Aplicación del modelo contribución jerárquica de igual riesgo con ADR latinoamericanos

Se presenta el modelo contribución jerárquica de igual riesgo (HERC–Hierarchical Equal Risk Contribution) propuesto por Raffinot que, al igual que el modelo propuesto por López de Prado, incorpora técnicas de machine learning para la optimización de portafolios de inversión, evitando algunas limitac...

Full description

Autores:
Aragón Urrego, Daniel
Tipo de recurso:
Article of journal
Fecha de publicación:
2024
Institución:
Universidad Externado de Colombia
Repositorio:
Biblioteca Digital Universidad Externado de Colombia
Idioma:
spa
OAI Identifier:
oai:bdigital.uexternado.edu.co:001/15369
Acceso en línea:
https://bdigital.uexternado.edu.co/handle/001/15369
https://doi.org/10.18601/17941113.n25.03
Palabra clave:
Portfolio optimization;
risk parity;
clustering
optimización de portafolios;
paridad de riesgo;
clustering
Rights
openAccess
License
Daniel Aragón Urrego - 2024
Description
Summary:Se presenta el modelo contribución jerárquica de igual riesgo (HERC–Hierarchical Equal Risk Contribution) propuesto por Raffinot que, al igual que el modelo propuesto por López de Prado, incorpora técnicas de machine learning para la optimización de portafolios de inversión, evitando algunas limitaciones del algoritmo CLA del modelo tradicional Media-Varianza de Markowitz (1952). Se realiza una aplicación del modelo HERC considerando métodos de enlazamiento Single y Ward para la agrupación jerárquica de un conjunto de activos que coti­zan en el NYSE y cuyas empresas están ubicadas en países latinoamericanos. Los resultados muestran que, para el caso de este conjunto de activos, la agrupación y jerarquización con el método de agrupamiento Ward se caracteriza por ser intrapaís, y muestra un número de clústeres más compacto frente al método de agrupamiento Single, así como mejores resultados en términos de rendimiento, volatilidad y coeficiente de Sharpe.