Cómo la diversificación reduce el riesgo matemáticamente: las ecuaciones detrás de carteras más inteligentes • Investing.ad

La diversificación no es un eslogan. Es álgebra.

Riesgo, como lo entienden los matemáticos: varianza y desviación estándar

Cuando los inversores dicen “riesgo”, a menudo se refieren a la incertidumbre de los rendimientos. En los modelos de decisión, la forma clásica de cuantificar esa incertidumbre es con la varianza (o su raíz cuadrada, la desviación estándar).

Sea la rentabilidad de un activo único durante un periodo una variable aleatoria (R). Su rendimiento esperado es:

[ \mu = \mathbb{E}[R] ]

Su varianza es:

[ \sigma^2 = \mathbb{E}\left[(R-\mu)^2\right] ]

La desviación estándar es:

[ \sigma = \sqrt{\sigma^2} ]

La varianza es conveniente porque es aditiva de una forma que expone el ingrediente clave detrás de la diversificación: la covarianza. La desviación estándar es más intuitiva (está en “unidades de rendimiento”), pero la covarianza se comporta de forma ordenada en las ecuaciones.

El rendimiento de la cartera es una suma ponderada — así que su varianza no lo es

Una cartera de (n) activos asigna pesos (w_1,\dots,w_n) (normalmente sumando 1). Rendimiento de la cartera:

[ R_p = \sum_{i=1}^{n} w_i R_i ]

El rendimiento esperado es lineal:

[ \mathbb{E}[R_p] = \sum_{i=1}^{n} w_i \mathbb{E}[R_i] ]

Esa parte es sencilla: la diversificación no cambia mágicamente la rentabilidad esperada media ponderada.

Pero la varianza es donde aparece el efecto real:

[ \mathrm{Var}(R_p) = \mathrm{Var}\left(\sum_{i=1}^{n} w_i R_i\right) ]

Al expandir obtenemos:

[ \sigma_p^2 = \sum_{i=1}^{n}\sum_{j=1}^{n} w_i w_j \mathrm{Cov}(R_i, R_j) ]

Esta suma doble es toda la historia. Contiene:

Los términos de riesgo individual donde (i=j): (w_i^2\sigma_i^2)
Los términos de interacción donde (i\neq j): (w_i w_j \mathrm{Cov}(R_i, R_j))

Así que la varianza de la cartera no es simplemente una media ponderada de varianzas; incluye estos términos cruzados, y pueden reducir el riesgo total.

Covarianza y correlación: las palancas que mueve la diversificación

La covarianza entre los activos (i) y (j):

[ \mathrm{Cov}(R_i,R_j) = \mathbb{E}\left[(R_i-\mu_i)(R_j-\mu_j)\right] ]

La correlación reescaliza la covarianza:

[ \rho_{ij} = \frac{\mathrm{Cov}(R_i,R_j)}{\sigma_i\sigma_j} \quad\Rightarrow\quad \mathrm{Cov}(R_i,R_j) = \rho_{ij}\sigma_i\sigma_j ]

La correlación es más fácil de interpretar:

(\rho=1): se mueven perfectamente juntas
(\rho=0): no hay relación lineal
(\rho=-1): se mueven perfectamente en sentido opuesto (raro en mercados reales, pero matemáticamente potente)

Sustituir la correlación en la varianza de la cartera hace explícita la mecánica de la diversificación:

[ \sigma_p^2 = \sum_{i=1}^{n} w_i^2\sigma_i^2

\sum_{i\neq j} w_i w_j \rho_{ij}\sigma_i\sigma_j ]

Esos términos fuera de la diagonal son el “motor de reparto del riesgo”. Una correlación menor implica términos cruzados más pequeños (o negativos), lo que reduce la varianza total.

La demostración más clara: una cartera de dos activos

Toma dos activos con pesos (w) y (1-w), volatilidades (\sigma_1,\sigma_2) y correlación (\rho). La varianza de la cartera:

[ \sigma_p^2 = w^2\sigma_1^2 + (1-w)^2\sigma_2^2 + 2w(1-w)\rho\sigma_1\sigma_2 ]

Tres casos muestran por qué funciona la diversificación.

