1

Construccin y gestin de portafolios con el modelo Black-Litterman:

Una aplicacin a los fondos de pensiones obligatorias en Colombia






Mateo Eduardo Trujillo Segura







Universidad de los Andes
Departamento de Ingeniera Industrial
Bogot, Enero de 2009
2

Construccin y gestin de portafolios con el modelo Black-Litterman:

Una aplicacin a los fondos de pensiones obligatorias en Colombia

Trabajo de Tesis
Presentado al
Departamento de Ingeniera Industrial

Por
Mateo Eduardo Trujillo Segura

Asesor
Mario Castillo Hernndez
Profesor Titular

Proyecto de Grado Magister en Ingeniera Industrial

Universidad de los Andes
Departamento de Ingeniera Industrial
Bogot, Enero de 2009
3

RESUMEN
El modelo Black-Litterman calcula los retornos esperados de mercado como una
combinacin de un conjunto de expectativas especficas de cada inversionista y un punto de
referencia neutral. La combinacin de estas dos fuentes de informacin las realiza el
modelo utilizando el enfoque bayesiano. Los resultados obtenidos a partir del enfoque
Black-Litterman, a diferencia del enfoque tradicional, son bastante intuitivos, estables y
consistentes con las expectativas del inversionista. El propsito de esta investigacin es
hacer un anlisis detallado de cada uno de los componentes del modelo Black-Litterman y
realizar una aplicacin del modelo al caso de los fondos de pensiones obligatorias en
Colombia. Los resultados confirman los beneficios de utilizar el enfoque Black-Litterman
con otro conjunto de activos y otro tipo de portafolios referenciados en la literatura
internacional.


ABSTRACT
The Black-Litterman model computes expected market returns as a mix of a set of specific
investor views and a neutral reference point. The model uses the Bayesian analysis to blend
both sources of information. The results obtained with the Black-Litterman approach, in
contrast to the traditional approach, are intuitive, stable and consistent with the investor
views. The purpose of this thesis is to provide a more in-depth discussion about every one
of the Black-Litterman model components and apply the model to the investment process
of the Colombian mandatory pension funds. The results obtained confirm the benefits of
using the Black-Litterman approach cited in the international literature.




4

AGRADECIMIENTOS
Quisiera aprovechar esta oportunidad para agradecer a las personas que hicieron posible
este trabajo. Primero y de manera particular a mi asesor, Mario Castillo, por su
disponibilidad y respaldo al proyecto. Tambin a Carlos Len, quien revis paciente y
detalladamente el texto, haciendo sugerencias bastante constructivas. Muchas gracias a
Juan Pablo Espinosa por haberme sealado con aguda claridad algunos errores y por
haberme motivado a buscar con perseverancia soluciones sensatas. El apoyo y colaboracin
generosa de Jay Walters fueron determinantes para el desarrollo del proyecto. Gracias por
su inters. Agradezco tambin a Mara Fernanda Surez, Jos Pablo Reyes y Andrs
Restrepo por su disposicin a apoyar el proyecto desde el comienzo.
Otras personas de una u otra forma contribuyeron al desarrollo de este trabajo y
amablemente estuvieron dispuestas a apoyarlo; a todos les agradezco su inters y
cooperacin: Juan Pablo Camacho, Ricardo Castaeda, John Gasca, Felipe Gaviria, Attilio
Meucci, Carlos Alejandro Nez y Toms Velandia. De todos modos, los errores restantes
son mi responsabilidad.










5

Contenido

1. INTRODUCCIN......................................................................................................................6
2. ASIGNACIN DE ACTIVOS EN EL PROCESO DE INVERSIN.........................................9
2.1. Asignacin estratgica de activos.............................................................................................11
2.2. Optimizacin de portafolios.......................................................................................................13
3. EL MODELO BLACK-LITTERMAN.........................................................................................15
3.1 Revisin del anlisis bayesiano...................................................................................................15
3.2. Descripcin del modelo Black-Litterman..................................................................................17
3.2.1. Insumos de mercado del modelo.............................................................................................18
3.2.2. Retornos de equilibrio: el vector H........................................................................................19
3.2.3. Confianza en el equilibrio: el parmetro z..............................................................................22
3.2.4. Opiniones del inversionista: la matriz P y la matriz Q............................................................23
3.2.5. Confianza en las opiniones: la matriz u..................................................................................25
3.2.6. Retornos esperados de Black-Litterman..................................................................................27
3.3. Mtodo de Idzorek para determinar la confianza en las opiniones...........................................31
3.4. Mtodo de Fusai y Meucci para medir la consistencia de las opiniones...................................35
3.5. Ventajas del modelo Black-Litterman.......................................................................................37
4. APLICACIN A LOS FONDOS DE PENSIONES OBLIGATORIAS......................................39
4.1. Rgimen de inversin.................................................................................................................41
4.2. Datos.........................................................................................................................................43
4.3. Implementacin.........................................................................................................................44
4.4. Anlisis de los resultados..........................................................................................................49
5. CONCLUSIONES........................................................................................................................52
REFERENCIAS................................................................................................................................54
APNDICE 1....................................................................................................................................59
APNDICE 2....................................................................................................................................60
APNDICE 3....................................................................................................................................61


6

1. INTRODUCCIN
El trabajo pionero de Harry Markowitz (1952) proporcion un fundamento conceptual al
anlisis de las inversiones de portafolio, marcando el inicio de la teora moderna de
portafolios (el anlisis de la seleccin racional de portafolios basado en el uso eficiente del
riesgo). Markowitz defini un proceso de optimizacin para construir portafolios eficientes
en trminos de la media y la varianza de los retornos de los activos financieros. Segn el
criterio de media-varianza, un portafolio eficiente es aquel que proporciona el mayor nivel
de retorno para un nivel dado de riesgo o, lo que es lo mismo, el menor nivel de riesgo para
un retorno dado.
A pesar del atractivo terico del modelo de Markowitz, muchos inversionistas encuentran
difcil su aplicacin debido a que en la prctica los portafolios obtenidos a partir del modelo
son poco intuitivos, poco diversificados, muy sensibles a los parmetros y bastante
inestables. Varios estudios han encontrado que estos problemas no son en realidad propios
del optimizador de Markowitz, sino que se deben principalmente al error de estimacin en
los retornos esperados y las covarianzas que se le introducen al optimizador
1
.
Por tanto, el error de estimacin implcito en los parmetros calculados es el principal
problema que enfrentan los inversionistas al utilizar el modelo estndar de Markowitz. El
optimizador tiende a seleccionar aquellos activos con los rasgos ms atractivos (altos
retornos y bajos riesgo y/o correlacin) y a vender en corto o desfavorecer a aquellos con
las caractersticas contrarias
2
. Precisamente, estos rasgos extremos representan los casos en
los que con ms probabilidad el error de estimacin es mayor; por lo cual, se tiende a
pensar que el optimizador maximiza el impacto del error de estimacin (Blamont and
Firoozye, 2003b; Drobetz, 2001; Ghezzi et al., 2006; Scherer, 2002)
3
.
Algunos inversionistas agregan restricciones al modelo estndar para tratar de controlar la
inestabilidad de los portafolios resultantes y hacerlos ms coherentes con sus opiniones. En
el caso de muchas restricciones artificiales, los portafolios optimizados tienden a reflejar
simplemente las expectativas predeterminadas, las cuales no siempre son econmicamente

1
Vase Black y Litterman (1992), Fabozzi et al. (2007), Ghezzi et al. (2006), Jones et al. (2007), Lummer et
al. (1994) y Rachev et al. (2008)
2
Si se permiten ventas en corto, el optimizador por lo general prescribe posiciones cortas exageradas.
3
Kritzman (2006) no est de acuerdo con esta posicin.
7

intuitivas (Drobetz, 2001). Cuando las restricciones descartan las ventas en corto, el modelo
generalmente seala soluciones de esquina con muchas posiciones en cero, lo cual
implica un reducido aprovechamiento de la diversificacin. Ms an, cuando las
ponderaciones de los activos se estrellan contra las restricciones artificiales, la optimizacin
ya no balancea el retorno y el riesgo entre todos los activos (Black y Litterman, 1992).
Fischer Black y Robert Litterman (1991, 1992) propusieron un modelo para estimar los
retornos de los activos que se le introducen al optimizador de Markowitz de tal forma que
se reduzcan los problemas de la metodologa tradicional. Este modelo se conoce como el
modelo Black-Litterman (MBL). El MBL se basa en los mtodos bayesianos, los cuales
estn teniendo un considerable auge dentro de la comunidad financiera
4
. Lo anterior se
debe a que proveen una estructura tericamente slida para combinar varias fuentes de
informacin y a su flexibilidad para manejar modelos realistas y complejos
(Rachev, 2008)
5
. En efecto, el poder real del MBL se puede apreciar en contextos
complicados en donde existen muchas clases de activos y de restricciones, puesto que en
tales casos las ponderaciones ptimas ya no son tan obvias o intuitivas
6
(He & Litterman,
1999; Litterman, 2003).
Segn la estadstica bayesiana, las caractersticas de los estimadores se pueden mejorar
mediante una contraccin (shrinkage) hacia un punto neutral que acta como un centro de
gravedad. Entre ms razonable sea ese punto, mejores sern las propiedades de los
estimadores. En el MBL los retornos de equilibrio derivados a partir del CAPM (Capital
Asset Pricing Model)

constituyen el centro de gravedad
7
(Litterman, 2003). El modelo
supone que existen dos fuentes de informacin sobre los retornos futuros: las expectativas u
opiniones particulares del inversionista y el equilibrio del mercado. Los retornos esperados,
que se calculan y se introducen en el optimizador estndar, son estimaciones que combinan
ambas fuentes de informacin.

4
Incluso Nassim Taleb, escptico y reconocido crtico de la teora financiera moderna, afirma que los
mtodos bayesianos son necesarios, aunque no suficientes (Baker-Said, 2008).
5
Markowitz sostiene que el inversionista racional es un bayesiano (1987, p. 57).
6
Segn Blamont y Firoozye (2003b), los mtodos bayesianos son a menudo criticados por su subjetividad.
Sin embargo, toda aproximacin a un modelo es esencialmente subjetiva, debido a que usualmente no se
evala cada combinacin de variables y simplemente se aceptan aquellas que tengan algn sentido intuitivo.
7
En todo caso, el inversionista podra determinar los retornos neutrales o de largo plazo de una manera
distinta al CAPM (Bevan & Winkelmann, 1998).
8

Los retornos esperados calculados a partir de las dos fuentes de informacin se desviarn de
los retornos de equilibrio conforme a las expectativas establecidas explcitamente por el
inversionista. La magnitud de las desviaciones del equilibrio depender del grado de
confianza que el inversionista tenga en cada expectativa o estrategia. Si el inversionista no
tiene una expectativa sobre un mercado o activo en particular, no es necesario que
introduzca una. Por lo anterior, el modelo permite aprovechar la experiencia y la intuicin
del inversionista combinando de forma consistente todas sus expectativas (Scherer, 2007).
Sera irracional ignorar esta informacin.
El MBL no es una caja negra que produce resultados que sustituyen el anlisis e intuicin
de los administradores de portafolios. No es el santo grial en el campo de las inversiones
o una bola de cristal, como tampoco lo es ningn modelo. Por el contrario, es una
herramienta de apoyo en la toma de decisiones de inversin que enmarca el proceso de
inversin en una estructura transparente y disciplinada, que se debe usar como parte de un
proceso iterativo. El modelo permite al administrador analizar sistemticamente la relacin
entre sus opiniones y los portafolios ptimos.
El objetivo de este artculo es realizar un anlisis detallado del MBL y realizar una
aplicacin del mismo desde el punto de vista de un fondo de pensiones obligatorias (FPO)
en Colombia. Se analizarn los posibles beneficios del modelo y la forma ms eficiente de
adaptarlo y utilizarlo en el contexto colombiano. Para esto se tendrn en cuenta las
caractersticas del mercado de capitales local y las restricciones legales que enfrentan los
FPO.
Debido a sus ventajas, el MBL se podra utilizar para buscar la eficiencia de los portafolios
pensionales en Colombia. En efecto, Martnez y Murcia (2007), Jara (2006a) y Gmez et al.
(2005), mediante el enfoque de media-varianza de Markowitz, encuentran que los
portafolios de los fondos de pensiones obligatorias son financieramente ineficientes. Es
decir que los afiliados a los fondos de pensiones colombianos estn dejando de ser
compensados de forma apropiada por el riesgo financiero de los portafolios en que se
invierten sus ahorros.
9

Este trabajo se encuentra organizado en cinco partes. La primera parte la constituye la

presente introduccin. En la segunda parte, se hace una revisin breve de la lgica de un
proceso de inversin y, en particular, del proceso de asignacin estratgica de capital. En la
tercera parte se presenta formalmente el modelo original y algunos mtodos que se han
propuesto para complementarlo. En la cuarta parte, se presentan los resultados de su
aplicacin al caso de los FPO en Colombia. Por ltimo, en las conclusiones se presentan
algunas recomendaciones para implementarlo y algunas posibles lneas de investigacin
para el futuro.

