Diegolden

Tema 3: Medidas estadísticas de la rentabilidad de los activos

Se lee en 20 min

Medidas estadísticas de rendimiento de activos

Objetivos de aprendizaje

Al final de este tema, los candidatos deberían poder:

  1. Calcular, interpretar y evaluar medidas de tendencia central y ubicación para abordar un problema de inversión.
  2. Calcular, interpretar y evaluar medidas de dispersión para abordar un problema de inversión
  3. Interpretar y evaluar medidas de asimetría y curtosis para abordar un problema de inversión.
  4. Interpretar la correlación entre dos variables para abordar un problema de inversión.

Objetivo de aprendizaje 1: Medidas de tendencia central y ubicación

Concepto central

Las medidas de tendencia central proporcionan un valor representativo único que describe el “centro” o valor típico de un conjunto de datos. En finanzas, estas medidas ayudan a los inversores a comprender el rendimiento esperado o típico de una inversión, pero cada una tiene diferentes fortalezas y aplicaciones. La media aritmética sirve como valor predeterminado para estimar los rendimientos esperados a futuro (como se usa en optimización de cartera), mientras que la media geométrica es más apropiada para evaluar el crecimiento compuesto histórico, una distinción que se basa directamente en los conceptos de medición de rendimiento del Tema 1.

  • Media aritmética: el promedio simple, más comúnmente utilizado para los rendimientos esperados.
  • Mediana: el valor medio, menos sensible a observaciones extremas
  • Modo: el valor que aparece con más frecuencia
  • Media geométrica: más apropiada para rendimientos y tasas de crecimiento de varios períodos
  • Media ponderada: Se utiliza cuando las observaciones tienen diferente importancia.
  • Percentiles y Cuartiles: Divide la distribución en partes iguales

Interpretación financiera: Las medidas de tendencia central ayudan a los inversores a establecer expectativas de rendimiento, comparar inversiones y comprender el rendimiento típico de los activos. La elección de la medida depende de las características de la distribución y de la cuestión de inversión específica.

Fórmulas y cálculos

Media aritmética

Fórmula: X̄ = (ΣXᵢ) / n formula

Cálculo de HP 12C: hp12c

  1. Borrar registros estadísticos: [f] [CLx]
  2. Ingrese cada retorno: valor [Σ+]
  3. Calcular la media: [g] [x̄]

Media geométrica

Fórmula: G = [(1 + R₁)(1 + R₂)…(1 + Rₙ)]^(1/n) - 1 formula

Cálculo de HP 12C:

  1. Convertir rendimientos en factores de crecimiento: (1 + rendimiento)
  2. Utilice la función [yx] para cálculos compuestos
  3. Saque la raíz enésima: n [1/x] [yx]

Media ponderada

Fórmula: X̄w = Σ(wᵢ × Xᵢ) / Σwᵢ

Cálculo de HP 12C:

  1. Multiplica cada valor por su peso
  2. Sumar los valores ponderados y los pesos por separado.
  3. Divida los valores ponderados totales por los pesos totales.

Percentiles y cuartiles

  • Primer cuartil (Q1): percentil 25
  • Segundo cuartil (Q2): percentil 50 (mediana)
  • Tercer cuartil (Q3): percentil 75

Ejemplos prácticos

Ejemplo 1: Análisis de rentabilidad de la cartera

Un administrador de cartera realiza un seguimiento de los rendimientos mensuales de un fondo equilibrado:

  • Rentabilidad: -2%, 3%, 1%, 4%, -1%, 2%, 5%, 0%, 3%, 1%

Cálculo de HP 12C:

