Según arXiv q-fin, una nueva investigación propone un método alternativo para evaluar el riesgo en portafolios, que evita el uso de estimaciones de covarianzas entre activos, un proceso comúnmente complicado en datos de alta dimensión y corto plazo. En lugar de recurrir a relaciones entre rendimientos de activos distintos, el enfoque se basa en características distribucionales de empresas, como su comportamiento en noticias o datos de mercado, que se convierten en certificados de riesgo de forma unilateral. La metodología utiliza medidas de dispersión basadas en el espacio de Wasserstein-2, que permite establecer un límite superior claro para la variabilidad sistémica del portafolio y para los rendimientos estandarizados. Al aplicar una relajación por pares ponderada, se obtiene un objetivo matemáticamente convexo bajo condiciones verificables, que depende únicamente de escalas de volatilidad marginal, sin necesidad de datos de covarianzas entre activos.
El modelo mantiene una propiedad clave: al no incluir componentes de riesgo específico de cada empresa, el cambio en la escala común no afecta la asignación normalizada de activos, que se deriva únicamente de la geometría observada de los datos. En un panel de 52 empresas entre 2018 y 2022, la estrategia basada en representaciones de noticias generadas por el modelo Qwen3-Embedding-8B sitúa su varianza de rendimiento entre el percentil 0.69 y el 1.33 en cuatro grupos predefinidos de portafolios. En comparación, la asignación equitativa de riesgo (equal risk weighting) ocupa rangos entre el 21.1º y el 28.6º percentil. Este resultado se repite en representaciones fijas de modelos lingüísticos, lo que indica consistencia del enfoque incluso sin ajustes dinámicos. La propuesta, por tanto, transforma información distribucional de empresas en un límite riguroso de riesgo y una regla de asignación operativa, sin depender de estimaciones complejas de correlaciones entre activos.
Para inversores en el Perú, este avance tiene relevancia práctica. Las condiciones de mercado locales, especialmente en contextos de volatilidad alta como los ciclos de inflación o crisis financieras, exigen estrategias que no dependan de datos históricos de alta dimensión o de alta frecuencia. Al utilizar información de noticias o contenidos digitales —como los que se generan en medios locales—, se puede construir una asignación de activos más robusta y adaptable. Aunque el modelo original se basa en datos globales, su lógica puede ser replicada con fuentes de información nacional, como noticias de medios digitales o datos de redes sociales. Así, inversores que operan en entornos de baja transparencia o escasa historia de rendimientos pueden integrar este tipo de herramientas para reducir el riesgo sistémico sin necesidad de modelos complejos o de datos internos de alta frecuencia. Esto permite una gestión más accesible del riesgo, especialmente para pequeñas instituciones o individuos que no disponen de infraestructura técnica avanzada.