Contracción de covarianza de Ledoit–Wolf: fórmula, objetivos y riesgo de cartera
Aprende cómo la contracción lineal de covarianza de Ledoit–Wolf combina una matriz muestral con un objetivo estructurado, cómo funciona el objetivo de correlación constante y qué puede decir la estimación sobre el riesgo de una cartera.
En esta guíaPor qué los modelos de cartera contraen la covarianza muestral
Resumen breve
La contracción lineal de Ledoit–Wolf combina una matriz de covarianza muestral con un objetivo estructurado elegido y estima cuánto ponderar cada uno para equilibrar el ruido de muestreo y los supuestos del objetivo. El objetivo forma parte del método: los objetivos de índice único, identidad escalada y correlación constante corresponden a estimadores distintos. La contracción puede estabilizar las entradas de covarianza bajo ciertos supuestos, pero no garantiza menor riesgo realizado, mayores rendimientos ni una cartera rentable.
Por qué los modelos de cartera contraen la covarianza muestral
Con \(T\) observaciones de rendimiento para \(N\) activos, la matriz de covarianza muestral \(S\) estima la varianza de cada activo y la covarianza de cada pareja a partir de la misma historia finita. El número de elementos distintos crece aproximadamente con \(N^2\). Si el número de activos no es pequeño en relación con las observaciones disponibles, muchas estimaciones individuales de covarianza pueden contener bastante ruido muestral.
Ese ruido importa especialmente cuando un procedimiento de cartera invierte la matriz. La inversa puede amplificar los errores de estimación: pequeños cambios en las correlaciones estimadas pueden provocar grandes cambios en los pesos optimizados. Con la covarianza muestral centrada habitual, la matriz de datos tiene rango como máximo \(T-1\), de modo que \(S\) es singular cuando \(N\geq T\). Incluso antes puede estar mal condicionada. Ledoit y Wolf analizan esta dificultad de alta dimensión en su trabajo sobre estimación de covarianza bien condicionada (200400096-4)).
La contracción añade estructura a la estimación muestral ruidosa. Es una decisión de regularización para una entrada de covarianza, no evidencia de que los activos sigan realmente el modelo objetivo ni un método para estimar rendimientos esperados. El problema más amplio de cómo los valores propios de la covarianza muestral afectan al riesgo de cartera se relaciona con la guía sobre valores propios y riesgo financiero.
La fórmula de contracción lineal tiene dos componentes
donde \(S\) es la covarianza muestral, \(F\) es un objetivo estructurado y \(\widehat{\delta}\) es la intensidad de contracción estimada. Con intensidad cero, la estimación es la matriz muestral; con uno, es el objetivo. Los valores intermedios forman una combinación convexa.
La elección de \(F\) indica qué patrones considera el estimador suficientemente estables como para conservarlos. La intensidad determina cuánto peso recibe esa estructura frente a la muestra. Para un objetivo y una función de pérdida especificados, los procedimientos de Ledoit–Wolf estiman la intensidad con los datos, en lugar de exigir una mezcla escogida arbitrariamente. Las fórmulas plug-in exactas dependen del objetivo y de los supuestos; no existe una sola \(\widehat{\delta}\) independiente del objetivo que defina todos los métodos llamados «Ledoit–Wolf».
El resultado original de alta dimensión con objetivo identidad es una combinación convexa asintóticamente óptima bajo una pérdida cuadrática y un régimen asintótico determinados, no una garantía universal para cualquier muestra u objetivo (Ledoit y Wolf, 200400096-4)). Por eso, la función de pérdida y el objetivo forman parte de la descripción del estimador.
El objetivo cambia los supuestos del estimador
Varios estimadores relacionados usan la misma idea de combinación, pero representan estructuras de covarianza distintas.
Objetivo de índice único: Un factor de mercado explica el movimiento común y el modelo representa la estructura restante. Ledoit y Wolf propusieron una combinación con ponderación óptima de la covarianza muestral y la de un índice único para estimar covarianzas de rendimientos bursátiles (200300007-0)).
Objetivo identidad escalada: El objetivo coloca un nivel de varianza común en la diagonal y cero covarianza fuera de ella. Atrae los valores propios hacia un centro común y puede mejorar el condicionamiento; impone varianzas iguales y ausencia de covarianza, una estructura más restrictiva que la del objetivo de correlación constante.
Objetivo de correlación constante: Conserva cada varianza muestral, pero reemplaza las correlaciones por parejas por una correlación media. Permite volatilidades diferentes entre activos mientras simplifica el patrón de dependencia. El artículo práctico de 2004 desarrolla la contracción hacia este objetivo (Ledoit y Wolf, 2004).
No conviene reducir estas variantes a la afirmación de que «Ledoit–Wolf contrae todas las correlaciones hacia cero». Según \(F\), el objetivo puede conservar covarianzas de un factor común, acercar valores propios a una media o mover las correlaciones por parejas hacia su promedio transversal. La regularización aplicada después de combinar estimaciones por parejas, como en un procedimiento de covarianza asíncrona, también es una decisión de modelización distinta.
El objetivo de correlación constante conserva las varianzas muestrales
Sea \(S_{ii}\) la varianza muestral del activo \(i\), y \(s_i=\sqrt{S_{ii}}\). Para \(N\) activos, calcula cada correlación muestral \(\widehat{\rho}_{ij}=S_{ij}/(s_is_j)\) y luego promedia las correlaciones únicas fuera de la diagonal:
Así, el objetivo conserva en la diagonal las varianzas muestrales y asigna la misma correlación \(\bar{\rho}\) a cada pareja de activos. La estimación final combina este objetivo con la matriz muestral original; no reemplaza todas las volatilidades por un mismo valor. La construcción del objetivo y su intensidad son distintas de las del estimador con objetivo identidad. La implementación de referencia de los autores describe un objetivo que conserva las varianzas muestrales y asigna una correlación común (implementación de referencia).
<!-- learn:illustration --> <!-- Ilustración conceptual sin texto: tres matrices de covarianza simétricas de 3×3 conservan las mismas celdas diagonales mientras distintas relaciones muestrales fuera de la diagonal se acercan a un único objetivo de correlación constante. No son datos ni una estimación. -->
Representación conceptual de la combinación de la covarianza muestral con un objetivo de correlación constante; no son datos de mercado ni valores estimados
Un ejemplo hipotético con tres activos muestra la combinación
Supongamos que una matriz de covarianza muestral hipotética, en unidades de puntos porcentuales al cuadrado, es
Las desviaciones típicas muestrales son \(2\%\), \(3\%\) y \(4\%\). Las correlaciones por parejas son \(3/(2\cdot3)=0.50\), \(-2/(2\cdot4)=-0.25\) y \(6/(3\cdot4)=0.50\). Su promedio es
Solo para mostrar la aritmética, elijamos \(\delta=0.40\). Es un valor didáctico, no la intensidad Ledoit–Wolf estimada a partir de estas observaciones inventadas:
La diagonal sigue siendo \(4,9,16\). La covarianza \((1,3)\) pasa de \(-2\) hacia su objetivo, \(2\), así que contraer no significa que todas las covarianzas se muevan hacia cero. Las dos matrices mostradas son semidefinidas positivas, por lo que su combinación convexa también lo es. El ejemplo es hipotético y solo ilustra la aritmética; no propone un objetivo ni representa una relación de mercado observada.