[f] [CLx]          // Clear registers
-2 [Σ+]           // Enter -2%
3 [Σ+]            // Enter 3%
1 [Σ+]            // Enter 1%
4 [Σ+]            // Enter 4%
-1 [Σ+]           // Enter -1%
2 [Σ+]            // Enter 2%
5 [Σ+]            // Enter 5%
0 [Σ+]            // Enter 0%
3 [Σ+]            // Enter 3%
1 [Σ+]            // Enter 1%
[g] [x̄]           // Calculate mean = 1.6%
```**Interpretación financiera**: El rendimiento mensual promedio es del 1,6 %, lo que sugiere que el fondo genera rendimientos positivos en promedio, adecuado para inversores de riesgo moderado que buscan un crecimiento constante.

#### Ejemplo 2: Comparación de tasas de crecimiento

Dos acciones tecnológicas durante 3 años:

- Acción A: 15%, -5%, 25%
- Acción B: 10%, 12%, 8%

**Media aritmética versus media geométrica**:

- Aritmética de la acción A: (15% - 5% + 25%) / 3 = 11,67%
- Stock A Geométrico: [(1,15)(0,95)(1,25)]^(1/3) - 1 = 10,76%
- Aritmética de la acción B: (10% + 12% + 8%) / 3 = 10%
- Acción B Geométrica: [(1,10)(1,12)(1,08)]^(1/3) - 1 = 9,99%

**Interpretación financiera**: La acción A tiene rendimientos promedio más altos pero más volatilidad. La media geométrica representa mejor el crecimiento compuesto real, lo que muestra que la volatilidad de la acción A reduce su ventaja de rendimiento compuesto.

### Aplicación DeFi

#### Análisis de distribución de retorno de tokens

Análisis de rendimientos diarios de un token de gobernanza durante 30 días: #defi-application

**Recopilación de datos**: realice un seguimiento de los cambios diarios de precios de los tokens DeFi populares (por ejemplo, [[Uniswap|UNI]], [[Aave|AAVE]], [[Compound|COMP]])

**Análisis de tendencia central**:

- **Media**: Rendimiento diario esperado para la evaluación de riesgos
- **Mediana**: medida más sólida para retornos criptográficos muy sesgados
- **Modo**: identifica si ciertos niveles de retorno son comunes (a menudo cerca de cero)

**Aplicación práctica**:

```python
# Example DeFi token analysis
daily_returns = [-0.05, 0.12, -0.08, 0.15, -0.03, 0.07, -0.12, 0.09]

# Risk assessment using different measures
mean_return = np.mean(daily_returns)      # 0.01875 (1.875%)
median_return = np.median(daily_returns)  # 0.01 (1%)
geometric_mean = ((1 + pd.Series(daily_returns)).prod()) ** (1/len(daily_returns)) - 1

Interpretación financiera: Los tokens DeFi a menudo muestran una alta volatilidad con un sesgo positivo. La mediana puede ser más representativa que la media para establecer expectativas realistas, mientras que la media geométrica refleja mejor el crecimiento real de la cartera en escenarios compuestos.

Objetivo de aprendizaje 2: Medidas de dispersión

Concepto central

Medidas de dispersión cuantifican la dispersión o variabilidad de los rendimientos alrededor de la tendencia central. En finanzas, la dispersión es sinónimo de riesgo: una mayor dispersión indica una mayor incertidumbre y potencial tanto de ganancias como de pérdidas. Comprender la dispersión es fundamental porque influye directamente en los cálculos de varianza de la cartera, los modelos de simulación y las métricas de rendimiento ajustadas al riesgo que impulsan las decisiones de inversión. exam-focus

Las medidas clave incluyen:

  • Rango: Diferencia entre valores máximo y mínimo
  • Desviación media absoluta (MAD): diferencia absoluta promedio con respecto a la media
  • Varianza: Desviación cuadrática promedio de la media
  • Desviación estándar: Raíz cuadrada de la varianza, expresada en unidades originales
  • Coeficiente de variación: Medida estandarizada de riesgo relativo

Interpretación financiera: estas medidas ayudan a los inversores a cuantificar el riesgo, comparar los perfiles riesgo-rendimiento de diferentes inversiones y tomar decisiones informadas sobre la asignación de carteras.

Fórmulas y cálculos

Población versus fórmulas de muestra

Varianza de la población: σ² = Σ(Xᵢ - μ)² / N formula Varianza de la muestra: s² = Σ(Xᵢ - X̄)² / (n-1) formula

Desviación estándar de la población: σ = √[Σ(Xᵢ - μ)² / N] formula Desviación estándar de la muestra: s = √[Σ(Xᵢ - X̄)² / (n-1)] formula

Funciones estadísticas del HP 12CCálculo de la desviación estándar:

  1. Borrar registros: [f] [CLx]
  2. Ingrese los puntos de datos: valor [Σ+] (repita para cada uno)
  3. Desviación estándar de la muestra: [g] [s]
  4. Desviación estándar de la población: [g] [σ]

