22 votos

¿Cuándo deberías construir tu propio modelo de riesgo de equidad?

Los modelos de riesgo comercial (por ejemplo, Barra, Axioma, Barclays, Northfield) han evolucionado a un nivel muy alto de sofisticación. Sin embargo, todos estos modelos intentan resolver un conjunto muy amplio de problemas. El modelo de riesgo óptimo para, por ejemplo, la atribución de riesgos en una cartera fundamental puede diferir sustancialmente del modelo de riesgo óptimo para la estimación del riesgo a la baja en una estrategia cuantitativa optimizada o para cobertura de exposiciones no deseadas en una jugada pura de valor relativo.

Supongamos que ya se suscribe a un proveedor decente de modelo de riesgos, por lo que el costo no es un problema. ¿Para qué aplicaciones es más apropiado construir su propio modelo de riesgo de renta variable? ¿Cuáles son los principales beneficios de un modelo de riesgo personalizado? ¿Cuándo vale la pena el tiempo y esfuerzo de replicar los métodos estadísticos y de limpieza / análisis de datos cada vez más sofisticados para cosechar estos beneficios?

10voto

mendicant Puntos 489

Gran pregunta. Esperaríamos que los proveedores de riesgos de terceros tengan experiencia especializada (técnicas robustas de regresión, investigación de factores, limpieza de datos, etc.). Podríamos otorgarles estas ventajas pero aún así encontrar debilidades en el diseño del producto.

Comencemos con los diferentes usos de los modelos de riesgo y el procedimiento o métrica que se maximiza para resolver ese caso de uso. Lo que veremos es que resolver un objetivo particular disminuye nuestra capacidad para lograr otros objetivos.

  1. Construcción de carteras = Si desea construir una cartera de varianza mínima, por ejemplo, entonces la clave aquí es desarrollar una matriz de covarianza (de rendimientos de factores) que sea invertible y estable. Por lo tanto, podríamos usar procedimientos que desarrollen matrices de covarianza bien condicionadas y limpias. Esto entra en conflicto con el punto #3

  2. Estimar beta con fines de cobertura = aquí te importa el rendimiento todavía no realizado de un valor que deseas cubrir, y los rendimientos aún no realizados de una cesta que usarás para cubrir. Entonces, si quisieras crear una restricción market-neutral, entonces querrías utilizar betas de una regresión de series temporales para que el error de estimación para cada beta en particular pueda ser diversificado. También querrías maximizar la precisión (a expensas de la interpretación) quizás utilizando métodos estadísticos de factores como PCA asintótico.

  3. Reporte de rendimiento (descomposición de riesgo y rendimiento) = aquí tienes alguna especificación de regresión contemporánea (es decir, el índice de tiempo es el mismo en el lado izquierdo y derecho de la regresión). Tu preocupación es la interpretabilidad de las exposiciones a factores a expensas de la precisión.

  4. Estimar rendimientos marginales de factores = utilizar una regresión de sección transversal para explicar los rendimientos que se acumulan a un factor después de controlar todos los demás factores. La técnica es bastante popular y se utiliza para explicar la sección transversal de los rendimientos o para medir las primas de riesgo de varios factores. Sin embargo, hay un problema de errores en las variables sustanciales. Los errores en las betas estimadas para dicho valor no se pueden diversificar, a diferencia de una regresión de series temporales, por lo que es arriesgado aplicar este modelo a otros casos de uso. Esto entra en conflicto con el punto #2.

  5. Pronóstico de riesgos = aquí tienes una especificación de pronóstico (el índice de tiempo del lado izquierdo es $t+1$, el del lado derecho es $t$). Esto entra en conflicto con el punto #3.

  6. Algunas personas utilizan modelos de riesgos para realizar apuestas sistemáticas en factores. Puede ser difícil desarrollar una percepción variante si estás utilizando el mismo marco de riesgo que todos los demás.

  7. Pronosticar la volatilidad. A horizontes más cortos un modelo de volatilidad estocástica sería apropiado, mientras que a horizontes más largos un modelo basado en factores tiene más sentido.

Cualquier modelo de riesgo que se destaque en uno de estos objetivos tendrá graves debilidades en otras áreas.

Podrías tener varios modelos de riesgo (de hecho, Axioma tiene uno para fundamentos que es fácilmente interpretable, y otro basado en métodos estadísticos para precisión) pero esto puede ser confuso para los clientes.

