolio Management, 42(4), 59-69. https://doi.org/10.3905/ jpm.2016.42.4.059López de Prado, M. (2018). Advances in financial machine learning. John Wiley & Sons.López de Prado, M. (2020). Machine learning for asset managers. Cambridge Uni¬versity Press.Markowitz, H. (1952). Portfolio Selection. Journal of Finance, 7(1), 77-91.Markowitz, H. (1959). Portfolio Selection: Efficient Diversification of Investments. Wiley.Mercader, M. (2021). Hierarchical Risk Parity: portfolio optimization. Mathema¬tics and Physics Engineering Final Project. Universitat Politécnica de Ca¬talunya. https://upcommons.upc.edu/bitstream/handle/2117/350200/tfg.pdf?sequence=1&isAllowed=yMichaud, R. O. y Michaud, R. (2007). Estimation error and portfolio optimization: A Resampling Solution. Working paper. https://papers.ssrn.com/sol3/papers.cfm? abstract_id=2658657Raffinot, T. (2018). The hierarchical equal risk contribution portfolio. Working paper. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3237540.Sharpe, W. (1964). Capital asset prices: A theory of market equilibrium under conditions of risk. Journal of Finance, 19(3), 425-442. https://doi.org/10.1111/j.1540-6261.1964. tb02865.xTatsat, H., Puri, S. y Lookabaugh, B. (2020). Machine Learning and Data Science Blueprints for Finance. O’Reilly Media.Vyas, A. (2019). The hierarchical risk parity algorithm: An introduction. Hudson and Thames Quantitative Research. Working paper. https://hudsonthames.org/?avia_ forced_reroute=1Daniel Aragón Urrego - 2022info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.http://creativecommons.org/licenses/by-nc-sa/4.0https://revistas.uexternado.edu.co/index.php/odeon/article/view/8491Optimal portfolio;risk parity;clusteringportafolio óptimo;clusteringparidad de riesgoParidad de riesgo jerárquico: aproximación al método y aplicación para el mercado estadounidenseHierarchical Risk Parity: Approach to the method and application for the American marketArtículo de revistahttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1http://purl.org/coar/version/c_970fb48d4fbd8a85Textinfo:eu-repo/semantics/articleJournal articlehttp://purl.org/redcol/resource_type/ARTREFinfo:eu-repo/semantics/publishedVersionPublicationOREORE.xmltext/xml2570https://bdigital.uexternado.edu.co/bitstreams/79ff56d4-a5a9-43c1-9dfe-7173a76ec411/downloade1389ec96fcbc93818dfdb38ae92c7e6MD51001/15346oai:bdigital.uexternado.edu.co:001/153462024-06-07 02:31:01.553http://creativecommons.org/licenses/by-nc-sa/4.0Daniel Aragón Urrego - 2022https://bdigital.uexternado.edu.coUniversidad Externado de Colombiametabiblioteca@metabiblioteca.org

Paridad de riesgo jerárquico: aproximación al método y aplicación para el mercado estadounidense

Publicaciones similares