Desviación absoluta media

Fórmula: MAD = Σ|Xᵢ - X̄| / n

Coeficiente de variación

Fórmula: CV = s / X̄ (expresado como porcentaje) formula exam-focus

Cálculo de HP 12C:

  1. Calcular la desviación estándar: [g] [s]
  2. Calcular la media: [g] [x̄]
  3. Dividir: desviación estándar ÷ media

Ejemplos prácticos

Ejemplo 1: Comparación de riesgos de dos fondos mutuos

Rentabilidad mensual del Fondo A: 2%, 4%, 1%, 6%, 3% Rentabilidad mensual del Fondo B: 1%, 8%, -2%, 7%, 1%

Cálculo de HP 12C para el Fondo A:

[f] [CLx]          // Clear registers
2 [Σ+]            // Enter 2%
4 [Σ+]            // Enter 4%
1 [Σ+]            // Enter 1%
6 [Σ+]            // Enter 6%
3 [Σ+]            // Enter 3%
[g] [x̄]           // Mean = 3.2%
[g] [s]           // Sample std dev = 1.92%

Fondo A: Media = 3,2%, Desviación estándar = 1,92% Fondo B: Media = 3,0%, Desviación estándar = 4,24%

Coeficiente de variación:

  • Fondo A: CV = 1,92% / 3,2% = 0,60 (60%)
  • Fondo B: CV = 4,24% / 3,0% = 1,41 (141%)

Interpretación financiera: El fondo A ofrece mejores rendimientos ajustados al riesgo (menor CV), lo que lo hace más atractivo para inversores reacios al riesgo a pesar de rendimientos promedio similares.

Ejemplo 2: Aplicación de Sharpe Ratio

Cartera con rentabilidad anual del 12%, tasa libre de riesgo del 8%, desviación estándar del 15%: practice-problem

Relación de nitidez = (Rp - Rf) / σp = (12% - 8%) / 15% = 0,267 formula exam-focus

Cálculo de HP 12C:

12 [ENTER] 8 [-]   // Excess return = 4%
15 [÷]             // Divide by std dev = 0.267

Interpretación financiera: Un índice de Sharpe de 0,267 indica que la cartera genera 0,267 unidades de exceso de rendimiento por unidad de riesgo. Los índices de Sharpe más altos indican un mejor desempeño ajustado al riesgo.

Aplicación DeFi

Análisis de riesgo de cartera criptográfica

Los tokens DeFi a menudo exhiben una alta volatilidad con períodos de movimientos extremos de precios seguidos de períodos más tranquilos, un fenómeno conocido como “agrupación de volatilidad” que desafía el supuesto de varianza constante de muchos modelos tradicionales. defi-application

Análisis de ejemplo:

# DeFi token risk metrics
import pandas as pd
import numpy as np
 
# Sample daily returns for popular DeFi tokens
uni_returns = [0.05, -0.12, 0.08, -0.15, 0.22, -0.08, 0.03]
aave_returns = [0.03, -0.07, 0.12, -0.09, 0.18, -0.05, 0.01]
 
# Risk calculations
uni_std = np.std(uni_returns, ddof=1)  # Sample standard deviation
aave_std = np.std(aave_returns, ddof=1)
 
uni_cv = uni_std / np.mean(uni_returns)
aave_cv = aave_std / np.mean(aave_returns)

Aplicaciones prácticas:

  1. Tamaño de posición: Utilice la desviación estándar para determinar los tamaños de posición apropiados
  2. Paridad de riesgo: asignar capital según la ponderación de volatilidad inversa
  3. Pruebas de estrés: utilice la volatilidad histórica para modelar pérdidas potenciales

Interpretación financiera: Los protocolos DeFi a menudo muestran una volatilidad mucho mayor que los activos tradicionales (20-100% anualizado frente a 10-20% para las acciones). Esto requiere una gestión de riesgos más sofisticada y tamaños de posiciones más pequeños para una exposición al riesgo equivalente.

