Según arXiv q-fin, un estudio reciente desmonta el paradigma clásico de selección de portafolios basado en la teoría de media-varianza, revelando dos errores críticos en su diseño: el uso de variables no disponibles en el momento de la toma de decisión y la confusión entre variaciones comunes y específicas de activos. El trabajo propone transformar la información disponible en una variable de decisión, sujeta a restricciones estrictas previamente definidas. Estas condiciones incluyen la disponibilidad de datos, la expansión de la filtración de decisión que preserva la no-arbitragio, la separación estadística y, en el caso de activos intervenidos, la invarianza entre regímenes. A través de un orden lexicográfico que excluye cualquier medida de riesgo-retorno, se identifica una clase óptima de información, dentro de la cual se resuelve el problema clásico. Se demuestra la existencia de soluciones, su invarianza frente a transformaciones de variables y se establece un teorema sobre el valor de la información admitida, cuyas condiciones de fallo indican que cualquier selección basada en pérdidas de decisión introduce información de retroceso cuando está disponible. La solución en dos etapas y el envoltorio conjunto resultan ser los elementos mínimos de dos órdenes definidos sobre un conjunto común. Bajo separación exacta, la parte diversificable del riesgo emerge como propiedad de la clase admitida, siendo estable solo bajo condiciones de admissibilidad intervenida. La identificación causal de factores requiere un precio explícito de un oráculo, que se traduce en un costo de complejidad de búsqueda. El estimador propuesto es coherente con el regreso de segundo orden. En datos de mercado con 127 variables candidatas, la condición se cumple en acciones individuales, donde ampliar la búsqueda reduce progresivamente el error, pero no se logra en portafolios pre-diversificados, ya que la dependencia residual es precisamente el factor común. En esos casos, el fallo se mantiene casi inmutable. Sin embargo, incluso cuando el modelo falla, la matriz de covarianza produce portafolios de mínima varianza que, al compararse, reducen el giro en hasta un 40% y eliminan una parte medible del riesgo, atribuida por una descomposición exacta al componente residual, a su ampliación y a la correlación media.
Para los inversores peruanos, este hallazgo sugiere que los modelos tradicionales de selección de portafolios pueden estar ignorando datos críticos o confundiendo factores estructurales con variaciones específicas. En un mercado como el peruano, donde la disponibilidad de información y la volatilidad de activos es alta, esta distinción es clave. No se trata simplemente de elegir una fórmula, sino de definir qué datos se pueden usar en el momento correcto. El resultado indica que los inversores deben evaluar no solo qué activos incluir, sino cuánta información pueden realmente acceder en tiempo real. Si se aplican estos principios, se podría reducir el riesgo operativo y mejorar el rendimiento sin necesidad de modelos complejos, especialmente en entornos de alta incertidumbre como el mercado peruano.