Publicación: Maf Challenge - Retornos de equilibrio para multiactivos
Fecha
2025-11-27
Autores
Giraldo García, María Alejandra
Aristizábal Arango, Daniel
Giraldo Restrepo, María Alejandra
Mejía Escobar, Juan Camilo
dc.contributor.advisor
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad EAFIT
Resumen
This study develops a quantitative model to estimate equilibrium returns in multi-asset portfolios by integrating the Arbitrage Pricing Theory (APT) with the machine learning algorithm Extreme Gradient Boosting (XGBoost). The model incorporates monetary, real, financial, and expectation-based macroeconomic factors—such as inflation, employment, monetary policy, liquidity, credit spreads, and consumer sentiment—classified as leading, coincident, or lagging. The inclusion of lag structures captures the gradual transmission of macroeconomic shocks, while XGBoost identifies nonlinear patterns and complex interactions among variables. This hybrid framework allows for the estimation of factor sensitivities (betas) and risk premia (λ), producing return estimates consistent with a multifactor equilibrium. The methodology is applied to liquidity instruments, sovereign bonds, high-yield credit, emerging market debt, REITs, and global equities. Results show that both macroeconomic fundamentals and investors’ expectations play a central role in determining expected returns, highlighting the relevance of combining economic theory with modern machine learning techniques.
Descripción
Este estudio desarrolla un modelo cuantitativo para estimar los retornos de equilibrio en portafolios multiactivos mediante la integración de la Teoría de Precios por Arbitraje (APT) con el algoritmo de aprendizaje automático Extreme Gradient Boosting (XGBoost). El modelo incorpora factores macroeconómicos monetarios, reales, financieros y basados en expectativas, como inflación, empleo, política monetaria, liquidez, spreads de crédito y sentimiento del consumidor, clasificados según su naturaleza leading, coincident o lagging. La inclusión de rezagos permite capturar la transmisión gradual de los shocks macroeconómicos, mientras que XGBoost identifica relaciones no lineales y patrones complejos entre variables. A partir de esta arquitectura híbrida se estiman sensibilidades (betas) y primas de riesgo (λ), obteniendo retornos coherentes con un equilibrio multifactorial. La metodología se aplica a liquidez, renta fija, crédito High Yield, mercados emergentes, REITs y renta variable global. Los resultados confirman que tanto los fundamentos macroeconómicos como las expectativas de los inversionistas son determinantes centrales del retorno esperado.
Citación
dc.relation.uri
dc.identifier.doi
dc.rights
Todos los derechos reservados