Objetivo de aprendizaje 3: Medidas de asimetría y curtosis

Concepto central

Asimetría y curtosis describen las características de forma de las distribuciones de rendimiento más allá de la tendencia central y la dispersión. Estas medidas son importantes porque los rendimientos del mundo real se desvían de la distribución normal supuesta por muchos modelos, e ignorar estas desviaciones puede conducir a una grave subestimación del riesgo. Comprender la asimetría y la curtosis se vuelve especialmente importante cuando pasamos a los métodos de simulación, donde la elección de la distribución afecta directamente el realismo de los resultados. exam-focus1. Los rendimientos de las inversiones rara vez se distribuyen normalmente 2. Los eventos extremos (colas gruesas) son más comunes de lo que predice la distribución normal 3. Las distribuciones asimétricas afectan la evaluación de riesgos y las decisiones de cartera

Asimetría

Mide la asimetría de la distribución:

  • Sesgo positivo (sesgo a la derecha): cola larga a la derecha, media > mediana
  • Sesgo negativo (sesgo a la izquierda): cola larga hacia la izquierda, media < mediana
  • Zero Skew: Distribución simétrica, media ≈ mediana

Curtosis

Mide la “cola” o pico:

  • Leptocúrtico: Curtosis > 3, colas más gruesas que la distribución normal
  • Mesocúrtico: Curtosis = 3, distribución normal
  • Platicúrtico: Curtosis < 3, colas más delgadas que la distribución normal

Interpretación financiera:

  • Generalmente se prefiere el sesgo positivo (más potencial alcista)
  • Una curtosis alta indica una mayor probabilidad de eventos extremos.
  • La mayoría de los activos financieros presentan un sesgo negativo y un exceso de curtosis positiva.

Fórmulas y cálculos

Fórmula de asimetría

Asimetría de la muestra: Sk = [n/((n-1)(n-2))] × [Σ(Xᵢ - X̄)³/s³]

Fórmula de curtosis

Curtosis de muestra: K = [n(n+1)/((n-1)(n-2)(n-3))] × [Σ(Xᵢ - X̄)⁴/s⁴] - [3(n-1)²/((n-2)(n-3))]

Enfoque HP 12C

Si bien HP 12C no calcula directamente la asimetría y la curtosis, usted puede:

  1. Calcular la media y la desviación estándar utilizando funciones estadísticas.
  2. Utilice el enfoque de fórmula con cálculos manuales para momentos superiores.
  3. Centrarse en la evaluación cualitativa examinando la forma de la distribución.

Pautas de interpretación

Asimetría:

  • Sk > 0,5: sesgo muy positivo
  • 0,5 > Sk > -0,5: Aproximadamente simétrico
  • Sk < -0,5: muy sesgado negativamente

Curtosis:

  • K > 1: Leptocúrtico (colas gordas)
  • -1 < K < 1: Aproximadamente normal
  • K < -1: Platicúrtico (colas delgadas)

Ejemplos prácticos

Ejemplo 1: Comparación de distribuciones de rendimiento de acciones

Dos acciones durante 12 meses:

Rendimiento de la acción A: 2%, 3%, 1%, 4%, 2%, 8%, 15%, 3%, 2%, 4%, 1%, 5% Rendimiento de la acción B: 5%, -12%, 8%, 3%, 4%, 2%, 6%, -8%, 12%, 4%, 3%, 7%

Análisis utilizando HP 12C:

// Stock A Analysis
[f] [CLx]
// Enter all returns using [Σ+]
[g] [x̄]    // Mean = 4.17%
[g] [s]    // Std Dev = 4.26%

// Stock B Analysis
[f] [CLx]
// Enter all returns using [Σ+]
[g] [x̄]    // Mean = 2.83%
[g] [s]    // Std Dev = 7.18%

Evaluación cualitativa:

  • Acción A: un gran valor atípico positivo (15%) sugiere un sesgo positivo
  • Valor B: Tanto los valores atípicos positivos como los negativos sugieren una mayor curtosis

Interpretación financiera: La acción A muestra un sesgo positivo (deseable para los inversores), mientras que la acción B muestra una mayor volatilidad con potencial para eventos extremos en ambas direcciones.

Ejemplo 2: Análisis de crisis de mercado

Durante las tensiones del mercado, los rendimientos suelen presentar:

  • Sesgo negativo: grandes pérdidas más frecuentes que ganancias
  • Alta curtosis: los eventos extremos son más comunes de lo que predice la distribución normal

Ejemplo de la crisis financiera de 2008:

  • Los rendimientos diarios del S&P 500 mostraron un sesgo negativo significativo (-1,5)
  • Exceso de curtosis de +5, indicando colas gordas.
  • Esto contradecía los modelos que asumían distribuciones normales.

