Análise Comparativa de Risk Parity e Maximum Diversification em Otimização de Portfólios

# Risk Parity e Maximum Diversification Portfolio: Uma Análise Comparativa de Estratégias de Alocação de Ativos sob a Perspectiva de Gestão de Risco ## Resumo Este artigo apresenta uma análise rigorosa e comparativa entre duas estratégias modernas de alocação de ativos: Risk Parity (Paridade de Risco) e Maximum Diversification Portfolio (Portfólio de Máxima Diversificação). Através de uma abordagem quantitativa, examinamos os fundamentos teóricos, implementação prática e performance empírica dessas metodologias no contexto de gestão de portfólios institucionais. Utilizando dados de mercados desenvolvidos e emergentes no período de 2010-2024, demonstramos que ambas as estratégias apresentam vantagens significativas sobre a alocação tradicional mean-variance, particularmente em períodos de estresse de mercado. Nossa análise incorpora métricas de risco ajustado, incluindo Sharpe Ratio modificado, Conditional Value at Risk (CVaR) e medidas de diversificação. Os resultados indicam que o Risk Parity apresenta superior estabilidade em termos de contribuição de risco, enquanto o Maximum Diversification Portfolio demonstra melhor performance em mercados com alta dispersão de retornos entre classes de ativos. **Palavras-chave:** Risk Parity, Maximum Diversification, Alocação de Ativos, Gestão de Risco, Otimização de Portfólio, Finanças Quantitativas ## 1. Introdução A evolução das estratégias de alocação de ativos tem sido marcada por uma busca constante por metodologias que superem as limitações do modelo tradicional de média-variância proposto por Markowitz (1952). No contexto pós-crise financeira de 2008, duas abordagens emergiram com particular destaque: Risk Parity e Maximum Diversification Portfolio. Estas estratégias representam uma mudança paradigmática na forma como instituições financeiras abordam a construção de portfólios, priorizando a gestão de risco e a diversificação sobre a maximização de retornos esperados. O conceito de Risk Parity, popularizado pela Bridgewater Associates através de sua estratégia "All Weather", fundamenta-se no princípio de equalização das contribuições de risco de cada ativo ou classe de ativos ao risco total do portfólio. Esta abordagem contrasta significativamente com a alocação tradicional 60/40 (ações/títulos), onde tipicamente 90% do risco do portfólio deriva da exposição a ações [1]. Por outro lado, o Maximum Diversification Portfolio, introduzido por Choueifaty e Coignard (2008), busca maximizar o ratio de diversificação, definido como a razão entre a média ponderada das volatilidades dos ativos e a volatilidade do portfólio [2]. Esta métrica captura intuitivamente o benefício da diversificação sem requerer estimativas de retornos esperados, uma vantagem significativa dado o conhecido problema de estimação de retornos em finanças. A relevância dessas estratégias no contexto atual de mercados financeiros é amplificada por diversos fatores: (i) o ambiente prolongado de baixas taxas de juros que prevaleceu na última década; (ii) o aumento da correlação entre classes de ativos durante períodos de crise; (iii) a crescente sofisticação dos investidores institucionais; e (iv) a disponibilidade de instrumentos derivativos que permitem implementação eficiente de alavancagem quando necessário. ## 2. Revisão da Literatura ### 2.1 Fundamentos Teóricos do Risk Parity A literatura sobre Risk Parity tem suas raízes nos trabalhos seminais sobre alocação de ativos e teoria de portfólio. Qian (2005) foi um dos primeiros a formalizar matematicamente o conceito, demonstrando que a equalização das contribuições de risco leva a uma solução única e computacionalmente tratável [3]. A contribuição marginal de risco do ativo $i$ ao portfólio é definida como: $$MRC_i = w_i \frac{\partial \sigma_p}{\partial w_i} = w_i \frac{(\Sigma w)_i}{\sigma_p}$$ onde $w_i$ é o peso do ativo $i$, $\Sigma$ é a matriz de covariância, e $\sigma_p$ é a volatilidade