2. ASIGNACIN DE ACTIVOS EN EL PROCESO DE INVERSIN
La gestin de portafolios de inversin es un proceso que implica un conjunto integrado de
pasos o actividades que se realizan de una manera lgica y consistente para crear y
mantener combinaciones apropiadas de activos. Los pasos involucrados son la planeacin,
la ejecucin y la retroalimentacin. Durante la planeacin se establecen los objetivos de
inversin, las expectativas de mercado y la asignacin de capital de largo plazo. En la etapa
de ejecucin se construye el portafolio. Finalmente, en la etapa de retroalimentacin, el
administrador monitorea y evala el desempeo del portafolio en comparacin al plan
original. A partir de los resultados de esta etapa el administrador puede decidir rebalancear
el portafolio con el fin de que los objetivos de inversin sigan siendo satisfechos (Maginn
et al., 2005).
El proceso de administracin de portafolios no puede ser un conjunto de elementos
separados, coordinados nicamente por la intuicin o la inspiracin del momento, sino que
tiene que ser un proceso estructurado y disciplinado. De acuerdo con Grinold y Kahn
(2000), las nuevas generaciones de inversionistas confiarn cada vez ms en el anlisis, el
proceso y la estructura, que en la intuicin, el parecer o el capricho. Lo anterior no significa
que las opiniones personales de inversin ya no se vayan a utilizar, sino que los
inversionistas capturarn y aplicarn estas ideas de una manera sistemtica. No se trata
solamente de utilizar modelos y mtodos matemticos porque s, dado que las matemticas
10

no pueden vencer la ignorancia. Si las opiniones de un inversionista no conllevan valor

adicional al del resto del mercado, ninguna transformacin matemtica ayudar.
Confirmando la intuicin de Herold (2003), muchos inversionistas institucionales en
Colombia, a pesar de que realizan un gran esfuerzo en generar las opiniones de mercado,
destinan menos recursos a encontrar cmo construir portafolios eficientes dadas sus
opiniones de mercado. Simplemente adoptan aproximaciones heursticas que conducen a
tomar riesgos no intencionados y que no tienen en cuenta la interaccin de las opiniones.
Por el contrario, un proceso disciplinado y estructurado de construccin de portafolios
basado en el MBL asegura que el portafolio represente efectivamente las opiniones, sin
tomar riesgos no intencionados (Grinold & Kahn, 2000).
Por lo general, las posiciones tcticas (o de trading) se determinan aisladamente para tomar
ventaja de oportunidades coyunturales de mercado sin tener en cuenta la volatilidad relativa
o la estructura de correlacin entre las clases de activos. Cuando el proceso de inversin se
basa en una acumulacin paulatina de este tipo de posiciones, el resultado puede ser que se
estn tomando riesgos muy grandes sin la intencin de hacerlo, sin saber sobre qu factores
de mercado se estn tomando y sin controlar el error de rplica (tracking error). De aqu la
importancia de un proceso de inversin bien estructurado. Este proceso debera incorporar
incluso la medicin y atribucin del desempeo del portafolio.
Lo anterior es posiblemente el beneficio ms importante que se obtiene al utilizar
apropiadamente el MBL ya que, como lo afirma Mauboussin (2007), en el largo plazo el
proceso domina al resultado. La forma en que se evalan las decisiones afecta la forma en
que las decisiones son tomadas. Si se evalan las decisiones con base en cmo fueron
hechas en vez de los resultados, el proceso de decisin con el tiempo conducir a mejores
resultados. El xito a largo plazo en los campos probabilsticos, como la toma de
decisiones de inversin, requiere un proceso disciplinado.

11

2.1. Asignacin estratgica de activos

Uno de los pasos ms importantes dentro de un proceso de inversin es definir la mezcla de
las clases de activos en que se va a invertir los recursos. A este proceso se le conoce como
la asignacin de capital o activos (asset allocation)
8
. El proceso de seleccionar una
asignacin objetivo es llamado asignacin estratgica de activos. La variacin en la
asignacin de activos alrededor del objetivo se llama asignacin tctica de activos (Grinold
y Kahn, 2000). En principio, las posiciones estratgicas deben permanecer estables hasta
que las opiniones sobre los fundamentales cambien. Las posiciones tcticas, por el
contrario, pueden cambiar frecuentemente.
La asignacin estratgica de activos establece, con base en la poltica de inversin y las
expectativas de mercado, las exposiciones admisibles a las clases de activos que logren los
objetivos de largo plazo del inversionista y respeten las restricciones impuestas. El objetivo
de la asignacin estratgica de activos es crear una mezcla de activos estable que maximice
los retornos esperados de largo plazo para un nivel de riesgo deseado. La asignacin
estratgica conlleva la adopcin o creacin de un ndice de referencia y la posterior
determinacin y monitoreo de las asignaciones del portafolio con respecto a ese ndice
9
.
Al crear la asignacin estratgica de activos el inversionista tambin establece
generalmente las ponderaciones mximas y mnimas que se permiten en cada clase de
activo como un mecanismo de control de riesgo. Un administrador puede decidir desviarse
temporalmente de su portafolio de referencia para reflejar sus expectativas de corto plazo
sobre el mercado o sobre su situacin actual que puede ser muy diferente a la normal o
esperada.
Los estudios de poltica de asignacin de activos se realizan cada ao o cada dos aos o
antes si las condiciones de mercado cambian radicalmente. Estos estudios incluyen algunos
anlisis que usan mtodos de optimizacin de media-varianza e incorporan aspectos de
valoracin de equilibrio muchas veces corregidos para tener en cuenta anomalas de

8
Para un anlisis detallado del tema vase Maginn et al. (2005).
9
Se le conoce tambin como portafolio de referencia, portafolio de comparacin, policy portfolio o normal
portfolio. Pueden determinarse varios ndices especializados, uno para cada clase de activo financiero, y
ponderarlos para crear uno solo.
12

mercado. En un estudio de asignacin de activos, el departamento de inversiones de un

fondo generalmente hace lo siguiente (Sharpe, 2007):
1. Seleccionar las clases de activos deseadas y los ndices de referencia representativos
2. Escoger un periodo histrico representativo y obtener retornos para las clases de
activos.
3. Calcular para los activos los retornos promedios histricos, las desviaciones
estndar y las correlaciones.
4. Estimar los retornos, desviaciones estndar y correlaciones futuras esperadas.
Generalmente se utiliza la informacin histrica con algunas modificaciones para
calcular las desviaciones estndar y las correlaciones. Los retornos esperados a
menudo se basan ms en condiciones actuales de mercado o en relaciones tpicas en
los mercados de capitales.
5. Encontrar varias combinaciones eficientes de activos para diferentes niveles de
tolerancia al riesgo.
6. Proyectar para varios aos los resultados futuros para las combinaciones de activos
seleccionados.
7. Presentar a la junta directiva resmenes de las medidas relevantes de los resultados
futuros para cada una de las combinaciones de activos seleccionadas
8. Finalmente, solicitar a la junta seleccionar, con base en sus expectativas sobre los
resultados futuros, una de las combinaciones de activos para que constituya la
poltica de asignacin de activos.
Para tomar decisiones de asignacin los inversionistas tienen en cuenta varias fuentes de
informacin, adems de su intuicin y experiencia. Los inversionistas combinan los
diferentes tipos de informacin y los resultados de diferentes modelos para tomar
decisiones de inversin informadas. Como lo afirma Lee (2000), el procesamiento de la
informacin y la combinacin de modelos y opiniones son crticos para todas las decisiones
de inversin. Usualmente la combinacin de la informacin se realiza utilizando algn
mtodo de optimizacin.
13

2.2. Optimizacin de portafolios

Las tcnicas de optimizacin de portafolios son herramientas cuantitativas que permiten
combinar activos eficientemente para lograr un conjunto de objetivos con respecto al riesgo
y al retorno del portafolio. Los administradores de portafolio pueden utilizar las tcnicas de
optimizacin de portafolios para determinar la composicin de un portafolio.
El modelo de media-varianza de Markowitz asume que los inversionistas racionales
escogen entre activos riesgosos con base puramente en los retornos esperados y el riesgo,
con este ltimo medido como la varianza de los retornos. Los portafolios son considerados
eficientes en el espacio media-varianza si minimizan la varianza para un nivel dado de
retorno o si maximizan el retorno para una varianza dada. La eficiencia de media-varianza
descansa sobre bases tericas firmes si (Scherer y Martin, 2005):
- Los inversionistas presentan funciones de utilidad cuadrtica, caso en el cual
ignoran la no normalidad en los datos, o
- Los retornos son multivariadamente normales, caso en el cual la funcin de utilidad
especfica del inversionista es irrelevante.
El problema de optimizacin de media-varianza de Markowitz puede ser formulado en tres
maneras diferentes pero equivalentes. A continuacin se presentar la formulacin de
minimizacin del riesgo
10
. Considere los activos S
1
, S
2
, , S
n
(n 2) con retornos
aleatorios. El retorno esperado y la desviacin estndar del retorno del activo S

se
representan mediante p

y o

respectivamente.
Para i = ], p
]
representa el coeficiente de correlacin de los retornos de los activos S

y S
]
.
El vector de retornos se presenta como p = |p
1
, , p
n
]

y la matriz de covarianzas como

= o
]
con o

=o

2
y o
]
= p
]
o

o
]
. Si se denota con w

la proporcin de los fondos

totales invertida en el activo i, se puede representar el retorno esperado y la varianza del
portafolio w = |w
1
, , w
n
] resultante como
E|w] = p
1
w
1
+ +p
n
w
n
= pw
y

10
Vase Cornuejols y Ttnc (2007)
14

Ior|w] = p
]
o

o
]
,]
w

w
]
= ww
Es necesario revisar que la matriz de covarianzas, , sea positiva semi-definida
11
con el fin
de asegurar que ww u, debido a que una varianza nunca es negativa. Asumir que es
positiva definida es equivalente a asumir que no hay activos redundantes en el conjunto
S
1
, S
2
, , S
n
.
Al escoger las ponderaciones de los activos dentro de un portafolio, el inversionista
selecciona entre los pares de media-varianza disponibles. Se debe determinar un retorno
promedio objetivo, p
0
, para calcular las ponderaciones para un par posible. Segn
Markowitz, el problema del inversionista es un problema de minimizacin restringida dado
que el inversionista debe buscar

min
w
ww
sujeto a las restricciones
p

w p
0
12

w

t = 1,
donde t

= |1, 1, ,1]

El anlisis de media-varianza no est restringido, sin embargo, al uso de promedios
histricos, sino que puede utilizarse con retornos esperados derivados a partir de cualquier
otro mtodo. Tambin se debe tener en cuenta que la utilizacin eficiente de las tcnicas de
optimizacin de media-varianza en un contexto prctico requiere una apreciacin de sus
limitaciones (Lummer, 1994).