2 votos

¡Gran respuesta! Veo que básicamente tu respuesta es asegurarse de utilizar el modelo de riesgo adecuado para la tarea en cuestión. Por lo tanto, mi pregunta podría ser en realidad seis preguntas separadas, ¿cuál es mejor, construir o comprar, para los seis casos de uso que mencionaste? Me pregunto, sin embargo, si hay algún principio general para decidir si construir o comprar, asumiendo que comprarías el modelo de riesgo apropiado.

0 votos

Gracias @Ram Ahluwalia, has cubierto múltiples problemas aquí y me pregunto qué libro/artículo recomiendas para aprender más sobre esos temas en detalle.

5voto

tenfour Puntos 118

Danielsson y Macrae sugieren que la optimización de cartera debería basarse en modelos simples. Yo interpreto eso como usar algo como Ledoit-Wolf (en lugar de la mayoría de los modelos comerciales). En ese caso, hacerlo por ti mismo no es en absoluto laborioso, siempre y cuando tengas datos de retorno.

Un enlace a Danielsson y Macrae (que vale la pena leer si no lo has visto) está en http://www.portfolioprobe.com/2011/08/15/appropriate-risk-modeling/

0 votos

Gracias por la referencia, pero Danielsson y Macrae están haciendo referencia a un tipo diferente de modelo de riesgo, por lo que lo que escribes realmente no es relevante para mi pregunta.

0 votos

Correcto. Los métodos de reducción son notablemente efectivos y muy fáciles de implementar

0voto

shg Puntos 16

Puedo ver las siguientes razones principales para crear modelos de riesgo personalizados:

  1. Desajuste del modelo del universo/proveedor: Su universo de activos no se alinea con los proporcionados por el proveedor. Por ejemplo, Barra proporciona modelos estadounidenses y globales, pero si su universo tiene una serie de acciones canadienses y estadounidenses, es posible que necesite un modelo de riesgo personalizado.
  2. Desea utilizar una nueva/metodología diferente: Su nuevo método favorito (por ejemplo, Engle, Ledoit y Wolf (2019)) aún no se ha implementado o desea estimar las correlaciones por separado de las vols.
  3. Saturación de factores: todos están utilizando uno de estos modelos, lo que puede generar saturación ya que todos intentan cubrir las mismas cosas.

0 votos

En cuanto al primer punto, Barra sí tiene modelos específicos para países (por ejemplo, Canadá). El segundo punto es válido. Me pregunto cómo se implementaría el tercer punto.

0 votos

Barra tiene modelos específicos para cada país, pero si tu universo abarca varios países, entonces sus modelos de riesgo no funcionarán. Por lo tanto, si tienes acciones tanto de Canadá como de Estados Unidos, no puedes utilizar ni el modelo de riesgo de EE. UU. ni el de Canadá. Un ejemplo más serio sería un universo basado en el STOXX600.

0voto

Akash Puntos 8

Sin restar valor o discrepar con las muchas respuestas excelentes ya proporcionadas, este es más un problema de "gestión de sistemas de información" que un problema de "modelo de riesgo". Es un dilema clásico de "¿debería ser a medida, externalizar o usar algo prefabricado?"

Entonces la pregunta sería si y/o cómo difiere el riesgo que deseas modelar del riesgo del cliente modal/mediano de los proveedores convencionales. Si fueras otro fondo mutuo que sigue el mismo índice que los otros miles de fondos mutuos, casi no hay motivo discernible para medir tu riesgo de manera diferente si lo gestionas de la misma manera, en un sencillo ámbito competitivo. Claro, podrías tener alguna diferencia propia en relación al mediano que es tu "toque secreto". Pero para medir la sazón de ese aderezo secreto, ayuda compararte con la competencia en términos clásicos. ¡Así es como te diferencias!

Pero si digamos que fueras un inversor en acciones cuyo enfoque central fueran por ejemplo los REITs y/o el capital privado, entonces podría ser perfectamente racional decir que los modelos prefabricados para los inversores en acciones y sectores no son adecuados para tus objetivos.

El área gris se encuentra, por ejemplo, donde tienes un inversor "de crecimiento" o "de valor" que es un inversor en acciones clásico; pero tiene una visión muy diferente de lo que significan esos términos en comparación con la lógica prediseñada de las soluciones prefabricadas. Los modelos podrían decirles que tienen una exposición de estilo X; pero el inversor lo mide de una manera muy diferente. Entonces necesitan su propio modelo de riesgo, adaptado a su método/prejuicios, porque no están operando solo para vencer a miles de otros similares con los mismos marcos (que validan los mismos modelos como la solución de menor costo).

Finanhelp.com

FinanHelp es una comunidad para personas con conocimientos de economía y finanzas, o quiere aprender. Puedes hacer tus propias preguntas o resolver las de los demás.

Powered by:

X