Caso 1: correlación ( \rho = 1 ) (sin beneficio de diversificación)

[ \sigma_p^2 = \left(w\sigma_1 + (1-w)\sigma_2\right)^2 ]

Así que (\sigma_p) se convierte en la media ponderada de las volatilidades. No puedes “diversificar” nada porque ambos activos actúan como la misma apuesta subyacente.

Caso 2: correlación ( \rho = 0 ) (beneficio parcial clásico)

[ \sigma_p^2 = w^2\sigma_1^2 + (1-w)^2\sigma_2^2 ]

El término cruzado desaparece. El riesgo es menor que en el caso (\rho=1) para la mayoría de las combinaciones de pesos porque no estás pagando la penalización de “moverse juntos”.

Caso 3: correlación ( \rho < 0 ) (beneficio tipo cobertura)

Ahora el término cruzado es negativo:

[ 2w(1-w)\rho\sigma_1\sigma_2 < 0 ]

Resta de la varianza. Si la correlación es suficientemente negativa y los pesos se eligen correctamente, puedes reducir la varianza de forma notable—en ocasiones incluso acercarla a cero en condiciones idealizadas.

El peso de mínima varianza (dos activos) y lo que significa

Si quieres la combinación menos volátil de los dos activos, deriva (\sigma_p^2) respecto a (w) y resuelve. El peso de mínima varianza para el activo 1 es:

[ w^* = \frac{\sigma_2^2 - \rho\sigma_1\sigma_2}{\sigma_1^2 + \sigma_2^2 - 2\rho\sigma_1\sigma_2} ]

Esta fórmula parece de las que prefieres no conocer en una fiesta, pero es intuitiva:

Un (\sigma_1) mayor tiende a reducir (w^*)
Un (\sigma_2) mayor tiende a aumentar (w^*)
Una (\rho) menor (menos covarianza) cambia el equilibrio, a menudo permitiendo más asignación al activo más arriesgado sin aumentar tanto el riesgo total como esperarías

En otras palabras, el riesgo no es solo cuánto rebota cada activo. También es cómo coinciden esos rebotes.

Diversificar es sobre la matriz de covarianza, no sobre el número de activos

Un error común es: “Más activos significa menos riesgo.” A veces es así, pero las matemáticas dicen que el objeto real que diversificas es la estructura de covarianza.

Sea ( \mathbf{w} ) el vector de pesos y ( \Sigma ) la matriz de covarianza (donde la entrada ( \Sigma_{ij}=\mathrm{Cov}(R_i,R_j) )). La varianza de la cartera se convierte en una forma cuadrática compacta:

[ \sigma_p^2 = \mathbf{w}^\top \Sigma \mathbf{w} ]

Por eso la construcción seria de carteras habla de:

estimar (\Sigma),
controlar exposiciones a correlaciones,
y someter a pruebas de estrés los cambios de covarianza.

Puedes tener 50 activos que estén todos altamente correlacionados y acabar con algo que se comporte como una única posición concentrada.

Un experimento mental concreto de “ponderación igual” con muchos activos

Para ver cómo escala la diversificación, considera (n) activos con:

volatilidad idéntica (\sigma),
correlación par a par idéntica (\rho),
pesos iguales (w_i = 1/n).

Entonces la varianza de la cartera se simplifica a:

[ \sigma_p^2 = \sigma^2\left(\rho + \frac{1-\rho}{n}\right) ]

Esta única ecuación es la favorita de los modeladores de decisión porque separa dos componentes:

Parte no diversificable: (\sigma^2\rho)
Parte diversificable: (\sigma^2\frac{1-\rho}{n})

Cuando (n\to\infty):

[ \sigma_p^2 \to \sigma^2\rho ]

Así que el riesgo no llega a cero salvo que (\rho=0). Si la correlación media es positiva—como suele ocurrir en renta variable—hay un piso. Ese “piso” es la versión matemática del riesgo de mercado.