11
Una matriz cuadrada es positiva semi-definida si todos sus valores propios son no negativos y al menos uno
es estrictamente positivo.
12
Debido al signo en vez de = este problema no puede ser tratado analticamente sino mediante
tcnicas de optimizacin numrica.
15

3. EL MODELO BLACK-LITTERMAN
El MBL fue ideado como una solucin elegante a los problemas del enfoque tradicional de
Markowitz para la construccin de portafolios y para hacer ms prcticas las herramientas
cuantitativas para la asignacin de activos. A continuacin se expondrn algunos detalles
del modelo tales como sus fundamentos tericos, los insumos, la derivacin del modelo y
sus ventajas.
3.1 Revisin del anlisis bayesiano
El problema de error de estimacin de los parmetros no se puede solucionar nicamente
con informacin muestral. Adems de requerir un gran nmero de datos, tambin se
requiere informacin no muestral como la intuicin y las opiniones subjetivas del
administrador de portafolios. Segn Castillo (2006), la estadstica bayesiana ha hecho una
contribucin muy importante a la prctica de toma de decisiones al haber formulado una
teora estadstica coherente que ha permitido estructurar y modelar probabilidades
subjetivas en el contexto de un problema de decisin.
La estadstica bayesiana es una aproximacin natural para la construccin de portafolios
porque provee una teora para combinar informacin de diferentes fuentes y modelar la
incertidumbre inherente en esta informacin (Herold, 2003). El objetivo de esta seccin es
hacer una breve revisin a las ideas ms importantes detrs del teorema de Bayes (la pieza
central en la estadstica bayesiana), de tal forma que se puedan hacer interpretaciones
inteligentes del MBL.
En el anlisis estadstico clsico o frecuentista, los parmetros de inters son estimados
mediante un conjunto de datos observados. La aproximacin bayesiana, sin embargo,
propone que las opiniones sobre el estado del mundo son subjetivas. En vez de estimar
parmetros como si fueran fijos, el analista debe usar los datos observados recientemente
para actualizar y afinar de forma constante las opiniones subjetivas priores sobre el estado
actual. La nocin subjetiva de probabilidad (grado de creencia) usado por los bayesianos es
diferente a la nocin objetiva de probabilidad empleada por los frecuentistas (cuntas
enumeraciones se lograrn con muestreo repetido) (Scherer, 2007).
16

El teorema de Bayes es la base de todos los mtodos bayesianos. En el caso de la

estimacin de los retornos esperados a partir de la informacin muestral se tiene que, segn
el teorema de Bayes:
P(E|R]|Jotos) =
P(Jotos|E|R])P(E|R])
P(Jotos)


El primer trmino en el numerador del lado derecho es la probabilidad conjunta de los datos
observados dado el retorno esperado. El segundo trmino es la creencia prior o las
opiniones subjetivas sobre el retorno esperado. El producto de estos dos trminos es
escalado por la probabilidad de los datos observados para obtener el lado izquierdo, el cual
es conocido como la densidad posterior del retorno esperado.
El uso de una distribucin prior es, de acuerdo con el anlisis bayesiano, la mejor forma de
resumir la informacin disponible (o incluso la falta de informacin) sobre los parmetros,
como tambin sobre la incertidumbre residual, permitiendo as la incorporacin de esta
informacin imperfecta en el proceso de decisin (Robert, 2007).
En vez de estimadores puntuales, el anlisis bayesiano produce una funcin de densidad
(densidad posterior) para los parmetros involucrados dados los datos observados. Esta
probabilidad posterior es por tanto una mezcla de opiniones priores y del estado actual del
mundo basado en los datos observados. La distribucin posterior trata de compaginar la
informacin prior con la informacin muestral, encontrando una distribucin que sea lo
ms consistente posible con ambas fuentes de informacin.
Bajo el enfoque bayesiano los datos observados son utilizados para refinar las opiniones
subjetivas sobre los retornos esperados. Ante el arribo de nueva informacin, el posterior
actual se convierte en las nuevas opiniones priores dada la nueva informacin y as
sucesivamente. Este proceso de actualizacin secuencial de la funcin de densidad es
utilizado en el MBL.
Segn Scherer y Martin (2005), una de las mayores ventajas de utilizar un modelo
bayesiano en la gestin de portafolios y en las decisiones de inversin es que permite al
17

administrador combinar informacin prior de una o ms fuentes con informacin muestral

de los retornos para tomar una decisin. Esto es particularmente importante cuando el
administrador tiene informacin muestral limitada (e.g., retornos mensuales para uno o dos
aos). En este caso la informacin muestral no domina al prior y es bastante probable que
este agregue valor al proceso de inversin. La clase de informacin que un inversionista
puede utilizar para formar un prior incluye los resultados de modelos de proyeccin de
retornos, anlisis tcnico e informacin sobre los fundamentos de la economa, entre otros.

3.2. Descripcin del modelo Black-Litterman
Para Black y Litterman (1991, 1992) la nica definicin razonable de promedios neutrales
es la del conjunto de retornos esperados que igualan la oferta y la demanda de activos
financieros si todos los inversionistas tienen expectativas idnticas. A menos de que las
expectativas del inversionista sobre un activo difieran de las del consenso del mercado, el
retorno esperado de este activo debe ser consistente con el retorno de equilibrio de
mercado. Es por esta razn que, a diferencia del modelo tradicional de Markowitz, el MBL
no requiere que el inversionista provea un retorno esperado para cada activo. Simplemente,
los activos en los que el inversionista no tiene una expectativa particular entran en el
optimizador con su respectivo retorno de equilibrio. Un inversionista que no tenga alguna
expectativa diferente a la del consenso debe mantener el portafolio de mercado.
En el caso del MBL los retornos de equilibrio se pueden interpretar en torno a una teora tal
como el CAPM o en trminos de la oferta existente de activos ponderados por valor de
mercado. Esta ltima interpretacin corresponde a un portafolio de mercado global
expresado en moneda domstica (Satchell y Scowcroft, 2000).
Si existe un ndice de referencia explcito, la medida de riesgo apropiada para la
optimizacin de portafolios es la volatilidad de la diferencia entre el retorno del portafolio y
el ndice de referencia, medida que se conoce como el error de rplica (tracking error).
Cuando no existe un ndice de referencia explcito el inversionista puede especificar un
portafolio normal que representa la asignacin de activos deseada en ausencia de
18

opiniones (Black y Litterman, 1992). Este portafolio se puede disear de tal forma que
incluya el home bias
13
estableciendo una proporcin grande del portafolio en activos
domsticos para, por ejemplo, representar la naturaleza domstica de sus pasivos sin
modelarlos explcitamente. Para otros inversionistas su referencia implcita puede ser los
portafolios de la competencia (peer group) contra los cuales ser evaluado su desempeo.
A continuacin se presentan en detalle cada uno de los clculos y componentes del modelo
Black-Litterman.

3.2.1. Insumos de mercado del modelo
El portafolio de mercado (el universo de activos) est conformado por N activos indexados
con i=1,, N. La capitalizacin de mercado
14
de cada activo est dada por H

. La
ponderacin de mercado de los N activos est dada por el vector w = {w
1
, , w
n
], en
donde la ponderacin del activo i es igual a:

w

=
H

H



Los retornos en exceso
15
de los activos estn dados por el vector R = {R
1
, , R
n
] y se
distribuyen normalmente con retorno esperado p y matriz de covarianza . Es decir,

R~N(p, )
Debido a que p no puede estimarse con certeza, es modelado como una variable aleatoria
cuya dispersin representa el posible error de estimacin (Meucci, 2008a).

13
El home bias en una aparente anomala de mercado segn la cual los inversionistas tienden a tener una
proporcin de activos locales de su pas mayor a la sugerida por los anlisis de eficiencia de media-varianza.
14
La capitalizacin de mercado es igual al nmero de ttulos o unidades del activo disponibles en el mercado
por su respectivo precio.
15
Los retornos en exceso son iguales al retorno de cada activo menos la respectiva tasa libre de riesgo.
19

3.2.2. Retornos de equilibrio: el vector H

En economa, el equilibrio se refiere a un estado de la naturaleza en donde la oferta iguala a
la demanda. De acuerdo con Litterman (3003) no es necesario asumir que los mercados
estn en equilibrio para encontrar til una aproximacin de equilibrio. Aunque ciertamente
existen choques que desvan a los mercados financieros de su equilibrio y fricciones que
impiden que estas desviaciones desaparezcan inmediatamente, el equilibrio de mercado
acta como un centro de gravedad. Una aproximacin basada en el equilibrio provee un
marco de referencia adecuado para identificar y aprovechar tales desviaciones.

La teora del equilibrio, como tantos otros modelos que intentan explicar sistemas bastante
complejos como los mercados financieros, es una sobre-simplificacin del mundo real. Sin
embargo, a pesar de que la teora del equilibrio puede ser errnea, una de sus ventajas es
que es inherentemente conservadora. En ausencia de restricciones o expectativas sobre los
mercados, la teora sugiere que el inversionista debe simplemente mantener un portafolio
proporcional a las ponderaciones de capitalizacin de mercado (Litterman, 2003).

Uno de los modelos de equilibrio ms utilizados en finanzas es el CAPM. Este modelo
provee la intuicin sobre los rendimientos de largo plazo de diferentes activos asumiendo
el ms simple de los mundos. El CAPM sostiene que los inversionistas slo son
compensados por tomar riesgos necesarios. El riesgo del portafolio de mercado es
inevitable y por tanto necesario, mientras que el riesgo no correlacionado con el mercado se
puede evitar mediante la diversificacin. De aqu que los inversionistas que consideran que
no tienen informacin superior a la del resto del mercado deben mantener el portafolio de
mercado.

Uno de los subproductos del CAPM es un procedimiento para determinar los retornos
esperados en consenso por el mercado, . Los retornos esperados por consenso se
encuentran asumiendo que el portafolio de mercado es ptimo y determinando los retornos
esperados consistentes con ese portafolio. Estos retornos esperados por consenso son
valiosos porque ofrecen un criterio de comparacin contra el cual un inversionista puede
contrastar sus ideas. Los promedios histricos son una alternativa pobre a las proyecciones
20

del consenso. El portafolio de mercado es el portafolio del consenso y el CAPM conduce a

los retornos esperados que hacen al mercado ptimo en el espacio media-varianza (Grinold
y Kahn, 2000).

Asumir que el CAPM es vlido en general, implica que las ponderaciones basadas en la
capitalizacin de mercado de los activos son las ponderaciones de portafolio ptimas bajo
un equilibrio de CAPM. Bajo estas condiciones, asumiendo un coeficiente de aversin
relativa al riesgo, el vector de retornos de equilibrio puede deducirse de la ecuacin que
produce el portafolio ptimo implcito en el equilibrio del CAPM.

Los retornos de equilibrio, , pueden derivarse tambin asumiendo que el mercado est en
equilibrio
16
y utilizando un mtodo de optimizacin inversa u optimizacin en reversa en la
que el vector de retornos en exceso implcitos es extrado de informacin conocida. Ambas
formas conducen a la siguiente frmula
17
:

= ow
con el coeficiente de aversin al riesgo, o, usualmente determinado como

o =
R
M
-R
]
o
M
2

donde
R
M
es el retorno del mercado
R
]
es la tasa libre de riesgo
o
M
2
es la varianza del retorno del mercado, i.e., o
M
2
= w
i
w.

16
O utilizando un portafolio normal o de referencia que se presume eficiente . El fin ltimo es construir
portafolios que tengan un desempeo superior al portafolio que se presume eficiente. Vase Grinold (2006).
17
En el apndice 1 se presenta la derivacin de esta frmula con ambos enfoques. Para ver los detalles de
cmo se utiliza comnmente la optimizacin inversa vase Herold (2005) y Siokos (2000). Herold (2005), en
particular, propone un ajuste que en el presente estudio no se tuvo en cuenta.
21

Como se puede observar, la informacin histrica no influye directamente en la

determinacin de . La variable o se puede interpretar como el parmetro de aversin al
riesgo. Los retornos de equilibrio pueden interpretarse como los retornos de largo plazo que
los mercados de capitales proveen y que igualan la oferta y la demanda de activos
financieros
18
. En el MBL son utilizados con el fin de centrar el portafolio ptimo
alrededor del portafolio de mercado. Comparando los retornos implcitos con los retornos
esperados que un inversionista puede tener, las ponderaciones del portafolio pueden
modificarse de forma iterativa.
Segn Grinold (1996), la ingeniera inversa tiene varias ventajas. Primero, ofrece un punto
de partida para encontrar retornos razonables. Segundo, la calidad de los retornos esperados
depender en gran parte de la calidad de las varianzas y covarianzas estimadas, cuyos
errores estndares tienden a ser pequeos. Tercero, los retornos esperados son consistentes
con la tenencia de un portafolio que se presume eficiente; entre ms razonable sea el
portafolio, ms acertados sern los retornos. Adems, el procedimiento de optimizacin
inversa sirve como un instrumento de calibracin. La idea es utilizar un artefacto de
calibracin imperfecto de manera consistente y fijarse en las diferencias. Cuarto, esta
tcnica produce un conjunto razonable de rendimientos esperados que constituyen una base
para los estudios de poltica de inversin y que se pueden utilizar para responder preguntas
sobre reasignacin y costos de transaccin. Por ltimo, esta metodologa permite separar las
expectativas incondicionadas de las condicionadas, debido a que los retornos esperados que
se obtienen no incluyen ningn tipo de informacin adicional a la de mercado.
Sin embargo, Grinold (1996) advierte que hay ciertas dificultades y peligros al utilizar la
ingeniera inversa. El mayor problema consiste en olvidar que los retornos obtenidos son
contextuales, es decir que dependen de la relacin entre un portafolio y una matriz de
covarianza. Si se abandona ese contexto se desecha la calibracin y probablemente los

18
Este modelo no supone que el mercado est siempre en el equilibrio que propone el CAPM, sino que
cuando los retornos esperados se alejan de sus valores de equilibrio, los desajustes en el mercado tendern a
traerlos de vuelta al equilibrio. Aunque el CAPM necesariamente no refleja de forma exacta las expectativas
del mercado, constituye un punto de referencia para comparar las expectativas propias y determinar qu
oportunidades de inversin existen. Por ejemplo, el inversionista debe tomar una posicin larga si su
expectativa es ms alcista o positiva que la del consenso; de lo contrario, debe tomar una posicin corta.
22

resultados no tendrn sentido. Otra dificultad es que muchas personas no se sienten

tranquilas con la idea de utilizar un portafolio que se presume eficiente. Algunos prefieren
esperar hasta que el portafolio eficiente verdadero sea encontrado, lo cual puede ser una
larga espera de acuerdo con Grinold.
En cuanto al vector de retornos en exceso esperados, , se asume que tiene una distribucin
de probabilidad que es proporcional al producto de dos distribuciones normales. La primera
distribucin representa el equilibrio: est centrada en con matriz de covarianza , donde
es una constante que refleja el grado de incertidumbre con respecto a la precisin con la
que es calculado . Por tanto, la distribucin de es:

~N(, )

Black y Litterman asumieron que la matriz de covarianza de esta distribucin de equilibrio
es proporcional a la matriz de covarianza de los retornos histricos con el fin de simplificar
los clculos necesarios.
El CAPM domstico se puede extender para considerar el caso global, es decir para tener
en cuenta inversiones en activos extranjeros denominados en otras monedas diferentes a la
domstica. El modelo, sin embargo, se complica debido a que se debe considerar el riesgo
cambiario y adicionar otros supuestos que simplifiquen el problema.

