Este artículo presenta el enfoque de paridad de riesgo jerárquico (HRP, por sus siglas en inglés) propuesto por López de Prado para la construcción de porta­folios óptimos de inversión empleando aprendizaje no supervisado –clustering jerárquico–, que permitan superar algunas limitaciones propias del modelo de Media-Varianza, en particular aquella relacionada con la necesidad de invertir la matriz de covarianzas en el momento de implementar el algoritmo CLA. Se toma una muestra de siete activos del mercado estadounidense, con los cuales se realiza una aplicación del algoritmo HRP propuesto por López de Prado; se encuentra que bajo este modelo la distribución de los activos en diferentes clús­teres genera mejoras en términos del retorno esperado, así como del coeficiente de Sharpe en comparación con los resultados del portafolio de media-varianza.