Esto también explica por qué la diversificación impresiona en mercados tranquilos pero puede decepcionar durante caídas generales: las correlaciones suelen subir, elevando (\rho) y elevando el suelo de riesgo.

Riesgo sistemático vs idiosincrático: la separación algebraica

Los textos de finanzas a menudo dividen el riesgo en:

Riesgo idiosincrático: ruido específico del activo que puedes diversificar
Riesgo sistemático: movimiento compartido impulsado por factores comunes

La fórmula de correlación igual anterior es básicamente esa separación en forma numérica. Pero puedes hacerlo más explícito con un modelo de un solo factor (básico en modelos de decisión y sistemas de riesgo):

[ R_i = \alpha_i + \beta_i F + \varepsilon_i ]

Donde:

(F) es el factor común (por ejemplo, la rentabilidad del mercado),
(\beta_i) es la sensibilidad al factor,
(\varepsilon_i) es ruido idiosincrático con (\mathbb{E}[\varepsilon_i]=0) y típicamente baja correlación cruzada entre activos.

Para una cartera:

[ R_p = \alpha_p + \beta_p F + \varepsilon_p ]

La varianza se convierte en:

[ \sigma_p^2 = \beta_p^2\sigma_F^2 + \sigma_{\varepsilon_p}^2 ]

La diversificación ataca principalmente ( \sigma_{\varepsilon_p}^2 ) promediando el ruido independiente entre las posiciones. Pero si la cartera tiene un (\beta_p) significativo, el término (\beta_p^2\sigma_F^2) permanece. Ese es el núcleo sistemático que no puedes borrar simplemente añadiendo más activos similares.

_{Photo by Thomas T on Unsplash}

La geometría de la diversificación: por qué la frontera eficiente es curva

Si el rendimiento esperado es lineal en los pesos y la varianza es cuadrática, entonces trazar las carteras en el espacio riesgo-rendimiento produce una curva, no una línea. Esa curva es la frontera eficiente en la teoría moderna de carteras.

La curvatura viene de la covarianza. Con correlaciones inferiores a la perfecta, mezclar activos crea carteras que se sitúan “noroeste” de las medias simples: para la misma rentabilidad esperada, puedes obtener menos riesgo; para el mismo riesgo, puedes obtener mayor rentabilidad esperada.

Esto no es un póster motivacional; es literalmente la forma de una forma cuadrática bajo restricciones lineales.

En términos de optimización, el problema clásico de mínima varianza es:

Minimizar: [ \mathbf{w}^\top \Sigma \mathbf{w} ]

Sujeto a: [ \sum_{i=1}^n w_i = 1 ] (y a menudo restricciones como (w_i\ge 0) para prohibir posiciones cortas)

Añade una restricción de rentabilidad esperada objetivo ( \mathbf{w}^\top \mu = \mu_p ), y trazas la frontera.

Un punto clave para los practicantes: la frontera eficiente solo es tan fiable como tus estimaciones de (\mu) y (\Sigma). Las matemáticas son elegantes; los insumos son desordenados.

Por qué “diversificar por número de sectores” puede fallar: agrupamiento de correlaciones

La correlación no es estática. Se agrupa por régimen:

En expansiones, las correlaciones entre activos riesgosos pueden ser moderadas.
En pánicos, las correlaciones suelen subir cuando los inversores venden en bloque.

Matemáticamente, esto significa que la matriz de covarianza (\Sigma) es dependiente del tiempo:

[ \Sigma = \Sigma(t) ]

y a veces dependiente del estado:

[ \Sigma = \Sigma(\text{regime}) ]

Si tu diversificación se basa en una estimación de baja correlación de periodos tranquilos, tu modelo subestimará el riesgo cuando las condiciones cambien. Por eso los equipos de riesgo realizan pruebas de estrés: reemplazan las correlaciones “normales” por correlaciones de crisis y recalculan (\mathbf{w}^\top \Sigma \mathbf{w}).

La lección de diversificación sigue siendo la misma, pero se vuelve condicional: la diversificación reduce el riesgo respecto a lo que sería de otro modo, pero cuánto depende de la correlación cuando más importa.