3.2.3. Confianza en el equilibrio: el parmetro z
El parmetro escalar se puede interpretar como el grado de incertidumbre del
inversionista sobre la validez del CAPM. Tambin se puede interpretar como un parmetro
que representa la incertidumbre sobre la precisin con que se estima el vector . En este
ltimo sentido, un valor pequeo de corresponde a un nivel alto de confianza en los
retornos de equilibrio estimados debido a que reescala hacia abajo la matriz de covarianza
de los retornos histricos.
23

Debido a que la incertidumbre sobre la media debe ser menor a la incertidumbre de la

variable, usualmente se determina como un valor menor a 1 y cercano a cero. Algunos
autores generalmente establecen un valor entre 0.01 y 0.05 para (Idzorek, 2004)
19
. Otros
autores consideran a como la incertidumbre en el valor estimado de dada una muestra
de retornos de tamao T y, por tanto, establecen que = 1 I aproximadamente.

3.2.4. Opiniones del inversionista: la matriz P y la matriz Q
La segunda distribucin representa las opiniones o expectativas del inversionista sobre los
retornos de mercado. El inversionista tiene un conjunto de K opiniones representadas
mediante relaciones lineales. Una opinin se expresa como un enunciado de que el retorno
esperado de un portafolio p
k
tiene una distribucin normal con promedio q
k
y una
desviacin estndar dada por
k
.

Las K opiniones con sus respectivos retornos esperados se pueden representar como

P
i
= |p
1
, p
2
, , p
k
]
y

i
= |q
1
, q
2
, , q
k
]


Intuitivamente, P es la matriz que selecciona los activos que hacen parte de una opinin y Q
es el vector de opiniones, es decir que contiene el retorno esperado para cada portafolio p
k
.
Para determinar cada uno de los elementos de P diferentes a cero, Idzorek (2004)
recomienda utilizar un esquema de ponderacin por capitalizacin de mercado en vez de un
esquema de igual ponderacin. Bajo este esquema, la ponderacin individual de cada
activo es proporcional a la capitalizacin de mercado del activo dividida por la
capitalizacin de mercado total de los activos con desempeo positivo o negativo, segn
sea el caso, en la respectiva opinin.

19
Cheung (2007) recomienda usar un valor bajo cercano a cero para mercados estables y un valor alto menor
a uno para mercados turbulentos.
24

A partir de lo anterior, las expectativas u opiniones son expresadas de la siguiente manera:

P = +e

donde

P: es una matriz K N conocida.
Q: es un vector K 1 conocido.
e: es un vector aleatorio K 1 normalmente distribuido con media cero y matriz diagonal
de covarianzas .

Es decir que

P ~N(, )

donde es una matriz diagonal K K con elementos

en la diagonal y ceros en el resto

de posiciones debido a que se asume que las opiniones no estn correlacionadas entre si. Un
mayor

representa un menor grado de confianza en los retornos esperados .

Debido a la compleja interaccin entre los retornos esperados, las volatilidades y las
correlaciones entre los activos, las opiniones sobre unos cuantos activos implicarn
cambios en los retornos esperados de todos los activos. El modelo ajusta todos los retornos
esperados a partir de sus valores iniciales en una forma consistente con las expectativas
expresadas. Adicionar una expectativa crea una inclinacin hacia esa expectativa slo
cuando la expectativa es ms alcista que el retorno esperado implcito en el MBL sin esa
expectativa (Litterman, 2003).


25

3.2.5. Confianza en las opiniones: la matriz u

Litterman (2003) afirma que no existe un mtodo simple o universal para determinar la
matriz de covarianzas del error, . Bajo la metodologa de Black-Litterman, el gestor de
portafolios sabe lo que estos parmetros representan y pueden as tratar intuitivamente el
tema de si esas especificaciones tienen sentido o no.
El valor de
kk
es inversamente proporcional al grado de confianza del inversionista en la
k-sima expectativa. Si el inversionista no confa demasiado en sus expectativas, la
composicin del portafolio final debe depender ms del equilibrio. Si por el contrario, el
inversionista est muy confiado en sus expectativas, la composicin del portafolio final
estar primordialmente determinada por las expectativas y las ponderaciones del portafolio
se desviarn ms del portafolio de equilibrio de mercado.
Un buen punto de partida para determinar la incertidumbre sobre cada opinin es analizar la
varianza de cada una de ellas. He and Litterman (1999) calibran la confianza en una
opinin de tal forma que
k
= p
k
p
k
o, lo que es igual,
k
= (p
k
p
k
), es decir que es
proporcional a la varianza del prior. Cuando la matriz se calcula de esta manera, el valor
escalar resulta irrelevante porque slo la razn
k
entra al modelo. En este caso

= diag(P()P')

Los cambios en los niveles de confianza en las opiniones pueden utilizarse para controlar el
balance del portafolio ptimo, es decir, para reducir el impacto de posiciones extremas y
hacerlo ms diversificado. Black y Litterman (1992) define el balance de un portafolio
como una medida de qu tan similar es el portafolio al portafolio de equilibrio global. La
medida que usan para determinar la distancia es la volatilidad de la diferencia en retornos
de los dos portafolios. Otra forma de calcular es definiendo intervalos de confianza
alrededor del retorno medio estimado, tal como se muestra en el siguiente ejemplo.

26

Supngase que el universo de inversin consiste de cuatro activos A, B, C y D y considere

las siguientes opiniones de mercado:
- El activo A presentar un rendimiento de 10%
- El activo C sobrepasar al activo D en 4%
La primera opinin es de tipo absoluto, mientras que la segunda es de tipo relativo. stas
ltimas reflejan mucho mejor la forma en que operan los inversionistas. Los elementos de
una fila de la matriz P correspondientes a una opinin absoluta deben sumar uno, mientras
que los correspondientes a una opinin relativa deben sumar cero. De acuerdo a lo anterior,
se tiene entonces que

P = [
1 u u
u u 1

u
-1


= [
1u
4


Una posible aproximacin para determinar los elementos diagonales de ,

, es hacer un
supuesto estadstico sobre la distribucin de cada opinin. Por ejemplo, suponga que en la
opinin relativa anterior el inversionista tiene una confianza del 95% de que su proyeccin
estar entre 5% y 3%. Si se asume que la opinin se distribuye normalmente se puede
encontrar que la desviacin estndar implcita es de 0.5% y por tanto
22
= (u.S%)
2
=
u.2S%.
Idzorek (2004) propone un mtodo bastante intuitivo para especificar la confianza en las
opiniones teniendo en cuenta otras fuentes de informacin adicionales a la informacin
histrica y que reduce la complejidad del modelo para los usuarios con un enfoque no
cuantitativo. Este mtodo se analizar en detalle ms adelante.
27

3.2.6. Retornos esperados de Black-Litterman

El prior del modelo, el equilibrio de mercado
20
, se combina con las expectativas de
mercado segn el enfoque bayesiano para generar la distribucin posterior de los retornos
esperados, , la cual es normal con media p
BL
dada por
21
:

p
BL
= |()
-1
+P'
-1
P]
-1
|()
-1
+P'
-1
]


= |()
-1
+P'
-1
P]
-1
|()
-1
+P'
-1
Pp ]


y varianza posterior H

-1
dada por:

H

-1
= |()
-1
+P'
-1
P]
-1


donde p es el valor estimado de los retornos esperados implcitos en las opiniones, es decir,
p = (P'P)
-1
P
i
. Enfocndose en la expresin dentro del segundo conjunto de parntesis
cuadrados, se puede observar que el MBL es un simple promedio ponderado del equilibrio
de mercado, , y del retorno esperado implcito en las opiniones del inversionista, p , con
las ponderaciones iguales a
w
H
= |()
-1
+P'
-1
P]
-1
()
-1


w

= |()
-1
+P'
-1
P]
-1
P'
-1
P
donde

w
H
+w

= I

20
Debido a que los residuales en el MBL son independientes, reversar el orden de la interpretacin, es decir,
asumir que las opiniones del inversionista constituyen el prior, producir el mismo resultado (Zhou, 2008)
21
Existen dos aproximaciones diferentes pero equivalentes que pueden usarse para derivar el modelo de
Black-Litterman. La aproximacin bayesiana es explicada detalladamente en Satchell y Scowcroft (2000). La
aproximacin que se basa en tcnicas economtricas estndar, en particular la estimacin mixta, es descrita en
el apndice 2.
28

Es decir que las ponderaciones relativas estn determinadas por el grado percibido de
dispersin en los retornos esperados de equilibrio y la confianza en las expectativas
respectivamente.
Debido a que los retornos de los activos estn correlacionados, opiniones sobre unos
cuantos activos implicarn cambios en los retornos esperados de todos los activos. En
efecto, P'
-1
es una matriz NxK que propaga las K opiniones en N componentes, P'
-1
Q.
Si no se hiciera este ajuste en el vector de retornos esperados, las diferencias entre los
retornos esperados de equilibrio y las opiniones del inversionista seran interpretadas como
oportunidades de arbitraje por el optimizador conduciendo a portafolios concentrados en
unos cuantos activos (soluciones de esquina). En trminos intuitivos, cualquier error de
estimacin se dispersa entre todos los activos, haciendo a los retornos de BL menos
sensibles a los errores en opiniones individuales (Fabozzi et al., 2007).
Los retornos esperados, p
BL
, no se deben tratar como proyecciones o expectativas de corto
plazo, sino como puntos de referencia o tasas de comparacin (hurdle rates). Las
situaciones en las que las expectativas estn en desacuerdo con estas primas de riesgo se
consideran como oportunidades de inversin. Es importante resaltar tambin que en la
aproximacin de Black-Litterman los retornos esperados no dependen directamente de los
retornos histricos.
Segn la teora financiera moderna, un inversionista neutral con respecto al mercado, es
decir, que no tiene expectativas diferentes a las del consenso del mercado, debe mantener el
portafolio de mercado. El MBL es coherente con esta proposicin debido a que cuando el
inversionista no expresa ninguna expectativa o la confianza en las expectativas es cero (la
matriz P est compuesta de solo ceros), el posterior de los retornos esperados llega a ser
p
BL
= . De igual forma, cuando la incertidumbre sobre las expectativas es muy grande,
p
BL
es dominado por y en el lmite tiende a ste; en ambos casos, un inversionista
racional termina manteniendo el portafolio de mercado y el activo libre de riesgo. En
ausencia de restricciones, el MBL recomienda una desviacin de la ponderacin por
capitalizacin de mercado de un activo slo si existe una opinin sobre ste.

29

Los retornos esperados de Black-Litterman pueden tambin expresarse de la forma

p
BL
= +P'( +PP')
-1
(Q -P)

en donde se hace evidente que el inversionista se desva del equilibrio con un vector
proporcional a P'( +PP')
-1
(Q -P)
22
. A partir de esta formulacin se puede
observar que cuando el inversionista est 100% confiado en todas sus K opiniones (lo que
es equivalente a colocar todos los elementos de iguales a cero), los retornos de BL llegan
a ser iguales a
p
BL100%
= +P'(PP')
-1
(Q -P)

Como afirma Lee (2000), aunque el MBL original asume que el CAPM es vlido o se
cumple en la prctica, este supuesto no afecta los conceptos y la derivacin anterior. Una
alternativa es reemplazar el vector de retornos de equilibrio del CAPM por el vector de
retornos esperados que hacen al inversionista neutral con respecto a cualquier apuesta
tctica o de corto plazo. Es decir que, en vez de los retornos derivados suponiendo que el
CAPM aplica, el inversionista puede utilizar el vector de retornos que hara que mantuviera
su portafolio de referencia estratgico o de largo plazo, como se vio anteriormente.
Una vez calculados los retornos de Black-Litterman se puede proseguir a realizar la
optimizacin del portafolio. El Grfico 1 resume la metodologa de Black-Litterman que se
ha presentado hasta el momento.

