1) Para ser sinceros, cualquier horizonte es problemático en este sentido. La simple estadística de muestreo 101 le dirá que el error estándar en torno a cualquier estimación de los verdaderos rendimientos medios es root del tiempo * la varianza. Así que para las acciones, por ejemplo, a 20 vol, eso supone un intervalo de confianza del 95% de +/-40% en 1 año en torno a la media de la muestra ;-) Con 100 años de datos, ¡eso sigue siendo +/-4%! Lo que está en línea con todas las estimaciones de la prima de riesgo de la renta variable...
El problema aquí es tanto la metodología como la muestra, porque el problema clásico con el enfoque de optimización de la media-varianza desde el principio es que es enormemente sensible a los supuestos de entrada. Un par de puntos porcentuales de diferencia en los rendimientos y se obtiene un resultado muy diferente de la cartera sugerida.
Los regímenes de volatilidad y correlación también cambian con el tiempo; pero en cierto sentido, eso hace que sea más correcto utilizar hipótesis a corto plazo para estos que para los rendimientos. Porque es más probable que su comportamiento reciente refleje el paradigma actual; y estos a menudo se mantienen durante un tiempo.
2) Es fácil calcular la cartera de GMV. Es simplemente la Cartera Max-Sharpe si se supone que los rendimientos son iguales en todos los activos. ¡Entonces MinVar se convierte en MaxSharpe! Del mismo modo, si se asume que los rendimientos son proporcionales a la volatilidad (es decir, que el Sharpe es igual en todos los activos), la diversificación máxima se convierte en MaxSharpe. Visto desde el otro lado, Max Sharpe utilizando los rendimientos de los últimos 12 meses no es más que una cartera de "Momentum largo".
