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
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