22
El modelo BL puede ser derivado tambin como la solucin al siguiente problema de optimizacin:
p
BL
= arg min
p
|( - )
-1
( - ) + ( - Pp)

-1
( - Pp)|. Bajo esta formulacin se puede
observar que el parmetro es redundante en el sentido de que puede ser absorbido por . (Fabozzi et al.,
2006; Giacometti et al., 2005)


30

Grfico 1. Metodologa de Black-Litterman

Fuente: Idzorek (2004)

Para resolver el problema de optimizacin de media-varianza es necesario conocer la media
y la covarianza de la distribucin predictiva de los retornos esperados. La media de la
distribucin predictiva de los retornos es igual a la media posterior de los retornos
esperados, p
BL
, mientras que la covarianza de la distribucin predictiva incluye un trmino
que refleja el error de estimacin. La media y la covarianza predictiva son respectivamente
(Rachev et al., 2008):
p = p
BL
y

= +N
-1

De tal forma, que la solucin al problema de optimizacin de un portafolio sin restricciones
est dada por el vector de posiciones ptimas w
-

w
-
= (z

)
-1
p
Ante la presencia de restricciones de inversin, el vector de retornos p
BL
y la matriz de
covarianzas

son introducidos en un optimizador de media-varianza.

31

3.3. Mtodo de Idzorek para determinar la confianza en las opiniones

Idzorek (2004) propone un mtodo bastante intuitivo para especificar los elementos de la
diagonal de la matriz , el cual permite controlar la magnitud de las desviaciones del
portafolio normal causadas por las opiniones. El mtodo define cmo encontrar los niveles
de confianza implcitos en las opiniones, los cuales pueden utilizarse junto con un nivel de
confianza entre 0% y 100% establecido por el inversionista para cada opinin para
encontrar los valores de . De esta forma el inversionista puede tener en cuenta, adems de
la varianza (p
k
p
k
), otras fuentes de informacin que afectan su nivel de confianza en
esa opinin.
Para encontrar el nivel de confianza implcito, Idzorek propone un modelo lineal que
consiste en reorganizar la frmula = ow y sustituir el vector de retornos de equilibrio,
, por un vector que representa un conjunto cualquiera de retornos, , para llegar a
23


w = (z)
-1
p

Si se reemplaza p con el vector de retornos de plena confianza en las opiniones, p
BL100%
, se
encuentra w
100%
, el vector de ponderaciones basado en un nivel de confianza del 100% en
las opiniones. De igual manera, si se reemplaza p en la frmula por el vector de retornos de
equilibrio, , y el vector de retornos de Black-Litterman, p
BL
, se encuentran las
ponderaciones w
mcd
, y w
BL
respectivamente.

Segn Idzorek, es posible determinar un nivel de confianza implcito en las opiniones
dividiendo cada diferencia de ponderaciones (w
BL
-w
mcd
) por la correspondiente
diferencia mxima (w
100%
-w
mcd
); es decir, que el nivel de confianza implcito en las
opiniones es igual al vector

Ni:cl Jc conionzo implicito =
(w
BL
-w
mcd
)
(w
100%
-w
mcd
)

23
Esta es la solucin al problema de optimizacin no restringida max
w
w
i
p -zw
i
w2. Vase el apndice 2.
32

Este nivel refleja nicamente la varianza (re-escalada por ) del portafolio correspondiente
a cada opinin, es decir, (p
k
p
k
), pero no tiene en cuenta el nivel de confianza propio del
inversionista. Para que ste sea considerado en el clculo de la matriz , Idzorek propone
generar desviaciones (tilts) de la forma:

Iilt
k
= (w
100%
-w
mcd
) - C
k
,
donde
Iilt
k
es la desviacin aproximada causada por la k-sima opinin (Nx1), y
C
k
es la confianza del inversionista en la k-sima opinin.

En ausencia de otras opiniones, el vector aproximado de ponderaciones recomendadas
resultante de la opinin k es
w
k,%
= w
mcd
+Iilt
k

= w
mcd
+(w
100%
-w
mcd
) - C
k

donde
w
k,%
es el vector de ponderaciones objetivo basado en la desviacin causada por la k-sima
opinin (Nx1).

Los pasos del algoritmo son los siguientes:
1. Calcular para cada opinin k el vector p
BL100%
tratando a cada opinin como si
fuera la nica opinin.

p
BLk100%
= +p
k
i
(p
k
p
k
i
)
-1
(
k
-p
k
),

33

donde
p
BLk100%
es el vector de retornos esperados basado en una confianza del 100% en
la opinin k-sima (Nx1)
p
k
identifica los activos involucrados en la k-sima opinin (1xN), y

k
es la k-sima opinin (escalar)


2. Calcular w
k100%
, el vector de ponderaciones basado en una confianza del 100% en
la opinin k-sima, utilizando la frmula de maximizacin no restringida.

w
k100%
= (z)
-1
p
BLk100%



3. Calcular las mximas desviaciones de las ponderaciones del ndice de referencia
causadas por la confianza del 100% en la k-sima opinin.

k100%
= w
k100%
-w
mcd



4. Multiplicar los N elementos de
k100%
por la confianza en la opinin k-sima
especificada por el inversionista para estimar la desviacin deseada causada por la
opinin k-sima.
Iilt
k
=
k100%
+C
k



5. Estimar el vector de ponderaciones objetivo, w
k%
, basado en la desviacin deseada.

w
k%
= w
mcd
+Iilt
k



34

6. Encontrar el valor de
k
(el k-simo elemento de la diagonal de ), que minimiza
la suma de las diferencias cuadradas entre w
k%
y w
k
.

min (w
k%
-w
k
)
2


sujeto a
k
> u,
donde

w
k
= |z]
-1
|()
-1
+p
k
i

k
-1
p
k
]
-1
|()
-1
+p
k
i

k
-1

k
]

7. Repetir los pasos 1-6 para las K opiniones; construir la matriz diagonal en la que
los elementos de la diagonal sean los valores
k
calculados en el paso 6 y calcular
el vector de retornos de Black-Litterman utilizando la nueva matriz .

El mtodo simplifica el proceso de especificacin de las opiniones. A lo largo del mismo, el
valor del escalar es mantenido constante y no afecta al nuevo vector de retornos, lo cual
elimina las dificultades asociadas con su especificacin, segn Idzorek
24
.
Es importante tener en cuenta que, como afirma (Meucci, 2005), una opinin no debe ser
un enunciado ligero, sino que el inversionista debe ser un experto, debe haber construido un
historial (track record) y se le pedir una opinin regularmente.

24
Walters (2009) explica en detalle la derivacin de una solucin analtica al mtodo propuesto por Idzorek
35

3.4. Mtodo de Fusai y Meucci para medir la consistencia de las

opiniones
Fusai y Meucci (2003) presenta un mtodo para cuantificar la diferencia estadstica entre
los retornos posteriores estimados y los retornos priores. El mtodo provee una forma para
detectar opiniones extremas que contrastan fuertemente con los rendimientos de equilibrio
y calibrar la incertidumbre en estas opiniones para hacerlas ms consistentes con el prior.
Ellos proponen la distancia de Mahalanobis, medida multivariada anloga al z-score
25
, para
encontrar los retornos esperados de Black-Litterman sospechosos
26
:

H

2
= (p
BL
-)'()
-1
(p
BL
-)

La distancia de Mahalanobis se distribuye como una distribucin chi cuadrado con N
grados de libertad (N es el nmero de activos). Si la distancia H

2
es pequea o es menor a
un umbral, las opiniones no estn demasiado lejos de los retornos de equilibrio y la
consistencia de los retornos de Black-Litterman y los retornos de equilibrio es alta; de lo
contrario, el inversionista debe considerar que al menos una de las opiniones puede ser
demasiado agresiva. Para convertir la distancia H

2
en la probabilidad de las opiniones
Fusai y Meucci proponen calcular el siguiente ndice de consistencia:

C

= 1 -F(H

2
),
donde
F es la probabilidad acumulada de la distribucin chi-cuadrado con N grados de libertad.

25
El z-score de la variable aleatoria X es una versin normalizada de X centrada en cero y con desviacin
estndar unitaria, es decir Z
X
= (X -p) o . (Meucci, 2005).
26
Se hace el ajuste sugerido por Walters (2008) para ser consistentes con el modelo general presentado en
este estudio.
36

A medida que el valor de H

2
se incrementa, es decir, a medida que los retornos de Black-
Litterman se desvan demasiado de los de equilibrio, la consistencia de los retornos de
Black-Litterman con los de equilibrio decrece. Si el ndice de consistencia est por encima
de cierto umbral determinado previamente, el inversionista puede confiar en la consistencia
de sus opiniones.
Cuando el ndice de consistencia est por debajo del umbral, a menudo un pequeo cambio
en una de las opiniones basta para incrementar el nivel de consistencia. En este caso resulta
necesario identificar cul o cules son las opiniones ms agresivas y cmo ajustarlas
acordemente. Pare esto Fusai y Meucci proponen tambin calcular la sensibilidad del ndice
de consistencia a cada una de las opiniones. A partir de la regla de la cadena, la sensibilidad
es

oC

o
=
oC
oH
2
oH
2
op
BL
op
BL
o


=-2(H

2
)(PP
i
+)
-1
P(p
BL
-)

donde f es la densidad de probabilidad de la distribucin chi-cuadrada con N grados de
libertad.
Para incrementar la consistencia, el inversionista debe calcular el vector de sensibilidades y
encontrar la opinin con el valor absoluto ms grande. Si la sensibilidad es positiva, la
respectiva opinin (k) debe incrementarse, de lo contrario debe reducirse.



37

3.5. Ventajas del modelo Black-Litterman

Entre las ventajas ms importantes del modelo se encuentran las siguientes:
1. La principal ventaja del modelo es su flexibilidad. El modelo permite al
administrador de portafolios incluir sus expectativas de mercado y, ante el arribo de
nueva informacin, actualizarlas. A diferencia del modelo estndar, el MBL no
requiere que los retornos esperados de cada activo sean estimados. Slo es necesario
que el inversionista provea un retorno esperado para aquellos activos sobre los que
tiene una opinin valiosa. Esto es ms congruente con la prctica debido a que es
muy difcil que el administrador tenga un conocimiento detallado o una expectativa
significativa sobre cada uno de los activos en el portafolio. Adicionalmente, hay
muchos grados de libertad en la implementacin del modelo; comnmente es
utilizado de forma iterativa hasta que el inversionista siente que ha logrado obtener
el balance apropiado en el portafolio. Esta flexibilidad es la que hace el modelo tan
atractivo a diferentes inversionistas con diferentes situaciones (Lee, 2000).

2. En relacin con lo anterior, otra ventaja es que el inversionista puede tomar riesgo
en donde realmente tiene una opinin y en una mayor magnitud en donde tenga una
mayor confianza (Bevan and Winkelmann, 1998). En efecto, el modelo permite a
los inversionistas separar las proyecciones (hacia dnde ir el mercado?) del
grado de conviccin o confianza en ellas (qu tanto confo en que mi proyeccin
sea correcta?) (Scherer, 2007). En otras palabras, el modelo permite diferenciar
entre la fuerza de una opinin (la magnitud de la opinin) y la confianza en una
opinin (el grado de certeza con que se expresa).

3. La metodologa produce portafolios ms balanceados y estables en el tiempo al
utilizar los retornos de equilibrio como centro de gravedad. La solucin es
anclada en el reconocido portafolio de mercado. Consecuentemente, la necesidad
de rotar el portafolio y los costos de transaccin son menores.

4. Mitiga en gran medida el problema de maximizacin del error de estimacin
esparciendo los errores a lo largo del vector de retornos esperados (Idzorek, 2004).
38

Esta aproximacin bayesiana a la seleccin de portafolios toma en cuenta

directamente la incertidumbre en la estimacin (Rachev et al., 2008). El MBL
reconoce que el slo uso de informacin muestral no permite manejar el impacto de
la incertidumbre en los parmetros sobre la seleccin del portafolio (Scherer, 2002).

