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

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

Sumario:

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 esper... Ver más

Guardado en:

Revista ODEON

1794-1113

2346-2140

Aragón Urrego, Daniel

UNIVERSIDAD EXTERNADO DE COLOMBIA

10.18601/17941113.n21.06

2022-12-14

105

124

Colombia

portafolio óptimo;

clustering

paridad de riesgo

Daniel Aragón Urrego - 2022

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

info:eu-repo/semantics/openAccess

http://purl.org/coar/access_right/c_abf2

id metarevistapublica_uexternado_revistaodeon_39_article_8491
record_format ojs
spelling Paridad de riesgo jerárquico: aproximación al método y aplicación para el mercado estadounidense
Hierarchical Risk Parity: Approach to the method and application for the American market
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.
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.
Aragón Urrego, Daniel
Optimal portfolio;
risk parity;
clustering
portafolio óptimo;
clustering
paridad de riesgo
21
Núm. 21 , Año 2021 : Julio-Diciembre
Artículo de revista
Journal article
2022-12-14T10:23:26Z
2022-12-14T10:23:26Z
2022-12-14
application/pdf
text/html
Universidad Externado de Colombia
ODEON
1794-1113
2346-2140
https://revistas.uexternado.edu.co/index.php/odeon/article/view/8491
10.18601/17941113.n21.06
https://doi.org/10.18601/17941113.n21.06
spa
http://creativecommons.org/licenses/by-nc-sa/4.0
Daniel Aragón Urrego - 2022
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
105
124
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
https://revistas.uexternado.edu.co/index.php/odeon/article/download/8491/13489
https://revistas.uexternado.edu.co/index.php/odeon/article/download/8491/13490
info:eu-repo/semantics/article
http://purl.org/coar/resource_type/c_6501
http://purl.org/redcol/resource_type/ARTREF
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/version/c_970fb48d4fbd8a85
info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
Text
Publication
institution UNIVERSIDAD EXTERNADO DE COLOMBIA
thumbnail https://nuevo.metarevistas.org/UNIVERSIDADEXTERNADODECOLOMBIA/logo.png
country_str Colombia
collection Revista ODEON
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
Aragón Urrego, Daniel
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
title_eng Hierarchical Risk Parity: Approach to the method and application for the American market
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.
description_eng 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.
author Aragón Urrego, Daniel
author_facet Aragón Urrego, Daniel
topic Optimal portfolio;
risk parity;
clustering
portafolio óptimo;
clustering
paridad de riesgo
topic_facet Optimal portfolio;
risk parity;
clustering
portafolio óptimo;
clustering
paridad de riesgo
topicspa_str_mv portafolio óptimo;
clustering
paridad de riesgo
citationissue 21
citationedition Núm. 21 , Año 2021 : Julio-Diciembre
publisher Universidad Externado de Colombia
ispartofjournal ODEON
source https://revistas.uexternado.edu.co/index.php/odeon/article/view/8491
language spa
format Article
rights http://creativecommons.org/licenses/by-nc-sa/4.0
Daniel Aragón Urrego - 2022
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
references 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
type_driver info:eu-repo/semantics/article
type_coar http://purl.org/coar/resource_type/c_6501
type_version info:eu-repo/semantics/publishedVersion
type_coarversion http://purl.org/coar/version/c_970fb48d4fbd8a85
type_content Text
publishDate 2022-12-14
date_accessioned 2022-12-14T10:23:26Z
date_available 2022-12-14T10:23:26Z
url https://revistas.uexternado.edu.co/index.php/odeon/article/view/8491
url_doi https://doi.org/10.18601/17941113.n21.06
issn 1794-1113
eissn 2346-2140
doi 10.18601/17941113.n21.06
citationstartpage 105
citationendpage 124
url2_str_mv https://revistas.uexternado.edu.co/index.php/odeon/article/download/8491/13489
url3_str_mv https://revistas.uexternado.edu.co/index.php/odeon/article/download/8491/13490
_version_ 1811199265735704576

Código QR

Estadísticas y Métricas Alternativas

Títulos similares