Aplicación DeFi

Análisis de distribuciones de retorno de tokens DeFi

Características típicas de los tokens DeFi:

  1. Alto sesgo positivo: potencial de ganancias explosivas durante los mercados alcistas
  2. Curtosis muy alta: los movimientos extremos de precios son comunes
  3. Agrupación de volatilidad: Períodos de alta volatilidad seguidos de calma#### Ejemplo: análisis de tokens de gobernanza
# Example DeFi token daily returns analysis
import scipy.stats as stats
 
# Sample governance token returns (%)
token_returns = [0.05, -0.15, 0.25, -0.08, 0.45, -0.12, 0.08, -0.20, 0.35, -0.10]
 
# Calculate shape measures
skewness = stats.skew(token_returns)      # Measure of asymmetry
kurtosis = stats.kurtosis(token_returns)  # Measure of tail risk
 
print(f"Skewness: {skewness:.3f}")
print(f"Kurtosis: {kurtosis:.3f}")

Aplicaciones prácticas de gestión de riesgos

  1. Tamaño de la posición: Ajuste para sesgo negativo y curtosis alta

    • Posiciones más pequeñas en activos con sesgo negativo
    • Tener en cuenta el riesgo de cola en los modelos de dimensionamiento de posiciones.

  2. Estrategias de opciones:

    • La alta curtosis sugiere que las opciones pueden estar infravaloradas
    • El sesgo positivo favorece las opciones de compra, el sesgo negativo favorece las opciones de venta.

  3. Provisión de liquidez:

    • La alta curtosis aumenta el riesgo de pérdida no permanente
    • Ajustar los parámetros de tarifas según la forma de distribución esperada

Interpretación financiera: Los tokens DeFi a menudo muestran características de distribución extremas (alta asimetría y curtosis) que requieren una gestión de riesgos sofisticada. La teoría tradicional de carteras puede subestimar los riesgos, lo que requiere pruebas de tensión y análisis de escenarios.

Objetivo de aprendizaje 4: correlación entre dos variables

Concepto central

Correlación mide la relación lineal entre dos variables, en un rango de -1 a +1. En finanzas, la correlación es fundamental para la construcción de carteras y la gestión de riesgos. El beneficio de diversificación de combinar activos en una cartera depende completamente de la estructura de correlación; esta es una de las ideas centrales de la teoría moderna de carteras.

  • Diversificación de la cartera: las correlaciones más bajas reducen el riesgo de la cartera
  • Gestión de riesgos: comprender cómo se mueven juntos los activos
  • Estrategias de cobertura: uso de activos correlacionados negativamente para protección
  • Análisis factorial: identificación de factores de riesgo comunes

Conceptos clave:

  • Correlación ≠ Causación: la relación estadística no implica que una cause la otra
  • Solo relación lineal: la correlación puede omitir relaciones no lineales
  • Variante en el tiempo: las correlaciones cambian con el tiempo, especialmente durante las crisis.
  • Correlación de muestra: Estimación basada en datos históricos

Interpretación financiera: La correlación impulsa los beneficios de la diversificación. La correlación positiva perfecta (+1) no proporciona diversificación, mientras que la correlación negativa (-1) ofrece los máximos beneficios de diversificación.

Fórmulas y cálculos

Fórmula del coeficiente de correlación

Población: ρ(X,Y) = Cov(X,Y) / (σX × σY) formula Muestra: r = Σ[(Xᵢ - X̄)(Yᵢ - Ȳ)] / √[Σ(Xᵢ - X̄)² × Σ(Yᵢ - Ȳ)²] formula

Fórmula de covarianza

Covarianza de muestra: Cov(X,Y) = Σ[(Xᵢ - X̄)(Yᵢ - Ȳ)] / (n-1) formula

Método de cálculo de HP 12C

Si bien HP 12C no calcula la correlación directamente, puede utilizar las funciones de regresión:

  1. Ingrese datos emparejados usando [Σ+]
  2. El coeficiente de correlación está relacionado con las estadísticas de regresión.
  3. Utilice: r = √(coeficiente de determinación)

Enfoque alternativo HP 12C:

  1. Calcular las medias de ambas variables por separado.
  2. Calcular desviaciones y productos manualmente.
  3. Utilice funciones estadísticas para sumas y desviaciones estándar.