5. Permite expresar las opiniones o expectativas de mercado de forma relativa entre los
activos, es decir, clasificar el desempeo esperado de un activo en comparacin a
otro. Las estrategias relativas son muy comunes en la prctica del mercado. Si todas
las opiniones son relativas, no hay necesidad de predecir la direccin del mercado.

6. Permite a los administradores adherir a las mismas opiniones mientras que manejan
diferentes requerimientos en sus portafolios. Bajo el enfoque de MBL, las
restricciones detalladas de cada portafolio o mandato de inversin pueden ser
tratadas en la etapa final de optimizacin, con las opiniones aplicadas de forma
consistente a travs de los diferentes portafolios. En efecto, los retornos esperados
no se deberan ver afectados por las restricciones del portafolio. Separando estas dos
etapas, es mucho ms fcil asegurar la consistencia y explicar las diferentes
asignaciones entre portafolios (Fok y Benzschawel, 2007).

7. Provee a los administradores de portafolios que utilizan modelos factoriales de
prediccin un mecanismo para combinar sus opiniones sobre rendimientos
factoriales con sus estimaciones de riesgo en una manera ms consistente (Jones et
al., 2007). En este sentido, es tambin adecuado para implementar un proceso de
presupuestacin de riesgo (risk budgeting).





39

4. APLICACIN A LOS FONDOS DE PENSIONES OBLIGATORIAS

Las Administradoras de Fondos de Pensiones (AFPs) fueran creadas con la Ley 100 de
1993, implementada posteriormente en 1994. Las AFPs son las encargadas de decidir la
composicin ptima de los portafolios en los que se invierten los FPO. Desde su creacin
los FPO han presentado un crecimiento considerable, tal como se puede observar en el
Grfico 2. Las seis AFPs existentes actualmente
27
administraban a noviembre del 2008 un
total de 55 billones de pesos colombianos. Debido al tamao de sus portafolios, los FPO se
han convertido en el principal inversionista institucional del mercado de capitales local en
Colombia.

Grfico 2. Evolucin del valor del portafolio de los fondos de pensiones (Mayo 1994
Noviembre 2008; cifras en miles de millones de pesos)

Fuente: Superintendencia Financiera de Colombia.

Los portafolios actuales tienen una exposicin de alrededor del 48% a la Repblica de
Colombia y del 90% a Colombia (sector pblico y privado). En cuanto a la asignacin
general de activos, el 72% de los portafolios estn invertidos en ttulos de renta fija, el 24%
en renta variable, el 3% en depsitos a la vista y la posicin neta en derivados es del -1%,
como se muestra en el Grfico 3.

27
Colfondos, Horizonte, ING, Porvenir, Proteccin y Skandia.
0
10.000
20.000
30.000
40.000
50.000
60.000
M
a
y
-
9
4
M
a
y
-
9
5
M
a
y
-
9
6
M
a
y
-
9
7
M
a
y
-
9
8
M
a
y
-
9
9
M
a
y
-
0
0
M
a
y
-
0
1
M
a
y
-
0
2
M
a
y
-
0
3
M
a
y
-
0
4
M
a
y
-
0
5
M
a
y
-
0
6
M
a
y
-
0
7
M
a
y
-
0
8
V
a
l
o
r

d
e

l
o
s

f
o
n
d
o
s
40

Grfico 3. Asignacin de activos de los FPO (a noviembre de 2008)

Fuente: Superintendencia Financiera de Colombia

En particular, analizando los portafolios por clases de activos ms especficas, se observa
en el Grfico 4 que la mayor parte de los portafolios est concentrada en ttulos de deuda
pblica (48%), seguida por ttulos de renta variables emitidos por entidades no vigiladas
por la Superintendencia Financiera (13%).

Grfico 4. Composicin del portafolio de los FPO (a noviembre de 2008)

Fuente: clculos del autor con base en la Superintendencia Financiera de Colombia
Renta
fija
72%
Renta
variable
24%
Derivado
s
1%
Depsito
sala
vista
3%
DeudaPblica
48%
Ttulos
emitidos,
garantizados
porel
FOGAFIN
1%
Deudainst.
vigiladaspor
otroentede
control
8%
Deuda
instituciones
vigiladaspor
laSFC
9%
Deudaemitida
porentidades
ext.
6%
R.variable
inst.vigiladas
porotroente
decontrol
13%
Rentavariable
inst.vigiladas
porlaSFC
8%
Rentavariable
emitidapor
entidadesext.
4%
Depsitosa
lavista
3%
41

En esta parte del estudio se pretende aplicar el MBL a la construccin y gestin estratgica
de los FPO en Colombia. De acuerdo a las secciones anteriores, un proceso de inversin
basado en el MBL involucrar como mnimo los siguientes pasos (Walters, 2008):
- Determinar qu activos constituyen el mercado
- Calcular la matriz de covarianza histrica para los activos
- Usar la optimizacin inversa para calcular los retornos implcitos para los activos.
- Especificar las opiniones sobre el mercado
- Combinar los retornos implcitos con las opiniones utilizando el MBL.
- Introducir las estimaciones (retornos y covarianzas) generadas por el MBL en un
optimizador de portafolios. Establecer, adems, las restricciones de inversin que
enfrenta el administrador del portafolio.
- Seleccionar el portafolio eficiente que sea coherente con las preferencias de riesgo
del inversionista.
Este ejercicio se realizar utilizando un portafolio representativo de los FPO en Colombia,
teniendo en cuenta la forma en la que usualmente operan y las restricciones legales a las
que estn sujetos, las cuales se presentan a continuacin.

4.1. Rgimen de inversin
La asignacin estratgica de activos de los FPO est condicionada por su rgimen de
inversin. Los FPO estn vigilados y controlados por la Superintendencia Financiera. Entre
otros aspectos, esta entidad define en qu clase de activos financieros los FPO pueden
invertir y en qu proporciones pueden hacerlo. Las normas que constituyen el rgimen de
inversiones de los FPO son las siguientes: Ley 100 de 1993, Decreto 1557 de 2001,
Circular Bsica Jurdica (Ttulo IV, captulo cuarto), Circular Externa 018 de 2002,
Circular Externa 013 de 2004, Circular 034 de 2005, Circular Externa 024 de 2007 y
Circular Externa 005 de 2008 de la Superintendencia Financiera.

42

Para determinar la asignacin estratgica de activos los FPO deben considerar, adems de
sus polticas internas, las limitaciones que les impone su rgimen de inversin. Por tanto,
los FPO deben ingresar estas limitaciones como restricciones al programa de optimizacin.
Debido a que algunas de las clases de activos en que invierten los FPO son bastante
ilquidas y no se disponen de ndices confiables, para efectos de este estudio se tendrn en
cuenta slo algunas clases de activos. Por tanto, algunas de las restricciones ms
importantes del rgimen de inversin se fusionarn con otras de tal forma que el anlisis
sea razonable y viable.
Las restricciones que se utilizarn aparecen en la Tabla 1. Adicionalmente, se descartan las
ventas en corto.

Tabla 1. Lmites a las inversiones de los fondos de pensiones obligatorias.
Inversin admisible Lmite global
mximo
Ttulos de deuda pblica (interna y externa), emitidos o
garantizados por la nacin; otros ttulos de deuda pblica emitidos
por entidades estatales; ttulos emitidos, avalados o garantizados
por FOGAFIN) y por FOGACOOP y, en general, otros ttulos de
deuda local.
70%
Ttulos de renta variable emitidos en el mercado local 40%
Inversiones en ttulos emitidos por entidades en el exterior 40%
Ttulos participativos 40%
Depsitos a la vista en establecimientos de crdito nacionales o del
exterior
5%
Fuente: www.superfinanciera.gov.co (ltima actualizacin Circular externa 33 del 2008)


43

4.2. Datos
Primero es necesario determinar los ndices de referencia con los que se aproximarn las
diferentes clases de activos que componen el universo de inversin. Para ello se utilizar
casi los mismos activos e ndices mensuales seleccionados por Len y Laserna (2008), los
cuales aparecen en la Tabla 2. El periodo muestral es desde julio de 2001 hasta diciembre
de 2008, para un total de 90 observaciones. Todos los retornos se medirn como retornos
logartmicos no cubiertos por exposicin cambiaria expresados en pesos.

Tabla 2. Series utilizadas
Clase de activo Descripcin Fuente
Deuda interna de Colombia IDXTES. Renta fija soberana de
la Repblica de Colombia en el
mercado local.
Indicador creado por
DODM/SGMR del Banco
de la Repblica
Renta variable de Colombia IGBC. Renta variable del
mercado colombiano negociada
en la Bolsa de Valores de
Colombia
BVC
[Bloomberg IGBC Index]
Deuda externa de Colombia EMBIG-Col. JP Morgan
Emerging Market Bond Index
Global Colombia. Comprende
emisiones en USD de la
Repblica de Colombia en el
mercado internacional.
JP Morgan
[Bloomberg JPEGCO
Index]
Deuda mercados emergentes EMBI+. JP Morgan Emerging
Market Bond Index Plus
JP Morgan
[Bloomberg JPEIPLUS
Index]
Deuda soberana de Estados
Unidos
ndice de bonos del Tesoro
americano entre 5 y 7 aos
Citigroup
[Bloomberg SBUS57L
Index]
Renta variable de Estados
Unidos
S&P 500. Las 500 compaas
principales en industrias lderes
de la economa de los Estados
Standard & Poors
[Bloomberg SPX Index]
44

Unidos, principalmente de alta

capitalizacin.
Renta variable de pases
desarrollados
MSCI EAFE. ndice MSCI
Europe Australasia and Far East.
Comprende la renta variable
internacional de pases
desarrollados, excluyendo
Estados Unidos
MSCI Barra
[Bloomberg MXEA
Index]
Renta variable de mercados
emergentes
MSCI EM. ndice MSCI de renta
variable de mercados emergentes
MSCI Barra
[Bloomberg MSEUEGFL
Index]
Depsitos en pesos
colombianos
DTF. Tasa de captacin de los
bancos a travs de CDTs a 90
das
[Bloomberg DTF RATE
Index]


4.3. Implementacin
28

El portafolio de referencia o portafolio normal que se utilizar para aplicar el MBL consta
de nueve clases de activos representativas de la composicin habitual de un FPO y aparece
en el Grfico 5. Se supondr que refleja la asignacin estratgica deseada por un FPO en
Colombia. Se asumir, como es comn en la literatura sobre el tema, que el coeficiente de
aversin al riesgo del FPO es de 3, el cual es representativo de un inversionista con un nivel
de aversin al riesgo mayor al del resto de mercado. El coeficiente se fijar en un valor de
0,025 como es comn en la literatura y en la prctica de los inversionistas extranjeros.
Ejercicios con valores diferentes pero cercanos no alteran sustancialmente los resultados.
Debido a la fuerte correlacin serial que presenta la serie mensual de la tasa DTF,
evidenciada en el Grfico 10 en el apndice 3 y constatada por la prueba de Ljung-Box, se
utiliz el procedimiento recomendado por Scherer (2007) para ajustar la serie por el efecto
de la correlacin serial. La aplicacin de dicho procedimiento logr efectivamente eliminar
la correlacin serial de la serie, tal como lo refleja el Grfico 11. Debido a lo anterior, la
nueva varianza de la serie es mayor a la original que por el efecto de la correlacin serial
estaba subestimada.

28
La aplicacin computacional se desarroll utilizando Excel 2003 de Microsoft y Visual Basic for
Applications incorporado en el mismo. Para los clculos que demandan mayor capacidad de cmputo y
manejo de matrices se utilizaron funciones especializadas de Matlab versin 7.4.0 a travs del toolbox Excel
Link.
45

Grfico 5. Composicin del portafolio de referencia para el anlisis

Al aplicar la prueba de normalidad de Jarque-Bera a las diferentes series de retornos, se
encuentra que tan solo en el caso de las acciones estadounidenses no se rechaza la hiptesis
de normalidad con un nivel de confianza del 95%
29
, como se observa en el Grfico 6. Es
importante tener en cuenta el resultado anterior a la hora de analizar los portafolios
resultantes debido a que implica que se viola uno de los supuestos del modelo. En la Tabla
3 se presenta para cada activo los retornos histricos y los retornos implcitos en el ndice
de referencia seleccionados.