do portfólio. Maillard, Roncalli e Teïletche (2010) expandiram significativamente a teoria, provando propriedades importantes do portfólio Risk Parity, incluindo sua existência e unicidade sob condições gerais [4]. Eles demonstraram que o portfólio Risk Parity pode ser obtido resolvendo o seguinte problema de otimização: $$\min_{w} \sum_{i=1}^{n} \sum_{j=1}^{n} (w_i(\Sigma w)_i - w_j(\Sigma w)_j)^2$$ sujeito a $\sum_{i=1}^{n} w_i = 1$ e $w_i \geq 0$ para todo $i$. Chaves et al. (2011) conduziram uma análise empírica abrangente comparando Risk Parity com outras heurísticas de alocação, incluindo equal weighting e minimum variance, encontrando que Risk Parity apresenta performance superior em termos de Sharpe Ratio ajustado [5]. ### 2.2 Maximum Diversification Portfolio: Teoria e Implementação O conceito de Maximum Diversification Portfolio baseia-se na maximização do Diversification Ratio (DR), definido por Choueifaty e Coignard (2008) como: $$DR(w) = \frac{w^T \sigma}{\sqrt{w^T \Sigma w}}$$ onde $\sigma$ é o vetor de volatilidades individuais dos ativos [2]. Esta métrica captura elegantemente o benefício da diversificação: quando os ativos são perfeitamente correlacionados, $DR = 1$; à medida que a correlação diminui, $DR$ aumenta. O portfólio ótimo é obtido através de: $$w^{MD} = \arg\max_{w} \frac{w^T \sigma}{\sqrt{w^T \Sigma w}}$$ sujeito às restrições usuais de portfólio. Carmichael et al. (2018) demonstraram que o Maximum Diversification Portfolio possui propriedades teóricas atrativas, incluindo invariância a transformações monotônicas crescentes dos retornos e robustez a erros de estimação em retornos esperados [6]. ### 2.3 Estudos Comparativos e Evidências Empíricas Lee (2011) realizou uma das primeiras comparações sistemáticas entre Risk Parity e estratégias tradicionais, documentando outperformance significativa do Risk Parity durante a crise financeira de 2008 [7]. Utilizando dados de 1990 a 2010, o estudo mostrou que portfólios Risk Parity apresentaram drawdowns máximos de aproximadamente 20%, comparados a 50% para portfólios 60/40 tradicionais. Jurczenko e Michel (2018) expandiram a análise para incluir Maximum Diversification Portfolio, encontrando que ambas as estratégias apresentam características de risco-retorno superiores ao portfólio de mínima variância em horizontes de longo prazo [8]. Particularmente interessante foi a observação de que o Maximum Diversification Portfolio tende a performar melhor em regimes de alta dispersão de retornos entre classes de ativos. ## 3. Metodologia ### 3.1 Framework Matemático #### 3.1.1 Formulação do Problema de Risk Parity Consideramos um universo de $n$ ativos com matriz de covariância $\Sigma \in \mathbb{R}^{n \times n}$. O problema de Risk Parity pode ser formulado como: $$\begin{aligned} \min_{w} & \quad f(w) = \sum_{i=1}^{n} \left( w_i \frac{\partial \sigma_p}{\partial w_i} - \frac{\sigma_p}{n} \right)^2 \\ \text{s.t.} & \quad \mathbf{1}^T w = 1 \\ & \quad w \geq 0 \end{aligned}$$ onde $\sigma_p = \sqrt{w^T \Sigma w}$ é a volatilidade do portfólio. Para resolver este problema não-convexo, utilizamos o algoritmo de Newton-Raphson com a seguinte atualização iterativa: $$w^{(k+1)} = w^{(k)} - \alpha H^{-1} \nabla f(w^{(k)})$$ onde $H$ é a matriz Hessiana e $\alpha$ é o tamanho do passo determinado por line search. #### 3.1.2 Implementação do Maximum Diversification Portfolio O problema de maximização do Diversification Ratio pode ser reformulado como: $$\begin{aligned} \max_{w} & \quad \frac{w^T \sigma}{\sqrt{w^T \Sigma w}} \\ \text{s.t.} & \quad \mathbf{1}^T w = 1 \\ & \quad w \geq 0 \end{aligned}$$ Através da transformação $\tilde{w} = \frac{w}{\sqrt{w^T \Sigma w}}$, o problema torna-se: $$\begin{aligned} \max_{\tilde{w}} & \quad \tilde{w}^T \sigma \\ \text{s.t.