Paridad de riesgo jerárquico: aproximación al método y aplicación para el mercado estadounidense

Este artículo presenta el enfoque de paridad riesgo jerárquico (HRP, por sus siglas en inglés) propuesto López Prado para la construcción porta­folios óptimos inversión empleando aprendizaje no supervisado –clustering jerárquico–, que permitan superar algunas limitaciones propias del modelo Media-Varianza, particular aquella relacionada con necesidad invertir matriz covarianzas momento implementar algoritmo CLA. Se toma una muestra siete activos mercado estadounidense, los cuales se realiza aplicación HRP Prado; encuentra bajo este distribución diferentes clús­teres genera mejoras términos retorno esperado, así como coeficiente Sharpe comparación resultados portafolio media-varianza.