Muchas opciones de inversión con distintos rendimientos esperados y riesgos, distintas correlaciones. El problema clásico de OR financiera: mean-variance de Markowitz, desde 1952.
En pocas palabras
¿Te suena?
- La empresa tiene exceso de caja; en lugar de dejarlo en cuenta, el gerente decide cada mes por intuición.
- El asesor del banco dice 'estos fondos os convienen'; no podemos probar si realmente nos convienen ni qué otras opciones hay.
- Tenemos divisas, oro, acciones; la cartera está al 50% en USD y nadie mide la distribución de riesgo.
- Un empleado jubilado quiere invertir su BES; no encuentra a quien preguntar qué mezcla de fondos le conviene.
- ¿Invertimos en el negocio, mantenemos bonos o compramos una máquina? Decidimos con un solo número como 'rendimiento histórico medio'.
- Nuestro apetito de riesgo cambió — antes agresivos, ahora conservadores — no sabemos cómo revisar la cartera.
- Hay impuestos, comisiones, mínimos de inversión; repartimos sin modelar cómo afectan a la decisión.
Por qué importa
Cómo se resuelve
Profundidad técnica
Cómo se resuelve
Profundidad técnicaEn una frase: Dos inversiones que se mueven en la misma dirección (alta correlación) no son diversificación, son solo una apuesta mayor. La verdadera diversificación nace de pares donde uno sube cuando el otro baja. El rendimiento esperado no lo es todo; cuenta también cómo se compensan entre sí.
Este es el Portfolio Optimization Problem en la intersección de investigación operativa (disciplina que usa matemáticas y computación para resolver decisiones de negocio) y matemáticas financieras. Formulación clásica: Markowitz Mean-Variance Optimization (1952). Solución en tres etapas:
1. Modelado. Lista de activos candidatos (n), rendimiento esperado por activo (μᵢ), covarianzas por pares (σᵢⱼ) — el corazón. Restricciones: pesos suman 1, cada peso ≥ 0 (sin corto), min/max por activo, límites por sector o región. Objetivo: o maximizar rendimiento para un riesgo dado, o minimizar varianza para un rendimiento dado.
2. Decisión con solver. Markowitz es programación cuadrática (QP); los solvers modernos lo resuelven en segundos. 5-50 activos: segundos; 100+: minutos. La frontera eficiente se entrega como salida. Solución de un solo punto: cartera tangente que maximiza Sharpe. En la práctica, estimar la covarianza (la tabla de cómo cada par de activos se mueve junto) es lo más difícil; estimadores de shrinkage (método estadístico que suaviza valores extremos del histórico) y modelos factoriales son comunes.
3. Integración de campo. Salida: porcentajes por activo. Calendario de rebalanceo, visualización riesgo-rendimiento (frontera + posición actual), what-if (TRY -20%, tipos +500 bps). Informes regulares — esperado vs. realizado y métricas (Sharpe, Treynor, max drawdown)."
Alternativas
Manual + asesor del banco
GratisGratis (comisión en los productos)
Para quién: Capital pequeño (menos de 100K TRY), 1-3 inversiones
- + Cero coste software
- + Contacto humano
- + Cumplimiento regulatorio por el banco
- − Conflicto de interés — vende sus productos
- − Sin optimización numérica
- − Apetito de riesgo no medido personalmente
- − No escala
Robo-advisor / plataforma digital de gestión
Empresarial0,5-1,5% anual o 100-2000 TRY/año fijo
Para quién: Individual o pyme pequeña, 100K-5M TRY
- + Rebalanceo automático
- + Algoritmo Markowitz o Black-Litterman
- + Comisión baja, transparente
- − Pocas opciones en TR
- − No integra activos privados (reinversión en negocio)
- − Personalización limitada
Gestora de cartera profesional (institucional)
Empresarial1-2% anual + performance fee
Para quién: 5M+ TRY, institucional
- + Equipo profesional, análisis, informes
- + Gestión profesional de riesgo
- + Cumplimiento, auditoría
- − Caro
- − Mínimos altos (1-5M TRY)
- − Transparencia variable
Solver open-source + librerías Python financieras
Código abiertoLicencia gratis; 4-8 semanas internas o 100K-300K TRY consultoría
Para quién: Pyme/individual financieramente versado; avanzado
- + Control total, personalizable
- + Markowitz, Black-Litterman, risk-parity en open-source
- + Sin licencia
- − Requiere conocimiento financiero + Python
- − Datos de precios pueden ser de pago
- − Auto-mantenido
Recomendación
Pregunta en la reunión
- ¿Qué método de optimización usáis? ¿Markowitz, Black-Litterman, risk parity disponibles?
- ¿Qué estimador de covarianzas? (shrinkage, factorial, muestra cruda)
- ¿Cómo medís mi apetito de riesgo? Encuesta, comportamiento pasado, simulación?
- ¿Los costes de transacción están incluidos en la optimización?
- ¿Cómo se fija la frecuencia de rebalanceo? Trimestral, semestral, por umbral?
- ¿Soportáis stress test y escenarios (tipos +500 bps, TRY -20%)?
- ¿La performance histórica 3-5 años se reporta transparentemente?
- Si dejamos de trabajar con vosotros, ¿cómo recuperamos histórico de posiciones e informes en formato estándar?
Detalles técnicos
Nota del editor
Coloquialmente “asignación de activos”, “diversificación”, “mezcla de inversión”. Académicamente Portfolio Optimization Problem o Markowitz Mean-Variance Optimization. Sin conocer la diferencia se acepta la propuesta del banco sin poder cuestionar bajo qué supuestos se optimizó.