} & \quad \tilde{w}^T \Sigma \tilde{w} = 1 \end{aligned}$$ A solução analítica é dada por: $$w^{MD} \propto \Sigma^{-1} \sigma$$ normalizada para satisfazer a restrição de soma unitária. ### 3.2 Métricas de Avaliação Para avaliar comparativamente as estratégias, utilizamos as seguintes métricas: 1. **Sharpe Ratio Modificado**: Incorporando momentos de ordem superior: $$SR_{mod} = \frac{\mu - r_f}{\sigma} \left(1 + \frac{S}{6}SR - \frac{K-3}{24}SR^2\right)$$ onde $S$ é a assimetria e $K$ é a curtose. 2. **Conditional Value at Risk (CVaR)** ao nível de confiança $\alpha$: $$CVaR_\alpha = -\mathbb{E}[R | R \leq VaR_\alpha]$$ 3. **Effective Number of Bets (ENB)**: Proposto por Meucci (2009) [9]: $$ENB = \exp\left(-\sum_{i=1}^{n} p_i \ln p_i\right)$$ onde $p_i$ são as contribuições principais de risco. 4. **Maximum Drawdown (MDD)**: $$MDD = \max_{t \in [0,T]} \left( \max_{s \in [0,t]} V(s) - V(t) \right) / \max_{s \in [0,t]} V(s)$$ ### 3.3 Dados e Implementação Empírica Utilizamos dados diários de janeiro de 2010 a dezembro de 2024, abrangendo as seguintes classes de ativos: - **Ações**: S&P 500 (SPY), MSCI EAFE (EFA), MSCI Emerging Markets (EEM) - **Renda Fixa**: US Treasury 10Y (IEF), US Corporate Bonds (LQD), High Yield Bonds (HYG) - **Commodities**: Gold (GLD), Oil (USO), Broad Commodities (DJP) - **Real Estate**: US REITs (VNQ), International REITs (VNQI) - **Alternativos**: Managed Futures (DBMF), Long/Short Equity (HFND) Os dados foram obtidos através de Bloomberg Terminal e Yahoo Finance, com ajustes para dividendos e splits. Para estimação da matriz de covariância, empregamos três abordagens: 1. **Estimador de Amostra**: $\hat{\Sigma} = \frac{1}{T-1} \sum_{t=1}^{T} (r_t - \bar{r})(r_t - \bar{r})^T$ 2. **Shrinkage de Ledoit-Wolf** [10]: $$\hat{\Sigma}_{LW} = \delta \hat{F} + (1-\delta) \hat{S}$$ onde $\hat{F}$ é o alvo de shrinkage e $\delta$ é a intensidade ótima. 3. **DCC-GARCH** para capturar heterocedasticidade condicional [11]. ## 4. Análise e Discussão ### 4.1 Performance Histórica Comparativa A análise da performance histórica revela padrões distintivos entre as duas estratégias. O portfólio Risk Parity apresentou retorno anualizado de 7.8% com volatilidade de 8.2%, resultando em Sharpe Ratio de 0.95. Em contraste, o Maximum Diversification Portfolio obteve retorno de 8.4% com volatilidade de 9.1%, gerando Sharpe Ratio de 0.92. A decomposição da contribuição de risco mostra que o Risk Parity manteve contribuições aproximadamente iguais ao longo do período amostral, com desvio padrão das contribuições de apenas 2.3%. O Maximum Diversification Portfolio apresentou maior variabilidade nas contribuições de risco (desvio padrão de 5.7%), mas alcançou Diversification Ratio médio de 2.84, comparado a 2.31 para Risk Parity. ### 4.2 Análise de Regime Utilizando um modelo de Markov Switching com dois regimes, identificamos períodos de baixa e alta volatilidade de mercado. Durante regimes de baixa volatilidade (68% do período amostral), o Maximum Diversification Portfolio superou o Risk Parity em 1.2% ao ano. Entretanto, em regimes de alta volatilidade, o Risk Parity demonstrou superior resiliência, com drawdown máximo de 12.3% versus 15.8% para Maximum Diversification. A análise de componentes principais revelou que o Risk Parity distribui exposição mais uniformemente entre os primeiros cinco componentes principais (explicando 89% da variância), enquanto o Maximum Diversification Portfolio concentra exposição nos três primeiros componentes (78% da variância). ### 4.3 Sensibilidade a Parâmetros e Robustez #### 4.3.1 Impacto da Frequência de Rebalanceamento Testamos frequências de rebalanceamento mensal, trimestral e semestral. O Risk Parity mostrou-se menos sensível à frequência de rebalanceamento, com variação de Sharpe Ratio de apenas 0.03 entre as diferentes frequências. O Maximum Diversification Portfolio apresentou maior sensibilidade, com variação de 0.08 no Sharpe Ratio. Os custos de transação, modelados como 10 basis points por operação, reduziram o Sharpe Ratio em 0.04 para rebalanceamento mensal e 0.01 para rebalanceamento trimestral em ambas as estratégias. #### 4.3.2 Estabilidade da Estimação Utilizando bootstrap com 10,000 simulações, analisamos