Pautas de interpretación

  • r > 0,7: fuerte correlación positiva
  • 0,3 < r < 0,7: correlación positiva moderada
  • -0,3 < r < 0,3: correlación débil
  • -0,7 < r < -0,3: correlación negativa moderada
  • r < -0,7: fuerte correlación negativa

Ejemplos prácticos#### Ejemplo 1: Análisis de correlación entre acciones y bonos

Rentabilidad mensual de índices bursátiles y bonos gubernamentales:

Rentabilidad de las acciones: 2%, -3%, 5%, 1%, -2%, 4%, 3%, -1%, 2%, 0% Rentabilidad de los bonos: -1%, 2%, -2%, 1%, 3%, -1%, -2%, 2%, 0%, 1%

Cálculo de HP 12C:

[f] [CLx]           // Clear statistical registers
2 [ENTER] -1 [Σ+]   // Enter first pair (Stock: 2%, Bond: -1%)
-3 [ENTER] 2 [Σ+]   // Enter second pair
5 [ENTER] -2 [Σ+]   // Continue for all pairs...
// Continue entering all paired data
[g] [ŷ,r]          // This gives correlation coefficient

Resultado esperado: Correlación negativa (~-0,4), lo que muestra beneficios de diversificación.

Interpretación financiera: La correlación negativa indica que cuando las acciones bajan, los bonos tienden a subir, proporcionando protección a la cartera durante las tensiones del mercado.

Ejemplo 2: Correlación sectorial en la construcción de carteras

Rentabilidad del sector de tecnología frente a servicios públicos:

Análisis de asignación de cartera:

  • Alta correlación positiva (>0,8): beneficio de diversificación limitado
  • Baja correlación (<0,3): Buena oportunidad de diversificación
  • Correlación negativa: Excelente potencial de cobertura

Ejemplo 3: Decisión de cobertura cambiaria

Los inversores estadounidenses que poseen acciones europeas deben evaluar la correlación EUR/USD con los rendimientos de las acciones europeas:

  • Correlación positiva: la moneda y las acciones se mueven juntas, lo que aumenta el riesgo
  • Correlación negativa: cobertura natural, pérdidas cambiarias compensadas por ganancias bursátiles
  • Correlación cero: Riesgos cambiarios y bursátiles independientes

Aplicación DeFi

Análisis de correlación entre protocolos

Comprender las correlaciones entre los protocolos DeFi es esencial para construir estrategias de cultivo de rendimiento diversificadas. En condiciones normales, los protocolos pueden mostrar una correlación moderada, pero durante eventos de estrés (por ejemplo, una desconexión de una moneda estable o un exploit importante), las correlaciones tienden a aumentar hacia 1, eliminando los beneficios de diversificación exactamente cuando más se necesitan. defi-application

Correlaciones del ecosistema DeFi:

  1. Tokens de gobernanza: a menudo están altamente correlacionados durante los movimientos del mercado
  2. Rendimiento de las monedas estables: puede correlacionarse con una adopción más amplia de DeFi
  3. Capa 1 frente a tokens DeFi: correlaciones variables según las condiciones del mercado

Ejemplo: estrategia de cultivo de rendimiento

Análisis de la correlación entre diferentes tokens del protocolo DeFi para una diversificación agrícola óptima:

# Example correlation analysis for DeFi portfolio
import numpy as np
import pandas as pd
 
# Daily returns for major DeFi protocols
uni_returns = [0.05, -0.12, 0.08, -0.03, 0.15]
aave_returns = [0.03, -0.08, 0.12, -0.01, 0.09]
comp_returns = [0.07, -0.15, 0.05, -0.02, 0.18]
 
# Create correlation matrix
returns_df = pd.DataFrame({
    'UNI': uni_returns,
    'AAVE': aave_returns,
    'COMP': comp_returns
})
 
correlation_matrix = returns_df.corr()
print("DeFi Protocol Correlations:")
print(correlation_matrix)

Aplicaciones prácticas en DeFi:

  1. Minería de liquidez: diversificar entre protocolos con correlaciones bajas
  2. Gestión de pérdidas impermanente: considere la correlación entre tokens emparejados
  3. Arbitraje entre cadenas: explotar las diferencias de correlación entre cadenas
  4. Gestión de riesgos: monitorear los aumentos de correlación durante el estrés del mercado

Desglose de la correlación durante las crisis

Información clave: Las correlaciones tienden a aumentar durante las tensiones del mercado, lo que reduce los beneficios de la diversificación cuando más se necesitan.

