Segun arXiv q-fin, un nuevo enfoque para la asignación de activos tácticos integra la identificación de condiciones de mercado con un método de optimización jerárquica, el NCO, para construir portafolios de activos múltiples. La hipótesis central es que incluir información sobre el estado del mercado—como bull, neutral o bear—en etapas clave del proceso de NCO, como la estimación de covarianza, la jerarquía de agrupamiento y la optimización de pesos—mejora significativamente el rendimiento ajustado al riesgo y disminuye el riesgo de pérdidas en momentos adversos. Para detectar estos regímenes, se emplea un modelo de Markov oculto de distribución gaussiana, entrenado únicamente con datos disponibles hasta cada punto de decisión, evitando así sesgos por anticipación. En cada reequilibrio, se aplican matrices de covarianza y estructuras de agrupamiento condicionales al estado del mercado. La estrategia introduce una regla dinámica de reequilibrio que activa cambios en función de transiciones de régimen o modificaciones importantes en los pesos óptimos, en lugar de seguir un calendario fijo. El análisis se realiza sobre un universo diversificado mensual compuesto por bonos gubernamentales indonesios (SBN), el índice LQ45, oro (en moneda indonesiana), divisas (CNY/IDR) y Bitcoin (en moneda indonesiana). La evaluación se realiza mediante prueba de retroceso móvil, para evitar sesgos de muestra. Se comparan con referencias como asignación igualitaria (1/N), estrategia de compra y mantenimiento, NCO tradicional sin consideración de regímenes, mínima varianza, equidad de riesgo jerárquica (HRP) y una estrategia basada en reglas para cada régimen. Los indicadores analizados incluyen rendimiento acumulado, ratio de Sharpe anualizado, ratio de Sortino, caída máxima, ratio Calmar, rotación de activos y rendimiento neto de costos. La significancia estadística se verifica mediante el test de Jobson-Korkie. Los resultados muestran que esta metodología reduce notablemente el riesgo extremo, alcanzando una caída máxima de 4,44%, y confirma el valor práctico de la detección de regímenes mediante modelos de Markov en el manejo del riesgo en portafolios multiasignados.
Para inversores en el Perú, este enfoque ofrece una reflexión clave sobre la necesidad de adaptar estrategias de inversión a las condiciones cambiantes del mercado. Aunque el escenario peruano no incluye activos como el oro o Bitcoin en el mismo peso que el modelo original, el principio de reevaluar la estructura del portafolio en función de señales de mercado—como inflación, cambios en la política monetaria o volatilidad—es directamente aplicable. Las fluctuaciones en el mercado de valores o en tasas de interés, por ejemplo, pueden ser interpretadas como transiciones de régimen, y una asignación dinámica de activos podría proteger mejor el capital frente a shocks. Este tipo de estrategia no requiere una gran cantidad de capital inicial, pero sí una comprensión clara de los indicadores clave y un monitoreo constante. En un entorno donde los mercados pueden volverse volátiles por eventos externos o internos, integrar mecanismos de detección de condiciones del mercado puede convertirse en una herramienta fundamental para mantener la estabilidad del portafolio. Así, el modelo, aunque desarrollado en un contexto asiático, resalta la importancia de la flexibilidad en la gestión de riesgos, algo que los inversores peruanos pueden adoptar sin necesidad de cambiar sus activos principales, sino mediante una reconfiguración más inteligente y proactiva de sus estrategias.