Red de Bibliotecas Virtuales de Ciencias Sociales en
América Latina y el Caribe

logo CLACSO

  1. Repositorio institucional de CLACSO
  2. Colección de los Centros Asociados
  3. Colombia
  4. Centro de Investigaciones y Proyectos Especiales - CIPE/UEXTERNADO - Cosecha
Por favor, use este identificador para citar o enlazar este ítem: https://biblioteca-repositorio.clacso.edu.ar/handle/CLACSO/230374
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.creatorAragón Urrego, Daniel-
dc.date2022-12-14-
dc.date.accessioned2023-03-27T17:38:33Z-
dc.date.available2023-03-27T17:38:33Z-
dc.identifierhttps://revistas.uexternado.edu.co/index.php/odeon/article/view/8491-
dc.identifier10.18601/17941113.n21.06-
dc.identifier.urihttps://biblioteca-repositorio.clacso.edu.ar/handle/CLACSO/230374-
dc.descriptionThis 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.en-US
dc.descriptionEste 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.es-ES
dc.formatapplication/pdf-
dc.languagespa-
dc.publisherUniversidad Externado de Colombiaes-ES
dc.relationhttps://revistas.uexternado.edu.co/index.php/odeon/article/view/8491/13079-
dc.relation/*ref*/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-
dc.relation/*ref*/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-
dc.relation/*ref*/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-
dc.relation/*ref*/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-
dc.relation/*ref*/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-
dc.relation/*ref*/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-
dc.relation/*ref*/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-
dc.relation/*ref*/López de Prado, M. (2018). Advances in financial machine learning. John Wiley & Sons.-
dc.relation/*ref*/López de Prado, M. (2020). Machine learning for asset managers. Cambridge Uni¬versity Press.-
dc.relation/*ref*/Markowitz, H. (1952). Portfolio Selection. Journal of Finance, 7(1), 77-91.-
dc.relation/*ref*/Markowitz, H. (1959). Portfolio Selection: Efficient Diversification of Investments. Wiley.-
dc.relation/*ref*/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-
dc.relation/*ref*/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-
dc.relation/*ref*/Raffinot, T. (2018). The hierarchical equal risk contribution portfolio. Working paper. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3237540.-
dc.relation/*ref*/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-
dc.relation/*ref*/Tatsat, H., Puri, S. y Lookabaugh, B. (2020). Machine Learning and Data Science Blueprints for Finance. O’Reilly Media.-
dc.relation/*ref*/Vyas, A. (2019). The hierarchical risk parity algorithm: An introduction. Hudson and Thames Quantitative Research. Working paper. https://hudsonthames.org/?avia_ forced_reroute=1-
dc.rightsDerechos de autor 2022 Daniel Aragón Urregoes-ES
dc.rightshttp://creativecommons.org/licenses/by-nc-sa/4.0es-ES
dc.sourceOdeon; No. 21 (2021): Julio-Diciembre; 105-124en-US
dc.sourceRevista ODEON; Núm. 21 (2021): Julio-Diciembre; 105-124es-ES
dc.source2346-2140-
dc.source1794-1113-
dc.subjectOptimal portfolio;en-US
dc.subjectrisk parity;en-US
dc.subjectclusteringen-US
dc.subjectportafolio óptimo;es-ES
dc.subjectclusteringes-ES
dc.subjectparidad de riesgoes-ES
dc.titleHierarchical Risk Parity: Approach to the method and application for the American marketen-US
dc.titleParidad de riesgo jerárquico: aproximación al método y aplicación para el mercado estadounidensees-ES
dc.typeinfo:eu-repo/semantics/article-
dc.typeinfo:eu-repo/semantics/publishedVersion-
Aparece en las colecciones: Centro de Investigaciones y Proyectos Especiales - CIPE/UEXTERNADO - Cosecha

Ficheros en este ítem:
No hay ficheros asociados a este ítem.
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.