Una matriz distinta cambia el riesgo de cartera modelado
Con pesos iguales \(w=(1/3,1/3,1/3)^\top\), la varianza modelada es \(w^\top\Sigma w\). La suma de los nueve elementos de la matriz muestral es \(43\), por lo que
\[ w^\top S w=43/9\approx4.7778\ \%^{2}. \]
La suma de la matriz contraída ilustrativa es \(42.6\), y entonces
Esta pequeña diferencia se deriva mecánicamente del cambio en la entrada de covarianza. No demuestra que la estimación contraída pronostique mejor la varianza realizada. Un optimizador de mínima varianza también puede producir pesos diferentes porque utiliza los valores de covarianza y, a menudo, su inversa. En contextos adecuados, la contracción puede hacer que esas entradas sean menos sensibles al ruido muestral, aunque también puede cambiar las exposiciones y la rotación.
En una cartera de paridad de riesgo, la covarianza afecta a la contribución de cada activo al riesgo total, no solo a la varianza agregada; consulta la guía sobre contribución igual al riesgo. Si una estimación del riesgo se usa después para determinar el tamaño de las posiciones, como en el objetivo de volatilidad, también hay que distinguir el horizonte objetivo y el riesgo realizado del pronosticado.
La contracción no lineal transforma los valores propios de otra forma
La contracción lineal usa una sola intensidad escalar para combinar toda la matriz muestral con un objetivo. Con un objetivo identidad, esto tiene una interpretación en términos de valores propios: acerca los valores propios muestrales a un centro común y conserva los vectores propios muestrales. Puede estabilizar un espectro ruidoso, pero limita cuánto puede variar el ajuste de cada valor propio.
La contracción no lineal transforma los valores propios muestrales individualmente y, en general, conserva los vectores propios muestrales en un estimador equivariante por rotaciones. El artículo de Ledoit y Wolf de 2012 desarrolla transformaciones no lineales de valores propios para estimar covarianzas de alta dimensión (2012). Su estudio de selección de carteras considera un estimador ajustado a ese objetivo (2017). Estos métodos no son la combinación lineal con un único peso mostrada antes y no deben describirse como si lo fueran.
Un estimador más flexible puede representar con mayor detalle la estructura de covarianza bajo sus supuestos, pero no es automáticamente preferible para cualquier universo o ventana. Compara el estimador concreto, sus supuestos, su cálculo y su comportamiento fuera de muestra. Una transformación de valores propios tampoco pronostica un régimen futuro de correlaciones.
La especificación del objetivo y el tratamiento de datos siguen importando
La contracción reduce la varianza de estimación al incorporar estructura, pero esa estructura puede ser incorrecta. Un objetivo de índice único puede pasar por alto relaciones sectoriales o de estilo; uno de correlación constante puede pasar por alto agrupamientos; una identidad escalada puede suprimir covarianzas reales. Un cambio de régimen, de exposiciones a factores o las observaciones no sincronizadas pueden hacer que un objetivo basado en una ventana histórica describa mal la siguiente. El método no convierte los rendimientos en independientes ni estacionarios.
La afirmación de semidefinición positiva tiene condiciones. Si \(S\) y \(F\) son semidefinidas positivas y \(0\leq\delta\leq1\), su combinación convexa también lo es. Eso no garantiza por sí solo que sea definida positiva: el objetivo puede tener valores propios nulos o su peso puede ser cero. La eliminación por parejas con fechas distintas para cada activo también puede producir una matriz muestral \(S\) que no sea semidefinida positiva; en ese caso el argumento de convexidad no se aplica salvo que se corrija o sustituya esa entrada.
Especifica la definición del rendimiento, la frecuencia de muestreo, la ventana, el tratamiento de datos ausentes, el centrado de la media, el objetivo y el procedimiento de intensidad. Cuando proceda, alinea los activos sobre un esquema de observación común. No selecciones el objetivo porque haya generado el backtest más atractivo en los mismos datos utilizados para evaluarlo: elegir el objetivo y diseñar la cartera también son decisiones de investigación.