Tabla 3. Vectores de retornos en exceso esperados (mensuales)
Clase de activos Histrico
p
hst

Vector de retornos de
equilibrio implcitos

Deuda local 0,43% 0,12%
Acciones locales 1,68% 0,49%
Deuda externa colombiana 0,20% 0,09%
Acciones Estados Unidos -0,97% 0,10%
Acciones internacionales -0,68% 0,15%
Acciones mercados emergentes 0,07% 0,26%
Deuda mercados emergentes 0,12% 0,05%
Ttulos del Tesoro americano -0,08% -0,08%
Depsitos locales 0,01% 0,00%

29
Sin embargo, al aplicar la prueba de Kolmogorov-Smirnov tambin se rechaza la hiptesis de normalidad
en el caso de los retornos de las acciones estadounidenses.
58%
14%
6%
4%
4%
4%
2%
6%
2%
Deuda local
Acciones locales
Deuda externa colombiana
Acciones Estados Unidos
Acciones internacionales
Acciones mercados
emergentes
Deuda mercados
emergentes
Ttulos del Tesoro americano
Depsitos locales
46

Grfico 6. Distribucin de los retornos y prueba de normalidadd

Supngase que el inversionista tiene las siguientes dos opiniones de mercado sobre el desempeo de
los activos
30
:
Opinin 1: La deuda externa colombiana tendr un retorno en exceso de 0,12% mensual (en
vez del 0,09% implcito en el ndice de referencia). La confianza del
inversionista en la opinin es de 70%.
Opinin 2: Las acciones extranjeras (Estados Unidos, pases desarrollados y mercados
emergentes) tendrn un desempeo mejor que las acciones colombianas en un
0,02% (en vez del retorno implcito de -0,32%). La confianza en la opinin es
de 60%.

La primera opinin es de tipo absoluto, mientras que la segunda es de tipo relativo. En el
Grfico 7 se puede observar cmo se ingresaran estas dos opiniones en la aplicacin
computacional desarrollada.

30
No sera inapropiado suponer que el horizonte de inversin es de un mes dado que los FPO colombianos
tienden a operar con un sesgo corto-placista; ms an ahora que los mercados financieros estn presenciando
grandes cambios estructurales.
-0.2 0 0.2
0
0.1
0.2
JB p-value= 0.00
Local debt
-0.5 0 0.5
0
0.1
0.2
JB p-value= 0.03
Local equity
-0.2 0 0.2
0
0.1
0.2
JB p-value= 0.06
Ext. debt
-0.2 0 0.2
0
0.1
0.2
JB p-value= 0.12
US equity
-0.2 0 0.2
0
0.1
0.2
JB p-value= 0.00
Intl equity
-0.5 0 0.5
0
0.1
0.2
JB p-value= 0.00
EM equity
-0.2 0 0.2
0
0.1
0.2
JB p-value= 0.03
EM debt
-0.2 0 0.2
0
0.1
0.2
JB p-value= 0.01
USTreasu.
-0.02 0 0.02
0
0.1
0.2
JB p-value= 0.00
Local CDs
47

Grfico 7. Especificacin de las opiniones del inversionista

Es decir que para este caso, se tienen las siguientes matrices P y :

P = j
u u 1
u -1 u.S1

u u u
u.S6 u.SS u

u u u
u u u
[

= j
u,uu12
u,uuu2
[
48

Utilizando el mtodo de Idzorek, se obtiene la siguiente matriz :

= j
u.u282 u
u u.1u18
[

En el caso de la primera opinin el algoritmo reduce el nivel de confianza implcito y en el
caso de la segunda lo incrementa, con el fin de que estos incorporen, adems de la
volatilidad de los portafolios, la confianza subjetiva del administrador del fondo. Lo
anterior se puede ver en la Tabla 5.

Tabla5.Niveldeconfianzaimplcitoenlasopiniones
Clase de activos Nivel de confianza
implcita inicial
Nivel de confianza
implcita final
Deuda local -- --
Acciones
locales 50,10% 58,96%
Deuda externa
colombiana 76,39% 71,70%
Acciones
Estados Unidos 50,10% 58,96%
Acciones
internacionales 50,10% 58,96%
Acciones
mercados
emergentes 50,10% 58,96%
Deuda
mercados
emergentes -- --
Ttulos del
Tesoro
americano -- --
Depsitos
locales -- --

Debido a que el ndice de consistencia para las dos opiniones es cercano a 1 y las
sensibilidades de las opiniones son cercanas a cero, las opiniones especificadas son bastante
consistentes con los retornos de equilibrio y por tanto no requieren ser ajustadas.
49

4.4. Anlisis de los resultados

En la Tabla 6 se presentan los retornos posteriores calculados con la frmula de Black-
Litterman y las correspondientes ponderaciones utilizando optimizacin no restringida.

Tabla 6. Vectores de retorno y ponderaciones resultantes
Clase de
activos
Vector de
retornos
de Black-
Litterman
p
BL

Vector de
retornos
de
equilibrio
implcitos

Diferencia
p
BL
-
Nuevas
pond.s w
BL

Pond.s de
referencia
w
mcd

Diferencia
w
BL
-
w
mcd

Deuda local 0,10% 0,12% -0,02% 58,62% 58,62% 0,00%
Acciones
locales 0,31% 0,49% -0,18% 2,46% 13,79% -11,33%
Deuda externa
colombiana 0,11% 0,09% 0,02% 8,25% 5,52% 2,73%
Acciones
Estados Unidos 0,13% 0,10% 0,03% 7,26% 3,79% 3,46%
Acciones
internacionales 0,17% 0,15% 0,02% 8,58% 4,48% 4,09%
Acciones
mercados
emergentes 0,26% 0,26% 0,00% 7,92% 4,14% 3,78%
Deuda
mercados
emergentes 0,08% 0,05% 0,03% 2,07% 2,07% 0,00%
Ttulos del
Tesoro
americano -0,04% -0,08% 0,04% 2,07% 2,07% 0,00%
Depsitos
locales 0,00% 0,00% 0,00% 5,52% 5,52% 0,00%

En la tabla anterior se observa que el retorno de la deuda externa colombiana aumenta en
comparacin al retorno implcito de equilibrio debido a la opinin positiva sobre este
activo. Consecuentemente, en el ejercicio de optimizacin sin restricciones este activo
recibe una mayor ponderacin en el portafolio en comparacin a su ponderacin inicial en
el portafolio de referencia.
Por otra parte, se ve que debido a la segunda opinin, el retorno de Black-Litterman para
las acciones locales es menor que el de equilibrio. Lo mismo sucede para la deuda local que
50

est medianamente correlacionada con las acciones locales. Las acciones de Estados
Unidos e internacionales, por su parte, aumentan su retorno esperado como consecuencia de
la segunda opinin alcista en estos activos. Como resultado final de esta opinin, las
ponderaciones de las acciones extranjeras subieron mientras que la participacin de las
locales disminuy fuertemente. Las ponderaciones del resto de activos que no hacen parte
de las opiniones permanecen iguales.
Para tener en cuenta el rgimen de inversin de los FPO es necesario realizar un ejercicio
de optimizacin restringida en donde se tenga en cuenta estas limitaciones legales que
enfrentan los FPO a la hora de invertir. Para ello se utiliza el optimizador de media-
varianza propuesto por Markowitz introducindole los retornos de Black-Litterman y la
covarianza posterior.
En el Grfico 8 se presenta la composicin de veinte portafolios que hacen parte de la
frontera eficiente calculada a partir del enfoque tradicional (i.e., utilizando los retornos
histricos), mientras que en el Grfico 9 se presenta la composicin de los portafolios que
se obtienen utilizando el enfoque de Black-Litterman.

Grfico 8. Composicin de los portafolios de la frontera eficiente - Enfoque
tradicional

Asset allocation - Traditional approach
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Portfolio
C
o
m
p
o
s
i
t
i
o
n
Local CDs
USTreasu.
EM debt
EM equity
Intl equity
US equity
Ext. debt
Local equity
Local debt
51

Grfico 9. Composicin de los portafolios de la frontera eficiente. Enfoque de Black-

Litterman


Como se puede apreciar al comparar estos dos grficos, el enfoque tradicional produce
portafolios poco diversificados a lo largo de la frontera eficiente. El enfoque de Black-
Litterman, por el contrario, genera portafolios mucho ms diversificados, asignando
participaciones a un mayor nmero de activos del universo de inversin. De igual modo, el
enfoque de Black-Litterman logra incorporar las expectativas del administrador del fondo,
produciendo de esta forma portafolios ms intuitivos. Lo anterior concuerda con los
resultados comnmente citados en estudios aplicados a los mercados internacionales.
Es difcil medir el desempeo relativo de ambos enfoques en trminos de resultados finales
porque, como lo expresa Black y Litterman (1992), la metodologa BL no produce en s
misma estrategias de inversin y, debido a que requiere un conjunto de opiniones, cualquier
simulacin no es solamente una prueba sobre el modelo sino tambin de la estrategia que
produce las opiniones.
Asset allocation - BL approach
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Portfolio
C
o
m
p
o
s
i
t
i
o
n
Local CDs
USTreasu.
EM debt
EM equity
Intl equity
US equity
Ext. debt
Local equity
Local debt
52

5. CONCLUSIONES
El MBL es una herramienta de construccin de portafolios muy til particularmente para
aquellos portafolios administrados por estrategas, como debera ser en el caso de los fondos
de pensiones. El mayor beneficio del MBL es enfrentar los problemas tradicionales en las
decisiones de inversin de una manera sistemtica y transparente. El MBL se enfoca en
aspectos del proceso de inversin que son controlables y hace recomendaciones tcticas
disciplinadas consistentes con las expectativas del inversionista.
El administrador de portafolios debe usar el modelo de forma iterativa hasta que los
resultados sean razonables y coherentes con sus expectativas. El procedimiento de
optimizacin inversa sirve como un instrumento de calibracin. La idea es utilizar un
instrumento de calibracin imperfecto de manera consistente y fijarse en las diferencias. De
igual forma, el modelo permite al administrador tener una idea clara de qu opiniones
representa su portafolio.
En el caso de los FPO colombianos, la aplicacin del MBL produce, al igual que en los
mercados externos, portafolios ms diversificados e intuitivos que los que se obtienen
aplicando la metodologa tradicional. A pesar de las imperfecciones del mercado local y de
los consecuentes supuestos que se tienen que hacer, el MBL constituye una herramienta til
de apoyo a las decisiones de inversin estratgicas de los FPO.
Durante los ltimos aos se han propuesto varias extensiones al MBL original. Herold
(2003) propone un modelo capaz de procesar inputs cualitativos. Adems provee un
conjunto de herramientas de diagnstico que ayudan a analizar si las opiniones son
consistentes entre s y a determinar si son implementadas adecuadamente en un portafolio
dado
31
. Cheung (2008) y Meucci (2008b) explican cmo se pueden utilizar modelos
factoriales de proyeccin de retornos junto con el MBL. La extensin propuesta por Quian
y Gorman (1999) permite tambin al inversionista expresar opiniones sobre las
volatilidades y correlaciones de los retornos de los activos. Zhou (2008) presenta una
modificacin que permite tener en cuenta en el clculo de los retornos esperados, adems

31
Gordon (2006) aplica una variacin de esta metodologa a portafolios reales.
53

del equilibrio de mercado y las expectativas de mercado, los retornos histricos de los
activos con el fin de explotar toda la informacin disponible.
Por otra parte, algunos autores han criticado el supuesto de normalidad implcito en el
modelo original y han propuesto posibles soluciones. Futuras investigaciones podran
evaluar estas propuestas dado que, como se observ, los activos en los que invierten los
FPO colombianos violan el supuesto de normalidad. Por ejemplo, Meucci (2006) propone
una metodologa basada en copula-opinion pooling para expresar las proyecciones de los
analistas teniendo en cuenta distribuciones diferentes a la normal. Giaccometti et al. (2005)
tambin intentan relajar el supuesto de normalidad adaptando el modelo original a otro tipo
de distribuciones. Martellini y Ziemann (2007) propone una estructura que permite tener en
cuenta momentos ms altos de la distribucin de retornos. Sin embargo, su propuesta es
adecuada principalmente para fondos de cobertura con grandes posiciones en instrumentos
derivados. Scherer y Martin (2005) propone la metodologa de Markov Chain Monte Carlo
(MCMC) para lograr resultados ms acordes con la distribucin emprica de los retornos.
Ghezzi et al. (2006) sostienen que el MBL en realidad no soluciona las limitaciones del
enfoque de media-varianza sino que trata de esquivarlas sin mayor cambio a la estructura.
Ellos incorporan modificaciones basadas en la teora aleatoria de matrices (RMT) y en
modelos de cambio de rgimen para atacar directamente el problema. Su modelo es
adecuado principalmente para fondos de inversin especializados en mercados emergentes.
Pzier (2007) propone un mtodo basado en el proceso de discriminacin mnima para
facilitar la tarea de expresar el conocimiento en enunciados probabilsticos.
Por ltimo, otras investigaciones podran tratar de adaptar el modelo a la eventual
adopcin del esquema de multifondos por parte de los FPO colombianos y utilizar dual-
benchmark optimization para que junto con el portafolio de referencia se tenga en cuenta
las asignaciones del peer-group. Otra lnea de investigacin consiste en incorporar avances
del campo de las finanzas comportamentales para ayudar a los administradores de los
fondos a expresar la confianza en sus opiniones de manera adecuada evitando sesgos
sicolgicos, como el de sobreconfianza. Tambin se podra intentar mejorar el mtodo de
Idzorek para que sea ms robusto y acepte que un activo sea incluido en ms de una
opinin.
54