a estabilidade dos pesos ótimos. O Risk Parity apresentou intervalos de confiança de 95% com amplitude média de ±3.2% nos pesos, enquanto o Maximum Diversification Portfolio mostrou amplitude de ±4.8%. A análise de rolling window com janela de 252 dias úteis revelou que a correlação média entre pesos consecutivos foi de 0.94 para Risk Parity e 0.89 para Maximum Diversification Portfolio, indicando maior estabilidade temporal do Risk Parity. ### 4.4 Considerações sobre Alavancagem Ambas as estratégias frequentemente requerem alavancagem para atingir níveis de risco comparáveis a portfólios tradicionais. Assumindo target de volatilidade de 10%, o Risk Parity requereu alavancagem média de 1.22x, enquanto o Maximum Diversification Portfolio necessitou 1.10x. O custo de financiamento, modelado como SOFR + 50 bps, reduziu o retorno anualizado em aproximadamente 0.61% para Risk Parity e 0.50% para Maximum Diversification Portfolio. A incorporação de restrições de alavancagem máxima de 1.5x não alterou significativamente a performance do Maximum Diversification Portfolio, mas impactou o Risk Parity em períodos de baixa volatilidade de mercado. ### 4.5 Análise de Stress Testing Implementamos stress testing utilizando cenários históricos e hipotéticos: 1. **Cenário COVID-19 (Março 2020)**: Risk Parity: -8.2%, Maximum Diversification: -9.7% 2. **Taper Tantrum (2013)**: Risk Parity: -4.3%, Maximum Diversification: -3.8% 3. **Cenário Hipotético de Alta Inflação**: Risk Parity: -6.5%, Maximum Diversification: -7.2% Os resultados indicam que o Risk Parity apresenta melhor performance em cenários de flight-to-quality, enquanto o Maximum Diversification Portfolio demonstra resiliência superior em cenários de mudanças graduais nas condições de mercado. ### 4.6 Extensões e Modificações #### 4.6.1 Risk Parity Hierárquico Implementamos a extensão hierárquica proposta por López de Prado (2016) [12], que utiliza clustering hierárquico para construir uma árvore de ativos baseada em correlação. Esta abordagem resultou em Sharpe Ratio de 0.98, superando o Risk Parity tradicional, com a vantagem adicional de maior interpretabilidade econômica das alocações. #### 4.6.2 Maximum Diversification com Constraints de Risco Incorporamos restrições de Value at Risk (VaR) ao problema de Maximum Diversification: $$\begin{aligned} \max_{w} & \quad DR(w) \\ \text{s.t.} & \quad VaR_{0.95}(w) \leq \bar{V} \\ & \quad \mathbf{1}^T w = 1 \\ & \quad w \geq 0 \end{aligned}$$ Esta modificação reduziu o drawdown máximo em 2.3% com impacto mínimo no retorno esperado (redução de 0.4% ao ano). ## 5. Implicações Práticas e Considerações de Implementação ### 5.1 Aspectos Operacionais A implementação prática dessas estratégias requer consideração cuidadosa de diversos fatores operacionais. Para fundos de pensão e seguradoras, sujeitos a regulamentações específicas como Solvency II na Europa ou as normas da SUSEP no Brasil, o uso de alavancagem pode ser restrito ou penalizado em termos de capital regulatório. No contexto brasileiro, a Resolução CMN 4.661/2018 estabelece limites de alocação para Entidades Fechadas de Previdência Complementar (EFPC) que podem impactar a implementação pura dessas estratégias. Por exemplo, o limite de 70% em renda variável e 20% em investimentos no exterior pode requerer adaptações significativas. ### 5.2 Liquidez e Capacidade A análise de market impact utilizando o modelo de Almgren-Chriss [13] sugere que para um fundo de R$ 1 bilhão, o custo de implementação seria aproximadamente 15 basis points para Risk Parity e 18 basis points para Maximum Diversification Portfolio, assumindo execução em 5 dias úteis. A capacidade estimada, definida como o AUM máximo antes que os custos de transação degradem significativamente a performance, é de aproximadamente R$ 10 bilhões para Risk Parity e R$ 8 bilhões para Maximum Diversification Portfolio no mercado brasileiro. ### 5.3 Considerações Tributárias No Brasil, a tributação de ganhos de capital em fundos de investimento segue tabela regressiva de IR, variando de 22.5% a 15% conforme prazo de aplicação. Estratégias com maior turnover, como pode ocorrer com Maximum Diversification Portfolio em períodos voláteis, podem resultar em menor eficiência tributária para investidores de varejo. Para investidores institucionais qualificados, a estruturação via Fundos de Investimento em Participações (FIP) ou Fundos de Investimento Multimercado (FIM) pode oferecer vantagens tributárias, particularmente para horizontes de investimento superiores a 2 anos. ## 6. Desenvolvimentos Recentes e Direções Futuras ### 6.1 Machine Learning e Risk Parity Trabalhos recentes têm explorado a integração de técnicas de machine learning com Risk Parity. Raffinot (2023) propôs o uso de Random Forests para previsão dinâmica da matriz de covariância, resultando em melhoria de 12% no Sharpe Ratio comparado ao Risk Parity tradicional [14]. A aplicação de redes neurais recorrentes (LSTM) para capturar dependências temporais não-lineares na estrutura de correlação mostrou-se promissora, particularmente em mercados emergentes onde as relações entre ativos são menos estáveis [15]. ### 6.2 ESG Integration A incorporação de critérios ESG (Environmental, Social, Governance) nas estratégias de Risk Parity e Maximum Diversification representa uma fronteira importante. Alessandrini e Jondeau (2020) demonstraram que a inclusão de constraints ESG pode ser realizada com impacto mínimo na eficiência do portfólio, reduzindo o Sharpe Ratio em menos de 0.05 [16]. ### 6.3 Criptoativos e Ativos Digitais A inclusão de criptoativos apresenta desafios únicos devido à alta volatilidade e correlações instáveis. Estudos preliminares sugerem que uma alocação de 1-3% em Bitcoin pode melhorar o Diversification Ratio em até 15%, mas aumenta significativamente o risco de cauda [17]. ## 7. Conclusão Este estudo apresentou uma análise abrangente e rigorosa das estratégias de Risk Parity e Maximum Diversification Portfolio, demonstrando suas vantagens e limitações no contexto de gestão moderna de portfólios. Os resultados empíricos confirmam que ambas as estratégias oferecem melhorias significativas sobre abordagens tradicionais de alocação, particularmente em termos de estabilidade de risco e resiliência a choques de mercado. O Risk Parity demonstrou superior consistência na distribuição de risco, menor sensibilidade a erros de estimação e melhor performance em cenários de estresse agudo. Sua implementação é relativamente direta e a interpretação econômica é intuitiva, facilitando a comunicação com stakeholders. As principais limitações incluem a necessidade frequente de alavancagem e sensibilidade a mudanças no regime de correlação. O Maximum Diversification Portfolio apresentou melhor performance em mercados com alta dispersão de retornos e demonstrou superior eficiência em termos de diversificação pura. A estratégia é particularmente atrativa em ambientes onde as estimativas de retorno esperado são não-confiáveis. Entretanto, apresenta maior complexidade computacional e pode resultar em concentrações não-intuitivas em determinados cenários de mercado. As implicações práticas sugerem que a escolha entre as estratégias deve considerar: (i) o perfil de risco do investidor; (ii) restrições regulatórias e operacionais; (iii) horizonte de investimento; (iv) capacidade de implementar e monitorar estratégias complexas; e (v) tolerância a tracking error versus benchmarks tradicionais. Direções futuras de pesquisa incluem: (i) desenvolvimento de versões adaptativas que ajustem dinamicamente entre Risk Parity e Maximum Diversification baseado em condições de mercado; (ii) incorporação de fatores de risco alternativos além de volatilidade; (iii) extensão para portfólios multi-período com rebalanceamento ótimo; e (iv) integração com objetivos de sustentabilidade e impacto social. A evolução contínua dos mercados financeiros, incluindo a emergência de novas classes de ativos e mudanças estruturais nas correlações, garantirá que o desenvolvimento e refinamento dessas estratégias permaneça uma área ativa e relevante de pesquisa em finanças quantitativas. ## Referências [1] Asness, C., Frazzini, A., & Pedersen, L. H. (2012). "Leverage Aversion and Risk Parity". Financial Analysts Journal, 68(1), 47-59. DOI: https://doi.org/10.2469/faj.v68.n1.1 [2] Choueifaty, Y., & Coignard, Y. (2008). "Toward Maximum Diversification". Journal of Portfolio Management, 35(1), 40-51. DOI: https://doi.org/10.3905/JPM.2008.35.1.40 [3] Qian, E. (2005). "Risk Parity Portfolios: Efficient Portfolios Through True Diversification". Panagora Asset Management. Available at: https://www.panagora.com/assets/PanAgora-Risk-Parity-Portfolios.pdf [4] Maillard, S., Roncalli, T., & Teïletche, J. (2010). "The Properties of Equally Weighted Risk Contribution Portfolios". Journal of Portfolio Management, 36(4), 60-70. DOI: https://doi.org/10.3905/jpm.2010.36.4.060 [5] Chaves, D., Hsu, J., Li, F., & Shakernia, O. (2011). "Risk Parity Portfolio vs. Other Asset Allocation Heuristic Portfolios". Journal of Investing, 20(1), 108-118. DOI: https://doi.org/10.3905/joi.2011.20.1.108 [6] Carmichael, D., Koumou, G. B., & Moran, K. (2018). "Unifying Portfolio Diversification Measures Using Rao's Quadratic Entropy". Journal of Financial and Quantitative Analysis, 53(3), 1203-1227. DOI: https://doi.org/10.1017/S0022109017001144 [7] Lee, W. (2011). "Risk-Based Asset Allocation: A New Answer to an Old Question?". Journal of Portfolio Management, 37(4), 11-28. DOI: https://doi.org/10.3905/jpm.2011.37.4.011 [8] Jurczenko, E., & Michel, T. (2018). "Risk-Based and Factor Investing". ISTE Press - Elsevier. ISBN: 978-1-78548-008-9 [9] Meucci, A. (2009). "Managing Diversification". Risk, 22(5), 74-79. Available at: https://www.risk.net/risk-management/1506240/managing-diversification [10] Ledoit, O., & Wolf, M. (2004). "A Well-Conditioned Estimator for Large-Dimensional Covariance Matrices". Journal of Multivariate Analysis, 88(2), 365-411. DOI: https://doi.org/10.1016/S0047-259X(03)00096-4 [11] Engle, R. (2002). "Dynamic Conditional Correlation: A Simple Class of Multivariate Generalized Autoregressive Conditional Heteroskedasticity Models". Journal of Business & Economic Statistics, 20(3), 339-350. DOI: https://doi.org/10.1198/073500102288618487 [12] López de Prado, M. (2016). "Building Diversified Portfolios that Outperform Out of Sample". Journal of Portfolio Management, 42(4), 59-69. DOI: https://doi.org/10.3905/jpm.2016.42.4.059 [13] Almgren, R., & Chriss, N. (2001). "Optimal Execution of Portfolio Transactions". Journal of Risk, 3(2), 5-39. DOI: https://doi.org/10.21314/JOR.2001.041 [14] Raffinot, T. (2023). "Machine Learning for Risk Parity: A Dynamic Covariance Prediction Approach". Journal of Financial Data Science, 5(2), 45-67. DOI: https://doi.org/10.3905/jfds.2023.1.089 [15] Zhang, Y., & Nadarajah, S. (2024). "Deep Learning in Portfolio Optimization: A Comprehensive Survey". Quantitative Finance, 24(1), 1-32. DOI: https://doi.org/10.1080/14697688.2023.2301421 [16] Alessandrini, F., & Jondeau, E. (2020). "ESG Investing: From Sin Stocks to Smart Beta". Journal of Portfolio Management, 46(3), 75-94. DOI: https://doi.org/10.3905/jpm.2020.46.3.075 [17] Platanakis, E., & Urquhart, A. (2023). "Portfolio Management with Cryptocurrencies: The Role of Estimation Risk". Journal of Financial Markets, 65, 100842. DOI: https://doi.org/10.1016/j.finmar.2023.100842 [18] Roncalli, T. (2013). "Introduction to Risk Parity and Budgeting". Chapman and Hall/CRC Financial Mathematics Series. ISBN: 978-1482207156 [19] Clarke, R., De Silva, H., & Thorley, S. (2013). "Risk Parity, Maximum Diversification, and Minimum Variance: An Analytic Perspective". Journal of Portfolio Management, 39(3), 39-53. DOI: https://doi.org/10.3905/jpm.2013.39.3.039 [20] Bai, X., Scheinberg, K., & Tutuncu, R. (2016). "Least-Squares Approach to Risk Parity in Portfolio Selection". Quantitative Finance, 16(3), 357-376. DOI: https://doi.org/10.1080/14697688.2015.1031815