Ejemplo: Durante la caída de las criptomonedas en marzo de 2020:

  • La mayoría de los tokens DeFi mostraron correlaciones >0,9 con Bitcoin
  • Las estrategias tradicionales de diversificación fracasaron.
  • Sólo las monedas estables y algunos derivados mantuvieron correlaciones bajas

Interpretación financiera: Las correlaciones de DeFi varían mucho en el tiempo y tienden a 1 durante el estrés del mercado. Esto requiere estrategias de cobertura dinámicas y pruebas de estrés de los supuestos de correlación en los modelos de cartera.

Revisión integral y aplicaciones

Métricas de rendimiento ajustadas al riesgo

Relación de Sharpe

Fórmula: Relación de Sharpe = (Rp - Rf) / σpCálculo de HP 12C:

Portfolio_Return [ENTER] Risk_Free_Rate [-]
Portfolio_StdDev [÷]

Relación de Sortino (desviación a la baja)

Se centra únicamente en el riesgo a la baja, lo que es más relevante para los inversores preocupados por las pérdidas.

Relación de información

Mide el rendimiento activo por unidad de error de seguimiento para carteras gestionadas activamente.

Aplicaciones de cartera

Integración de la teoría de cartera moderna

  • Rendimiento esperado: utilice la media aritmética para el análisis de un solo período
  • Riesgo: utilice desviación estándar o varianza
  • Correlación: Esencial para la optimización de la cartera
  • Asimetría/Kurtosis: Ajuste para distribuciones no normales

Presupuesto de riesgos

Asigne el riesgo en función de:

  1. Volatilidad de los activos individuales
  2. Estructura de correlación
  3. Asimetría y curtosis esperadas
  4. Medidas de riesgo de cola

Consideraciones específicas de DeFi

Características de riesgo únicas

  1. Riesgo de contrato inteligente: fuente adicional de correlación durante fallas del protocolo
  2. Riesgo de liquidez: las correlaciones pueden aumentar durante las crisis de liquidez
  3. Riesgo de gobernanza: las decisiones de los poseedores de tokens pueden crear cambios repentinos de correlación
  4. Riesgo regulatorio: Afecta a todo el ecosistema DeFi simultáneamente

Aplicaciones avanzadas

  1. Cobertura dinámica: ajuste las posiciones según las correlaciones cambiantes
  2. Optimización del rendimiento: considere los rendimientos ajustados al riesgo utilizando índices de Sharpe
  3. Modelado de pérdidas impermanentes: utilice la correlación y la volatilidad para estimar las pérdidas
  4. Análisis entre cadenas: compare perfiles de riesgo-retorno en diferentes cadenas de bloques

Conclusiones clave para la certificación financiera 1 exam-focus

Conceptos esenciales para recordar

  1. Las medidas de tendencia central tienen diferentes propósitos en el análisis financiero
  2. Las medidas de dispersión cuantifican el riesgo y permiten comparaciones ajustadas al riesgo
  3. La asimetría y la curtosis revelan características de distribución no capturadas por la media y la desviación estándar
  4. La correlación impulsa los beneficios de la diversificación pero puede fallar durante las crisis
  5. Las funciones estadísticas del HP 12C proporcionan métodos de cálculo eficientes para todas las medidas básicas

Aplicaciones de exámenes comunes

  • Calcular e interpretar métricas de riesgo y rentabilidad de la cartera.
  • Comparar alternativas de inversión utilizando medidas ajustadas al riesgo.
  • Evaluar los beneficios de la diversificación mediante análisis de correlación.
  • Evaluar las características de distribución para la evaluación de riesgos.
  • Aplicar medidas estadísticas a escenarios de toma de decisiones de inversión.

Enfoque de interpretación financiera

Conecte siempre los cálculos estadísticos con la toma de decisiones financieras:

  • ¿Cómo influyen estas medidas en las decisiones de inversión?
  • ¿Cuáles son las implicaciones para la construcción de cartera?
  • ¿Cómo afectan las características de distribución a la evaluación de riesgos?
  • ¿Cuándo pueden ser engañosas las medidas tradicionales?

La clave del éxito en la Certificación Financiera 1 no es solo memorizar fórmulas, sino también comprender cómo las medidas estadísticas informan las decisiones de inversión y las estrategias de gestión de riesgos del mundo real.

Vista gráfica

Retroenlaces