La concentración aparece como pesos al cuadrado: un término silencioso pero brutal

Mira de nuevo la expresión general de varianza:

[ \sigma_p^2 = \sum_{i} w_i^2\sigma_i^2 + \sum_{i\neq j} w_i w_j \mathrm{Cov}_{ij} ]

La primera suma usa pesos al cuadrado. Elevar al cuadrado castiga la concentración. Si un peso domina, (w_i^2) se hace grande y la varianza de la cartera se ve arrastrada hacia arriba, incluso si el resto de las posiciones está “diversificado”.

Esta es una de las razones por las que la ponderación igual a veces sorprende a los inversores: reduce la concentración mecánicamente, disminuyendo el impacto de los términos con pesos al cuadrado. Pero tampoco es magia: si las correlaciones son altas, los términos cruzados siguen dominando.

Un concepto relacionado es el Índice Herfindahl-Hirschman (HHI) usado en otros campos para medir concentración:

[ \text{HHI} = \sum_{i=1}^{n} w_i^2 ]

En un modelo simple con volatilidades idénticas y correlaciones cero, la varianza de la cartera es proporcional al HHI. Cartera más concentrada → HHI mayor → mayor riesgo.

Diversificación según horizontes temporales: cuando las correlaciones cambian con la frecuencia

La correlación depende del intervalo de muestreo:

Las correlaciones diarias pueden diferir de las mensuales.
El ruido microestructural intradía puede distorsionar relaciones de alta frecuencia.
Los factores macro aparecen con más fuerza en horizontes largos.

En términos matemáticos, si los rendimientos se agregan:

[ R^{(k)} = \sum_{t=1}^{k} r_t ]

la covarianza de los rendimientos agregados escala con el tiempo, pero no siempre de forma perfectamente simple una vez que incluyes autocorrelación, agrupamiento de volatilidad o negociación no sincrónica.

Para modelos de decisión a largo plazo (carteras de retiro, fundaciones), la (\Sigma) relevante puede ser una estimación a baja frecuencia. Para sistemas de trading, puede ser rodante y de alta frecuencia. La diversificación sigue siendo reducción de covarianza—pero la covarianza que reduces es específica del horizonte.

El coste oculto: error de estimación y por qué lo “óptimo” puede ser frágil

Las carteras de mínima varianza y las optimizadas en media-varianza dependen de (\Sigma^{-1}) (la matriz inversa de covarianza) en sus soluciones. Ahí es donde las cosas pueden volverse inestables.

Pequeños errores en las estimaciones de covarianza pueden producir grandes oscilaciones en la inversa. En práctica esto conduce a:

pesos extremos,
apuestas poco intuitivas,
“latigazos del optimizador” donde las asignaciones cambian drásticamente tras pequeñas actualizaciones de datos.

Los modelos de decisión suelen domar esto usando:

estimadores de shrinkage para la covarianza (empujando estimaciones ruidosas hacia un objetivo estructurado),
modelos factorales (reduciendo la dimensionalidad),
restricciones (como topes de peso),
optimización robusta (planificando la incertidumbre en (\mu) y (\Sigma)).

Las matemáticas de la diversificación siguen siendo correctas; el reto es medir los ingredientes con suficiente precisión para actuar en consecuencia.

Un ejemplo numérico práctico (sin retórica)

Supongamos dos activos con:

(\sigma_1 = 20%)
(\sigma_2 = 20%)
pesos iguales (w=0.5)

Entonces:

[ \sigma_p^2 = 0.5^2(0.2^2)+0.5^2(0.2^2)+2(0.5)(0.5)\rho(0.2)(0.2) ] [ = 0.25(0.04)+0.25(0.04)+0.5\rho(0.04) ] [ = 0.01+0.01+0.02\rho ] [ = 0.02(1+\rho) ]

Así que:

Si (\rho=1): (\sigma_p^2=0.04), (\sigma_p=20%) (sin beneficio)
Si (\rho=0): (\sigma_p^2=0.02), (\sigma_p\approx14.14%)
Si (\rho=-0.5): (\sigma_p^2=0.01), (\sigma_p=10%)

Mismos dos activos. Misma volatilidad individual. Mismos pesos. El riesgo cambia dramáticamente solo cambiando la correlación. Esa es la diversificación matemáticamente, sin historias.