REFERENCIAS
Baker-Said, S. (2008) Flight of the Black Swan, Bloomberg Markets, May.
Black, F. and Litterman, R. (1991) Global Asset Allocation with Equities, Bonds, and
Currencies, Fixed Income Research, Goldman Sachs.
Black, F. and Litterman, R. (1992) Global Portfolio Optimization, Financial Analysts
Journal, September-October, 28-43.
Blamont, D. and Firoozye, N. (2003a) Stubborn Bayes, US Fixed Income Weekly, 31
October, Deutsche Bank.
Blamont, D. and Firoozye, N. (2003b) Bayesian Asset Allocation: Black-Litterman, Fixed
Income Weekly, 12 December, Deutsche Bank.
Bevan, A. and Winkelmann, K. (1998) Using the Black-Litterman Global Asset Allocation
Model: Three Years of Practical Experience, Fixed Income Research, Goldman Sachs.
Castillo, M. (2006) Toma de Decisiones en las Empresas: entre el arte y la tcnica,
UniAndes, Bogot.
Cheung, W. (2007) The Black-Litterman Model Explained, (parts I, II, and III), Lehman
Brothers, Equity Quantitative Analytics.
Cornuejols, G. and Ttnc, R. (2007) Optimization Methods in Finance, Cambridge
University Press.
Drobetz, W. (2001) How to Avoid the Pitfalls in Portfolio Optimization? Putting the
Black-Litterman Approach at Work, Financial Markets and Portfolio Management,
Vol. 15, 1, 59-75.
Fabozzi, F.; Focardi, S. and Kolm, P. (2006) Incorporating Trading Strategies in the
Black-Litterman Framework, The Journal of Trading, Spring, 28-37.
Fabozzi, F., Kolm, P., Pachamanova, D., Focardi, S. (2007) Robust Portfolio Optimization
and Management, Wiley, New Jersey.
55

Fok, H. and Benzschawel, T. (2007) Asset Allocation Using the Black-Litterman Model,
Quantitative Credit Analyst, Citigroup.
Fusai, G. Meucci, A. (2003) Assessing Views, Risk Magazine, 16.
Ghezzi, P., Jones, G. and Oliveira, R. (2006) On the Optimal Allocation of EM Risk:
bridging the gap between academics and practitioners, Deutsche Bank.
Giacometti, R., Bertocchi, M., Rachev, S., and Fabozzi, F. (2005) Stable Distributions in
the Black-Litterman Approach to the Asset Allocation, working paper.
Gmez, C.; Jara, D. y Pardo, A. (2005) Anlisis de Eficiencia de los Portafolios
Pensionales Obligatorios en Colombia, Borradores de Economa, Banco de la
Repblica, Septiembre.
Gordon, D. (2007) Tactical and Strategic Asset Allocation Model, SA Stratagem, 06
March, JPMorgan.
Grinold, r. (2006) Domestic Grapes from Imported Wine, Journal of Portfolio
Management, special issue.
Grinold, R. & Kahn, R. (2000) Active Portfolio Management: A Quantitative Approach for
Providing Superior Returns and Controlling Risk, McGraw-Hill, New York.
He, G. and Litterman, R. (1999) The Intuition Behind Black-Litterman Model Portfolios,
Goldman Sachs Quantitative Resources Group.
Herold, U. (2003) Portfolio Construction with Qualitative Forecasts, The Journal of
Portfolio Management, Fall, 61-72.
Herold, U. (2005) Computing Implied Returns in a Meaningful Way, Journal of Asset
Management, volume 6, number 1.
Idzorek, T. (2002) Portfolio Optimizer Overview disponible en
http://faculty.fuqua.duke.edu/~charvey/Teaching/BA453_2006/Portfolio_optimizer_ov
erview.doc.
56

Idzorek, T. (2004) A Step-By-Step Guide to the Black-Litterman Model: Incorporating

user specified confidence levels, Zephyr Associates.
Jara, D., Gomez, C. y A. Pardo, (2005) Anlisis de eficiencia de los portafolios
pensionales obligatorios en Colombia, Borradores de Economa, Banco de la
Repblica, Septiembre.
Jara, D. (2006a) Modelo de Regulacin de las AFP en Colombia y su Impacto en el
Portafolio de los Fondos de Pensiones, Borradores de Economa, Banco de la
Repblica, Octubre.
Jara D. (2006b) Propuestas dirigidas a mejorar la eficiencia de los fondos de pensiones,
Documento presentado a la Junta Directiva del Banco de la Repblica, Banco de la
Repblica, septiembre 29.
Jones, R.; Lim, T. and Zangari, P. (2007) The Black-Litterman Model for Structured
Equity Portfolios, The Journal of Portfolio Management, Winter, 24-33.
Khodadadi, A.; Ttnc, R. And Zangari, P. (2006) Optimisation and Quantitative
Investment Management, Journal of Asset Management, Volume 7, 2, 83-92.
Kritzman, M. (2006) Are Optimizers Error Maximizers?, Journal of Portfolio
Management, summer, 66-69.
Lee, W. (2000) Theory and Methodology of Tactical Asset Allocation, Frank J. Fabozzi
Associates, Pennsylvania.
Len, C. y Laserna, J.M. (2008) Asignacin Estratgica de Activos para Fondos de
Pensiones Obligatorias en Colombia: Un Enfoque Alternativo, Borradores de
Economa, Banco de la Repblica, N. 523.
Litterman, R. (ed.) (2003) Modern Investment Management: An Equilibrium Approach,
John Wiley, New Jersey.
Lummer, S., M. Riepe y L. Siegel (1994) Taming Your Optimizer: a guide through the
pitfalls of mean-variance optimization, Ibbotson Associates.
57

Maginn, J., D. Tuttle, D. McLeavey y J. Pinto (2005) Managing Investment Portfolios: A

Dynamic Process, CFA Institute.
Mankert, C. (2006) The Black-Litterman Model: mathematical and behavioural finance
approaches towards its use in practice, Thesis, Royal Institute of Technology, Sweden.
Markowitz, H. (1952) Portfolio Selection, The Journal of Finance, 7 (1), 77-91.
Markowitz, H. (2000) Mean-Variance Analysis in Portfolio Choice and Capital Markets,
Frank J Fabozzi Associates, Pennsylvania.
Martellini, L. and Ziemann, V. (2007) Extending Black-Litterman Analysis Beyond the
Mean-Variance Framework, Journal of Portfolio Management, summer, 33.
Martnez, O. y Murcia, A. (2007) Desempeo Financiero de los Fondos de Pensiones
Obligatorias en Colombia, Banco de la Repblica, Reporte de Estabilidad Financiera,
Marzo.
Mauboussin, M. (2007) More Than You Know: Finding Financial Wisdom in
Unconventional Places, Columbia Business School Publishing.
Meucci, A. (2008a) The Black-Litterman Approach: original model and extensions.
Meucci, A. (2008b) Enhancing the Black-Litterman and Related Approaches: views and
stress-test on risk factors
Meucci, A. (2006) Beyond Black-Litterman: views on non-normal markets, RISK,
February.
Meucci, A. (2005) Risk and Asset Allocation, Springer, New York.
Pzier, J. (2007) Global Portfolio Optimization Revisited: A least discrimination
alternative to Black-Litterman, ICMA Centre Discussion Papers in Finance, University
of Reading.
Quian, E. And Gorman, S. (2001) Conditional Distribution in Portfolio Theory, Financial
Analysts Journal, March-April.
58

Rachev, S., Hsu, J., Bagasheva, B. and Fabozzi, F. (2008) Bayesian Methods in Finance,
Wiley, New Jersey.
Reveiz, A. y Len, C. (2008a) ndice representativo del mercado de deuda pblica interna:
IDXTES, Borradores de Economa, No. 488, Banco de la Repblica.
Reveiz, A. y Len, C. (2008b) Administracin de Fondos de Pensiones y Multifondos en
Colombia, Borradores de Economa, No. 506, Banco de la Repblica.
Reveiz, A., Len, C., Laserna, M. Martnez, I. (2008) Recomendaciones para la
modificacin del rgimen de pensiones obligatorias de Colombia, Borradores de
Economa, No. 507, Banco de la Repblica.
Robert, C. (2007) The Bayesian Choice, Springer, New York.
Satchell, S. and Scowcroft, A. (2000) A Demystification of the Black-Litterman Model:
Managing Quantitative and Traditional Portfolio Construction, Journal of Asset
Management, Vol. 1, 2, 138-150.
Scherer, B. (2007) Portfolio Construction and Risk Budgeting, Riskbooks, Navarra.
Scherer, B. and Douglas, M. (2005) Introduction to Modern Portfolio Optimization with
NuOPT
TM
, S-Plus

, and S
+
Bayes
TM
, Springer, New York.
Sharpe, W. (2007) Expected Utility Asset Allocation, Financial Analysts Journal,
Volume 63, number 5.
Siokos, S. (2000) An Introduction to Reverse Optimization, Global Portfolio Trading
Strategies, Salomon Smith Barney.
Walters, J. (2008) The Black-Litterman Model: A detailed exploration, working paper.
Walters, J. (2009) The Black-Litterman Model: A literature survey, working paper.
Zhou, G. (2008) An Extension of the Black-Litterman Model: Letting the data to speak,
working paper, Washington University in St. Louis.

59

APNDICE 1
Asumiendo que el CAPM es vlido se tiene que
= [(R
M
-r
]
)
en donde
[ = Co:(R, R'w
mcd
) o
M
2

es decir que,
=
Co(R,R
|
w
mcd
)
c
M
2
(R
M
-r
]
)

Si = Co:(R, R') y o =
R
M
-R
]
c
M
2

entonces
= ow

Por el contrario, si se utiliza la optimizacin inversa se puede partir de la funcin de
utilidad cuadrtica
u = w
i
-
1
2
ow'w

Si se mxima esta utilidad sin restricciones se encuentra una solucin analtica debido a que
la funcin es cncava. Para esto se deriva la funcin con respecto a las ponderaciones de
los activos y se iguala a cero

Ju
Jw
= -ow = u

Resolviendo para el vector de retornos de equilibrio se obtiene

= ow

que es igual a lo obtenido con el otro enfoque.

60

APNDICE 2
A continuacin se presenta la derivacin del MBL con base en la tcnica economtrica
llamada estimacin mixta que utiliza el estimador de mnimos cuadrados generalizados
para calcular el retorno esperado BL, p
BL
.
Primero, se parte de la especificacin del equilibrio de mercado
= p +e
H
, e
H
~N(u, )
y de las expectativas del inversionista
= Pp +e

, e
H
~N(u, )
Estas dos ecuaciones se pueden expresar de la forma
y = Xp +e , e~N(u, I)
donde
y = _

_ , X = j
I
P
[ , I = j

[
Al calcular el estimador de mnimos cuadrados generalizados para se obtiene que
p
BL
= (X'I
-1
X)
-1
X'I
-1
y
p
BL
= _|
I P'
] _
()
-1

-1
_ j
I
P
[]
-1
|
I P'
]
-1
_
()
-1

-1
_ _

_
p
BL
= _|
I P'
] _
()
-1

-1
P
_]
-1
|
I P'
]
-1
_
()
-1

-1

_
p
BL
= |()
-1
+P'
-1
P]
-1
|()
-1
+P'
-1
]
La ltima frmula representa los retornos esperados de Black-Litterman que combinan el
equilibrio de mercado y las expectativas del inversionista.


61

APNDICE 3

Grfico 10. Funcin de autocorrelacin de la serie de la tasa DTF sin
ajustar

Prueba de Ljung-Box: p-value = 0, Qstat = 212.4184, valor crtico = 31.4104
Grfico 11. Funcin de autocorrelacin de la serie de la tasa DTF
ajustada

Prueba de Ljung-Box: p-value = 0,6333, Qstat = 17.3018, valor crtico = 31.4104
0 2 4 6 8 10 12 14 16 18 20
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
rezago
a
u
t
o
c
o
r
r
e
l
a
c
i

n
0 2 4 6 8 10 12 14 16 18 20
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
rezago
a
u
t
o
c
o
r
r
e
l
a
c
i