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...
- 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
id |
uexternad2_dd0d88a5205590784165d3b54cd9d292 |
---|---|
oai_identifier_str |
oai:bdigital.uexternado.edu.co:001/15369 |
network_acronym_str |
uexternad2 |
network_name_str |
Biblioteca Digital Universidad Externado de Colombia |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Aplicación del modelo contribución jerárquica de igual riesgo con ADR latinoamericanos |
dc.title.translated.eng.fl_str_mv |
Application of the Hierarchical Equal Risk Contribution Model with Latin American ADRS |
title |
Aplicación del modelo contribución jerárquica de igual riesgo con ADR latinoamericanos |
spellingShingle |
Aplicación del modelo contribución jerárquica de igual riesgo con ADR latinoamericanos Portfolio optimization; risk parity; clustering optimización de portafolios; paridad de riesgo; clustering |
title_short |
Aplicación del modelo contribución jerárquica de igual riesgo con ADR latinoamericanos |
title_full |
Aplicación del modelo contribución jerárquica de igual riesgo con ADR latinoamericanos |
title_fullStr |
Aplicación del modelo contribución jerárquica de igual riesgo con ADR latinoamericanos |
title_full_unstemmed |
Aplicación del modelo contribución jerárquica de igual riesgo con ADR latinoamericanos |
title_sort |
Aplicación del modelo contribución jerárquica de igual riesgo con ADR latinoamericanos |
dc.creator.fl_str_mv |
Aragón Urrego, Daniel |
dc.contributor.author.spa.fl_str_mv |
Aragón Urrego, Daniel |
dc.subject.eng.fl_str_mv |
Portfolio optimization; risk parity; clustering |
topic |
Portfolio optimization; risk parity; clustering optimización de portafolios; paridad de riesgo; clustering |
dc.subject.spa.fl_str_mv |
optimización de portafolios; paridad de riesgo; clustering |
description |
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. |
publishDate |
2024 |
dc.date.accessioned.none.fl_str_mv |
2024-03-21T11:15:55Z 2024-06-07T07:31:19Z |
dc.date.available.none.fl_str_mv |
2024-03-21T11:15:55Z 2024-06-07T07:31:19Z |
dc.date.issued.none.fl_str_mv |
2024-03-21 |
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.n25.03 |
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/001/15369 |
dc.identifier.url.none.fl_str_mv |
https://doi.org/10.18601/17941113.n25.03 |
identifier_str_mv |
10.18601/17941113.n25.03 2346-2140 1794-1113 |
url |
https://bdigital.uexternado.edu.co/handle/001/15369 https://doi.org/10.18601/17941113.n25.03 |
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/9336/15629 |
dc.relation.citationedition.spa.fl_str_mv |
Núm. 25 , Año 2023 : Julio-Diciembre |
dc.relation.citationendpage.none.fl_str_mv |
71 |
dc.relation.citationissue.spa.fl_str_mv |
25 |
dc.relation.citationstartpage.none.fl_str_mv |
55 |
dc.relation.ispartofjournal.spa.fl_str_mv |
ODEON |
dc.relation.references.spa.fl_str_mv |
Bailey, D. y M. López de Prado (2012). The Sharpe Coeficiente Efficient Frontier. Journal of Risk, 15(2), 3-44. doi: 10.21314/jor.2012.255. 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 Black, F. y Litterman, R. (1992). Global portfolio optimization. Financial Analysts Journal, 48(5), 28-43. doi: 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. doi: 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. doi: 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. doi: 10.1016/j.procs.2017.05.185 López de Prado, M. (2016). Building diversified portfolios that outperform out of sample. The Journal of Portfolio Management, 42(4), 59-69. doi: 10.3905/jpm.2016. 42.4.059 López de Prado, M. (2018). Advances in financial machine learning. John Wiley y Sons. López de Prado, M. (2020). Machine learning for asset managers. Cambridge University Press. doi: 10.1017/9781108883658 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. Mathematics and Physics Engineering Final Project. Universitat Politécnica de Catalunya. 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. SSRN Electronic Journal. doi: 10.2139/ssrn.2658657 Raffinot, Th. (May 2017). Hierarchical clustering-based asset allocation. SSRN Electronic Journal. https://doi.org/10.3905/jpm.2018.44.2.089 Raffinot, Th. (August 23, 2018). The hierarchical equal risk contribution portfolio. SSRN Electronic Journal. http://dx.doi.org/10.2139/ssrn.3237540 Sharpe, W. (1964). Capital asset prices: A theory of market equilibrium under conditions of risk. journal of finance, 19(3), 425-442. doi: 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. Tibshirani, R., Guenther, W. t Hastie, T. (2001). Estimating the number of clusters in a data set via the gap statistic. Journal of the Royal Statistical Society, Series B, 63, 411-423. doi: 10.1111/1467-9868.00293. |
dc.rights.spa.fl_str_mv |
Daniel Aragón Urrego - 2024 |
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 - 2024 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 |
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/9336 |
institution |
Universidad Externado de Colombia |
bitstream.url.fl_str_mv |
https://bdigital.uexternado.edu.co/bitstreams/1db13cca-3521-41a3-8c63-195e9542fe94/download |
bitstream.checksum.fl_str_mv |
5dfb444990e6d1e4ed446e80e55c2984 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
repository.name.fl_str_mv |
Universidad Externado de Colombia |
repository.mail.fl_str_mv |
metabiblioteca@metabiblioteca.org |
_version_ |
1814100350690394112 |
spelling |
Aragón Urrego, Daniel2024-03-21T11:15:55Z2024-06-07T07:31:19Z2024-03-21T11:15:55Z2024-06-07T07:31:19Z2024-03-21Se 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.The Hierarchical Equal Risk Contribution (HERC) approach, as proposed by Raffinot (2017, 2018), is introduced here. Similar to the model proposed by López de Prado (2016), it incorporates machine learning techniques for portfolio optimization, addressing certain limitations of the Mean-Variance model by Markowitz (1952). An application of the HERC model is conducted, considering Single and Ward linkage methods for hierarchical clustering of a set of assets traded on the NYSE, with companies located in Latin American countries. The results indicate that, for this set of assets, the Ward clustering and hierarchy method is characterized by being intra-country, resulting in a more compact number of clusters compared to the Single clustering method. Additionally, it demonstrates better performance, lower volatility, and a higher Sharpe ratio.application/pdf10.18601/17941113.n25.032346-21401794-1113https://bdigital.uexternado.edu.co/handle/001/15369https://doi.org/10.18601/17941113.n25.03spaUniversidad Externado de Colombiahttps://revistas.uexternado.edu.co/index.php/odeon/article/download/9336/15629Núm. 25 , Año 2023 : Julio-Diciembre712555ODEONBailey, D. y M. López de Prado (2012). The Sharpe Coeficiente Efficient Frontier. Journal of Risk, 15(2), 3-44. doi: 10.21314/jor.2012.255.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.pdfBlack, F. y Litterman, R. (1992). Global portfolio optimization. Financial Analysts Journal, 48(5), 28-43. doi: 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. doi: 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. doi: 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. doi: 10.1016/j.procs.2017.05.185López de Prado, M. (2016). Building diversified portfolios that outperform out of sample. The Journal of Portfolio Management, 42(4), 59-69. doi: 10.3905/jpm.2016. 42.4.059López de Prado, M. (2018). Advances in financial machine learning. John Wiley y Sons.López de Prado, M. (2020). Machine learning for asset managers. Cambridge University Press. doi: 10.1017/9781108883658Markowitz, 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. Mathematics and Physics Engineering Final Project. Universitat Politécnica de Catalunya. 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. SSRN Electronic Journal. doi: 10.2139/ssrn.2658657Raffinot, Th. (May 2017). Hierarchical clustering-based asset allocation. SSRN Electronic Journal. https://doi.org/10.3905/jpm.2018.44.2.089Raffinot, Th. (August 23, 2018). The hierarchical equal risk contribution portfolio. SSRN Electronic Journal. http://dx.doi.org/10.2139/ssrn.3237540Sharpe, W. (1964). Capital asset prices: A theory of market equilibrium under conditions of risk. journal of finance, 19(3), 425-442. doi: 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.Tibshirani, R., Guenther, W. t Hastie, T. (2001). Estimating the number of clusters in a data set via the gap statistic. Journal of the Royal Statistical Society, Series B, 63, 411-423. doi: 10.1111/1467-9868.00293.Daniel Aragón Urrego - 2024info: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/9336Portfolio optimization;risk parity;clusteringoptimización de portafolios;paridad de riesgo;clusteringAplicación del modelo contribución jerárquica de igual riesgo con ADR latinoamericanosApplication of the Hierarchical Equal Risk Contribution Model with Latin American ADRSArtículo 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/xml2540https://bdigital.uexternado.edu.co/bitstreams/1db13cca-3521-41a3-8c63-195e9542fe94/download5dfb444990e6d1e4ed446e80e55c2984MD51001/15369oai:bdigital.uexternado.edu.co:001/153692024-06-07 02:31:19.228http://creativecommons.org/licenses/by-nc-sa/4.0Daniel Aragón Urrego - 2024https://bdigital.uexternado.edu.coUniversidad Externado de Colombiametabiblioteca@metabiblioteca.org |