Modelos de decisión: la diversificación como elección bajo incertidumbre

En términos de modelos de decisión, la selección de cartera es una elección con restricciones bajo resultados inciertos. El marco media-varianza es una forma de formalizarlo:

Maximizar utilidad como: [ U \approx \mathbb{E}[R_p] - \frac{\lambda}{2}\sigma_p^2 ]

donde (\lambda) es la aversión al riesgo.

La diversificación importa porque reduce (\sigma_p^2) para una (\mathbb{E}[R_p]) dada, aumentando la utilidad sin requerir supuestos de mayor rentabilidad esperada. El parámetro de preferencia del inversor (\lambda) decide cuánto vale esa reducción, pero la mecánica viene de (\mathbf{w}^\top \Sigma \mathbf{w}).

Ese es el silencioso poder de las matemáticas: convierte “no pongas todos los huevos en la misma cesta” en un intercambio explícito que se puede calcular, optimizar, someter a pruebas de estrés y debatir en números.

Herramientas que usan los inversores (y lo que realmente hacen matemáticamente)

Muchos “productos” de cartera son solo distintas formas de elegir ( \mathbf{w} ) dada una visión de ( \mu ) y ( \Sigma ). Algunos enfoques comunes:

Index Funds
Approximan un portafolio de mercado, aceptando efectivamente la estructura de covarianza del mercado y centrándose en una exposición amplia. Matemáticamente, los pesos son reglas, no una optimización.
Target-Date Funds
Cambian los pesos a lo largo del tiempo (una glide path). El modelo de decisión es dinámico: ( \mathbf{w}(t) ) evoluciona, típicamente desplazándose hacia activos de menor volatilidad conforme se acorta el horizonte.
Risk Parity Portfolios
Eligen pesos para que cada activo contribuya de forma similar al riesgo total. La contribución al riesgo involucra la matriz de covarianza: [ \text{Marginal contribution} \propto (\Sigma \mathbf{w})_i ] Es diversificación enmarcada como igualar contribuciones de varianza, no dólares.
Minimum-Variance Funds
Minimizar directamente ( \mathbf{w}^\top \Sigma \mathbf{w} ) bajo restricciones. Todo el argumento es diversificación consciente de la covarianza.
Managed Futures / Trend Strategies
A menudo diversifican entre clases de activos y señales de series temporales. Su valor frecuentemente proviene de correlaciones que se comportan de forma diferente en crisis—otra vez, una historia de covarianza, aunque se venda como “alfa de crisis”.

Cada uno es una respuesta distinta a la misma pregunta matemática: ¿cómo seleccionamos pesos para que los términos de interacción (covarianzas) no nos saboteen?

Dónde deja de ayudar la diversificación: picos de correlación y exposición a factores compartidos

Si una cartera está construida mayormente con activos que comparten el mismo factor dominante—por ejemplo, crecimiento global—entonces la estructura de correlación lo reflejará. En el modelo de factores:

[ R_i = \alpha_i + \beta_i F + \varepsilon_i ]

Si la mayoría de las (\beta_i) son positivas y considerables, entonces (\beta_p) también será positiva, y la varianza sistemática dominará:

[ \sigma_p^2 \approx \beta_p^2\sigma_F^2 ]

En ese punto, añadir más activos básicamente añade más términos (\varepsilon_i) para promediar, pero no cambia el gran motor. Has diversificado los nombres, no los factores. Matemáticamente, redujiste algo de ruido diagonal; no alteraste el núcleo de covarianza común.

Por eso la diversificación real suele ser diversificación entre factores: mezclar activos con distintas sensibilidades a inflación, tipos, crédito, crecimiento, liquidez y regímenes de divisas—porque esos son los ingredientes que conforman (\Sigma) cuando llega el estrés.

La conclusión matemática que realmente cambia el comportamiento

Si recuerdas solo una ecuación, que sea esta: