Optimización de la Teoría de Cartera Postmoderna (PMPT)

La optimización de la Teoría de Cartera Postmoderna (PMPT) es un marco para construir carteras de inversión minimizando el riesgo a la baja —definido como los rendimientos por debajo de un objetivo especificado o de un rendimiento mínimo aceptable— en lugar de la varianza total. Amplía la Teoría de Cartera Moderna (MPT) al reconocer que los inversores perciben típicamente pérdidas y ganancias de forma asimétrica: son más sensibles a los déficits que a la volatilidad al alza. Por lo tanto, la optimización PMPT sustituye la optimización media‑varianza (MVO) por la optimización de riesgo a la baja (DRO), usando métricas como la semivarianza, la semidesviación o el ratio de Sortino para guiar las decisiones de asignación de activos.

A diferencia de MPT, que asume que a los inversores les importa la dispersión de los rendimientos alrededor de la media sin importar la dirección, PMPT modela explícitamente el riesgo como el incumplimiento de un objetivo, como un calendario de pasivos, un índice de referencia o un piso de rendimiento personal. Esto hace que PMPT sea particularmente adecuado para aplicaciones en planificación de jubilación, gestión de fondos patrimoniales y otros contextos donde el bajo desempeño conlleva consecuencias concretas.

La optimización PMPT determina los pesos de la cartera que maximizan el rendimiento esperado sujeto a una restricción de riesgo a la baja, o, de forma equivalente, minimiza el riesgo a la baja sujeto a un rendimiento objetivo. El problema de optimización suele formularse usando momentos parciales inferiores (LPM), donde la función objetivo integra solo las desviaciones cuadráticas por debajo de un rendimiento objetivo \(T\):

donde \(r\) es el rendimiento aleatorio y \(f(r)\) es su densidad de probabilidad. En la práctica, esto se aproxima usando distribuciones de rendimientos históricas o simuladas:

Este objetivo reemplaza el término de varianza \(\sigma^2 = \frac{1}{N} \sum (r_t - \bar{r})^2\) usado en MVO. La frontera eficiente resultante es cóncava en el plano retorno‑riesgo a la baja y a menudo produce carteras con menor probabilidad de bajo‑rendimiento respecto al objetivo.

• Target Return (T): Un punto de referencia predefinido—como la inflación más 3 %, un flujo de efectivo de pasivo, o una tasa libre de riesgo—que define el umbral para rendimientos ‘indeseables’.
• Semi-Variance / Semi-Deviation: La varianza o desviación estándar de los rendimientos por debajo del objetivo, que sirve como métrica de riesgo.
• Sortino Ratio: El rendimiento excedente sobre el objetivo dividido por la semi‑desviación, usado como medida de desempeño en la optimización o clasificación.
• Downside Risk Optimization (DRO): El método computacional para resolver el objetivo PMPT, a menudo implementado mediante programación cuadrática cuando los rendimientos se aproximan de forma discreta.

• Convergence Behavior: Estudios empíricos demuestran que los optimizadores de semi‑varianza sin restricciones no siempre convergen a soluciones extremas de ’esquina’ como predice la teoría; en cambio, a menudo generan asignaciones diversificadas, especialmente cuando las distribuciones de rendimientos son no gaussianas o presentan colas gruesas.
• Data Sensitivity: La optimización PMPT es más sensible a la elección del rendimiento objetivo y a los supuestos sobre la distribución de rendimientos que la MPT. Pequeños cambios en el objetivo o errores de estimación en los momentos a la baja pueden afectar significativamente los pesos óptimos.
• Computational Complexity: Aunque es manejable para universos de activos moderados, el DRO se vuelve más costoso computacionalmente que el MVO en problemas a gran escala debido a la ponderación de riesgo no simétrica y a las no convexidades en formulaciones de LPM de orden superior.
• Goal Alignment: El PMPT sobresale cuando los objetivos del inversor están bien definidos (p. ej., financiar un flujo de pasivo conocido), pero su ventaja sobre la MPT disminuye cuando los objetivos son arbitrarios o cuando las distribuciones de rendimientos son simétricas y de colas delgadas.

Supongamos que un inversor busca un rendimiento anual del 5 % y evalúa dos clases de activos usando rendimientos anuales históricos:

• Asset A: rendimientos de [2 %, 6 %, 8 %, 4 %]
• Asset B: rendimientos de [3 %, 3 %, 7 %, 7 %]

Para el Asset A, las desviaciones por debajo del 5 % son [−3 %, 0 %, 0 %, −1 %] → negativos al cuadrado: [9, 0, 0, 1] → semi‑varianza = 2.5. Para el Asset B, las desviaciones por debajo del 5 % son [−2 %, −2 %, 2 %, 2 %] → negativos al cuadrado: [4, 4, 0, 0] → semi‑varianza = 2.0.

Ambos activos comparten la misma media (5 %), pero el Asset A presenta mayor riesgo a la baja (semi‑varianza 2.5 frente a 2.0) porque sus déficits por debajo del objetivo del 5 % son mayores, de modo que un inversor adverso a pérdidas que optimiza bajo PMPT preferiría el Asset B. Los dos marcos divergen con mayor nitidez cuando los activos tienen la misma varianza total pero difieren en la forma de sus distribuciones de rendimientos: dado que la varianza total pondera por igual las desviaciones al alza y a la baja, dos activos con varianza idéntica pueden presentar semi‑varianzas muy distintas siempre que sus rendimientos estén sesgados — y es precisamente esa asimetría que el PMPT está diseñado para valorar.