Compara las estimaciones fuera de muestra e incluye la implementación
Una evaluación útil fija el universo, el horizonte de rendimiento, la regla de rebalanceo y el corte de información; después compara la matriz muestral, el estimador de contracción elegido y un referente adecuado en las mismas ventanas de entrenamiento. Las previsiones de covarianza pueden contrastarse con una medida realizada posterior, o las previsiones de cartera pueden evaluarse en periodos reservados. Informa de la función de pérdida y de cómo pondera los errores de varianzas frente a los de covarianzas. Un menor error matricial dentro de muestra bajo una pérdida no implica mejores estimaciones futuras del riesgo de cartera bajo otra.
Para una aplicación de cartera, informa también de los cambios en pesos, concentración, rotación, restricciones y costes de transacción estimados. La matriz de covarianza es solo una entrada de la decisión: los rendimientos esperados, la financiación, los límites de riesgo y los supuestos de ejecución también pueden cambiar la cartera. Un número de condición menor es una propiedad de la matriz, no una garantía de rendimiento o riesgo realizado.
Además, el error de estimación de la matriz y el error de decisión de cartera no se evalúan con la misma pérdida. Una pérdida basada en los errores al cuadrado de todos los elementos trata por igual los pares de activos; en cambio, la varianza de una cartera concreta, \(w^\top\Sigma w\), pondera cada término de varianza y covarianza según sus exposiciones. Define primero si el objetivo de investigación es reconstruir la matriz o pronosticar un presupuesto de riesgo concreto y publica un criterio de evaluación apropiado. Una intensidad elegida para un objetivo no es automáticamente óptima para otro.
Al separar los periodos de evaluación, comprueba también que los datos para estimar la intensidad de contracción, el universo de activos y los hiperparámetros estuvieran disponibles antes de cada fecha de evaluación. Estimar la intensidad con toda la muestra y evaluar después el rendimiento histórico en un periodo anterior puede filtrar información futura a la selección. En una evaluación móvil, vuelve a estimar en cada fecha usando solo los datos disponibles hasta entonces y documenta tanto la longitud de la ventana como el intervalo de rebalanceo. Si se usa una covarianza realizada como referencia, indica también si el horizonte de pronóstico se solapa con otros o reutiliza los mismos datos.
La interpretación más defendible es acotada: los métodos de Ledoit–Wolf ofrecen formas basadas en datos para combinar una covarianza muestral ruidosa con un objetivo o una transformación elegidos. Su utilidad depende de que el objetivo, los supuestos de muestreo y la evaluación correspondan al problema de riesgo que se pretende estudiar. Es una estimación de la estructura de covarianza, no una señal de negociación independiente ni una promesa de rentabilidad superior.
Preguntas frecuentes
Q1¿El estimador de Ledoit–Wolf siempre usa la misma fórmula?
No. El nombre se aplica a procedimientos relacionados con distintos objetivos y estimadores de intensidad. Identifica el objetivo, los supuestos de muestreo y la pérdida o el criterio, en lugar de tratarlo como una matriz universal.
Q2¿La contracción hacia correlación constante fija todas las covarianzas en el mismo número?
No. Fija las correlaciones por parejas del objetivo en su promedio, pero conserva cada varianza muestral. La covarianza objetivo entre los activos \(i\) y \(j\) es \(\bar{\rho}\sqrt{S_{ii}S_{jj}}\), por lo que puede variar si sus volatilidades son diferentes.
Q3¿Es \(\delta=0.40\) el valor recomendado de Ledoit–Wolf?
No. Es un valor elegido para el ejemplo aritmético hipotético. Un procedimiento práctico estima la intensidad para un objetivo y unos supuestos concretos; otro objetivo o muestra puede producir un valor distinto.
Q4¿La contracción garantiza un menor riesgo de cartera?
No. Cambia la matriz de covarianza estimada y puede mejorar su condicionamiento o la estimación bajo ciertos supuestos. El riesgo realizado y el rendimiento de la cartera dependen de rendimientos futuros, decisiones de estimación, restricciones, costes de negociación y cambios del mercado.