Lo más omitido en la industria: la estimación de la matriz de covarianzas. Estimar rendimientos es relativamente fácil (error grande pero hecho); estimar covarianzas es mucho más difícil por la dimensión — 50 activos = 1275 parámetros. Estimadores de muestra naive son malos; métodos modernos (shrinkage, factorial) son necesarios."
Camino paso a paso — para la pyme
Etapa 1 — Medirse primero. Apetito de riesgo: volatilidad aceptable (sigma anual). Horizonte: 1, 5, 10 años. Necesidad de liquidez. Situación fiscal."
Etapa 2 — Definir el universo de activos. Típico TR: depósito TRY, acciones (BIST), divisas, oro, bonos, REIT, reinversión. Histórico (5-10 años) y correlaciones."
Etapa 3 — Piloto. Optimización en papel, 3-6 meses cartera virtual. Criterio: a volatilidad objetivo, +2 puntos de rendimiento esperado."
Etapa 4 — Implementación. Dinero real, rebalanceo regular. Revisión anual."
Riesgos — qué puede salir mal
- Error en estimación de rendimientos. Pasado ≠ futuro. Error 30-50% gira el resultado. Black-Litterman para combinar con opinión experta."
- Correlaciones cambian. En crisis → 1; beneficio de diversificación desaparece temporalmente. Stress test."
- Liquidez ignorada. Inmuebles 30% — no vendibles si hace falta caja. Añadir restricción de liquidez."
- Cambios fiscales y regulatorios. TR cambia frecuentemente. Optimizar después de impuestos."
Mirada técnica al método
| Enfoque | Escala típica | Tiempo | ¿Óptimo garantizado? |
|---|---|---|---|
| Programación Cuadrática (Markowitz clásico) | 5-100 activos | segundos | Sí |
| Black-Litterman (Bayesiano) | 5-100 activos | minutos | Sí (Bayesiano) |
| Risk Parity | Cualquier escala | segundos | No (heurístico) |
| Monte Carlo + escenarios | Estocástico | minutos | No |
| Optimización robusta | Parámetros inciertos | seg-min | Worst-case óptimo |
Función objetivo elegida:
- Objetivo 1 — Máximo Sharpe: Más común académicamente.
- Objetivo 2 — Máximo rendimiento para riesgo dado: Cuando hay tope de vol."
- Objetivo 3 — Límite de max drawdown: Tope al peor escenario."
- Objetivo 4 — Mínimo riesgo para rendimiento objetivo: Cuando hay meta de ingreso."
Para el inversor turco: rendimiento neto de impuestos + real (ajustado a inflación) es crítico.
Fuentes académicas
Ver sources en el frontmatter.
Fuentes
- Markowitz, H. (1952). Portfolio selection. Journal of Finance, 7(1), 77–91. Artículo fundacional de la MPT, premio Nobel.
- Sharpe, W. F. (1964). Capital asset prices. Journal of Finance, 19(3), 425–442. CAPM.
- Ledoit, O. y Wolf, M. (2004). A well-conditioned estimator for large-dimensional covariance matrices. Journal of Multivariate Analysis, 88(2), 365–411.
- Comisión de Mercados de Capitales de Turquía (SPK) — informes anuales. Referencia para el mercado financiero TR.
- Centro de Tesis YÖK — palabra clave ‘portföy optimizasyonu’ — 80+ tesis turcas. tez.yok.gov.tr
Glosario
- Optimización de Cartera
- Asignar capital entre múltiples opciones de inversión bajo un compromiso riesgo-rendimiento.
- Análisis Media-Varianza
- El marco financiero clásico, debido a Markowitz, que analiza las decisiones de inversión en el plano rendimiento esperado (media) vs. riesgo (varianza).
Problemas relacionados
Cuánto efectivo en qué cajero, con qué frecuencia reponer — equilibrio entre cajero vacío e inmovilización elevada
Si es un banco comercial o de participación de tamaño medio que opera 50-500 cajeros, cada mañana debe responder a tres preguntas: cuánto efectivo poner en cada cajero, con qué frecuencia reponer cada uno y qué ruta debe seguir el vehículo blindado. Los dos extremos son caros: demasiado efectivo dentro del cajero infla el coste de oportunidad del 5-15 % anual de interés más la prima de seguro; muy poco efectivo vacía la máquina, el cliente no puede retirar, llegan quejas y daño de marca. Como un centro comercial, una parada de autobús, un campus y un distrito de oficinas tienen patrones de retirada muy distintos, una regla intuitiva del tipo 'la misma cantidad para todos' perjudica los dos extremos a la vez. Esta página está dirigida a equipos de operaciones bancarias que quieren tomar las tres decisiones juntas y basadas en datos.
Múltiples entradas + múltiples salidas — ¿cómo mido la eficiencia relativa de mis sucursales o unidades?
Esta página es para usted si dirige un banco con 100-500 sucursales, una cadena hospitalaria multisede con 200-1.500 camas, una dirección de educación con cientos de escuelas o un organismo público que compara provincias. La pregunta clave: ¿qué sucursal/hospital/escuela es eficiente y cuál no — y para las que no lo son, qué unidad 'peer' deben tomar como referencia y cuánto deben mejorar? Cada unidad consume varias entradas a la vez (personal, superficie, presupuesto) y produce varias salidas a la vez (ingresos, clientes/pacientes/alumnos, calidad); un indicador único como 'ingresos por empleado' no captura esa realidad y puede marcar como débil a una unidad eficiente o al revés. Bien aplicado — porque el peer benchmark da una referencia concreta de mejora — la aceptación de los planes de mejora para unidades débiles sube un 40-70%, lo que equivale a 10-50 millones TRY al año de margen operativo en una red de sucursales mediana.