A quién va dirigido — A quien quiera entender qué optimiza el modelo media-varianza, cómo nace la frontera eficiente y por qué una cartera matemáticamente óptima puede ser frágil fuera de muestra.
La optimización media-varianza combina rendimientos esperados y una matriz de covarianza para comparar carteras en un problema de un solo periodo. Una cartera es eficiente si, dentro del conjunto admisible, ninguna otra ofrece mayor rendimiento esperado con la misma varianza o menor varianza con el mismo rendimiento. Estas soluciones forman la frontera eficiente.
El marco de Harry Markowitz organiza un trade-off bajo hipótesis declaradas. No conoce los rendimientos futuros, no prueba que la varianza agote el riesgo y no decide por sí solo objetivos, restricciones o costes. Los inputs estimados y el conjunto admisible forman parte de la respuesta.
Las dos ecuaciones básicas
Con pesos w, rendimientos esperados μ y matriz de
covarianza Σ:
E[Rₚ] = wᵀμVar(Rₚ) = wᵀΣwLa primera relación es lineal en los pesos; la segunda incorpora varianzas y covarianzas. Para dos componentes:
σₚ² = w₁²σ₁² + w₂²σ₂² + 2w₁w₂Cov(R₁,R₂)Una formulación habitual minimiza wᵀΣw para un rendimiento
objetivo con ∑wᵢ=1. Otra maximiza rendimiento esperado menos una
penalización por varianza. El resultado depende de aversión al riesgo y límites
de posiciones cortas, apalancamiento, rotación, concentración y liquidez.
Qué representa la frontera
En el plano rendimiento esperado–volatilidad, las carteras bajo la frontera están dominadas dentro del modelo; el punto más a la izquierda es la cartera de mínima varianza global; moverse por la parte superior cambia el trade-off; añadir restricciones modifica el conjunto admisible; y cambiar los inputs desplaza toda la frontera.
«Eficiente» es un término condicionado, no un juicio absoluto. Una solución puede ser eficiente en el modelo e inadecuada para flujos, pasivos, drawdown, riesgo de cola, liquidez o capacidad. Dos inversores con el mismo universo pueden elegir puntos distintos por tener objetivos y restricciones diferentes.
El error de estimación
Rendimientos esperados, volatilidades y covarianzas se estiman. Pequeñas variaciones pueden generar grandes cambios de pesos, sobre todo cuando activos similares compiten por diferencias mínimas de rendimiento esperado. Entre las críticas a la MVO figuran sensibilidad de outputs, concentraciones extremas, ausencia de asimetrías y colas, falsa diversificación por activos en lugar de factores, falta de pasivos y una estructura de un periodo que tiende a omitir costes, impuestos y rebalanceo.
DeMiguel, Garlappi y Uppal muestran en sus datos lo difícil que resulta para
muchas reglas optimizadas superar de forma estable al benchmark simple de
pesos iguales fuera de muestra. No significa que 1/N sea siempre
óptimo: obliga a comparar complejidad con baselines sencillas, costes y datos
no utilizados durante la estimación.
Herramientas de robustez
| Intervención | Objetivo | Límite |
|---|---|---|
| Límites de pesos | evitar soluciones extremas | pueden ocultar inputs débiles |
| Shrinkage | estabilizar medias o covarianzas | exige objetivo e intensidad |
| Resampling o escenarios | mostrar sensibilidad | depende del modelo de simulación |
| Black–Litterman | combinar equilibrio y visiones con incertidumbre | no elimina la elección de visiones |
| Mínima varianza | reducir dependencia de rendimientos esperados | sigue dependiendo de la covarianza |
| Presupuesto de riesgo | controlar contribuciones a una medida | no optimiza automáticamente el rendimiento |
| Penalización por rotación | incorporar fricciones de transición | requiere costes realistas y estado inicial |
Una prueba robusta varía ventanas, frecuencias, universos, restricciones y costes y reserva datos fuera de muestra. Una única solución con muchos decimales expresa precisión numérica, no certeza económica.
Ejemplo con dos activos
Dos activos hipotéticos tienen volatilidades anuales estimadas del 10 % y 20
%, correlación 0,25 y pesos del 60 % y 40 %. La covarianza es
0,25×0,10×0,20=0,005. La varianza estimada es:
0,60²×0,10² + 0,40²×0,20² + 2×0,60×0,40×0,005 = 0,0124La volatilidad es aproximadamente √0,0124=11,14%. El cálculo
ilustra el efecto de la covarianza, pero no predice volatilidad futura ni
demuestra que 60/40 sea eficiente.
Protocolo de publicación
Una optimización verificable declara universo, regla de supervivencia, divisa, frecuencia y periodo de datos, estimación de rendimientos y covarianza, función objetivo, restricciones, tratamiento de caja, cartera inicial, rotación, modelo de costes, datos ausentes, outliers, sensibilidad, validación fuera de muestra y versión de los inputs.
Error habitual — Presentar el punto más alto de una frontera estimada como «la mejor cartera». El optimizador resuelve la función que recibe; no decide si inputs, objetivo y restricciones representan el problema real.
Fuentes
- Harry Markowitz, Portfolio Selection, The Journal of Finance (1952) — formulación original del criterio media-varianza.
- CFA Institute, Principles of Asset Allocation — 2026 refresher reading — función objetivo, frontera, críticas, pasivos, factores y aplicaciones.
- Victor DeMiguel, Lorenzo Garlappi y Raman Uppal, Optimal Versus Naive Diversification, The Review of Financial Studies — comparación fuera de muestra con
1/N. - Fischer Black y Robert Litterman, Global Portfolio Optimization, Financial Analysts Journal (1992) — marco que combina equilibrio y visiones.
- Richard O. Michaud y Robert Michaud, Estimation Error and Portfolio Optimization: A Resampling Solution — error de estimación, resampling y estabilidad.