Durante mucho tiempo, el mundo de la inversión en renta variable se ha dividido en estrategias activas y pasivas. Aunque cada una tiene sus ventajas, cuesta pasar por alto sus inconvenientes. Sin embargo, existe un tercer enfoque que combina varios de los mejores atributos de la vieja escuela: la inversión cuantitativa.
La inversión activa suele consistir en construir carteras concentradas que invierten en empresas analizadas exhaustivamente con el objetivo de generar una rentabilidad superior a la del mercado, también conocida como alfa. Los posibles inconvenientes son el coste y la coherencia. Las comisiones de gestión y el riesgo asociado a la concentración de la cartera pueden hacer que este enfoque resulte inadecuado para algunos inversores.
El enfoque pasivo, en cambio, replica automáticamente un índice de mercado. Esta forma de invertir en renta variable es barata y conlleva un riesgo relativamente bajo. Pero, a cambio, los inversores se ven obligados a renunciar a la posibilidad de obtener una rentabilidad superior a la de los mercados.
Las estrategias cuantitativas, sobre todo las que cuentan con una estructura de índice perfeccionado, combinan lo mejor de ambos mundos (véase la fig. 1). Como se construyen en carteras amplias con un solapamiento extenso, aunque no perfecto, con los índices de mercado, su diversificación reduce el riesgo. Es en esas pequeñas diferencias de las carteras –las sutiles desviaciones con respecto a los índices de referencia que acaban teniendo consecuencias importantes– donde las estrategias cuantitativas generan alfa.
Mediante el aprovechamiento de las grandes cantidades de datos que procesa un modelo de inversión basado en el aprendizaje automático, estas estrategias son capaces de identificar los títulos que tienen más probabilidades de obtener rentabilidades superiores –o inferiores– a corto y medio plazo. Dichas estrategias funcionan porque, aunque la renta variable sigue los ciclos económicos y las megatendencias a largo plazo, a corto plazo está expuesta a diversas influencias pasajeras que distancian sus precios de los fundamentales subyacentes. Los vaivenes de la confianza de los inversores desempeñan un papel primordial en este aspecto. La reacción del mercado ante las noticias de las empresas, los cambios en las previsiones de los analistas u otros factores de cualquier índole puede dar lugar a episodios de volatilidad que provocan anomalías en las cotizaciones de las acciones. Y son esas anomalías las que crean oportunidades para que las estrategias cuantitativas, que pueden ver a través de estos desajustes de los precios, generen alfa.
Para detectar anomalías en los precios, las estrategias cuantitativas utilizan algoritmos capaces de extraer relaciones entre los datos que se les facilitan. Estos algoritmos actúan como un mapa, con reglas de tráfico integradas, que guía a los datos en su itinerario hacia la obtención de un conjunto de resultados. Cuantos más conjuntos de datos diferentes hay, más reglas se necesitan para determinar sus interacciones y mejor puede predecir el modelo lo que sucederá en el futuro basándose en las relaciones anteriores.
| Pasiva | Cuantitativa con índice perfeccionado | Activa cuantitativa | Activa tradicional | |
| “Tracking error” deseado | Muy bajo | Bajo | Medio | De medio a alto |
| Rentabilidad activa | Ninguna | Más baja pero rentabilidad acumulada constante | Media, pero puede ser menos constante | Rentabilidad potencialmente más alta pero menos constante |
| Perfil de riesgo absoluto | Similar al del índice de referencia | Similar al del índice de referencia | Puede ser inferior al del índice de referencia | De medio a alto |
| Coste | Bajo | Bajo | De bajo a medio | De medio a alto |
| Concentración | Baja | Baja | De baja a media | De media a alta |
| Criterio humano en la selección de títulos | Ninguno | Ninguno | Muy bajo | Alto |
Fuente: Pictet Asset Management
El toque humano
Estos modelos se ejecutan automáticamente. No obstante, necesitan ser construidos, probados, perfeccionados y mantenidos por personas expertas. Los seres humanos no solo especifican los algoritmos, sino que los entrenan y vuelven a entrenar periódicamente con datos de modo que los modelos se mantengan al día con los cambios en la dinámica del mercado. Los expertos deben decidir qué técnica de aprendizaje automático utilizar y qué tipos de datos emplear: los conjuntos de datos tradicionales, como los balances de las empresas, pueden complementarse con fuentes alternativas como datos de transacciones con tarjetas, de redes sociales o de medios tradicionales. Son imprescindibles para garantizar la exactitud y la estabilidad de los resultados y para comprender los datos de salida. Determinan la frecuencia y la magnitud del entrenamiento requerido. Asimismo, deben entrenar y probar los modelos de forma rigurosa con datos de muchos años. El sinfín de datos que se pueden introducir posibilita la existencia de una variedad casi infinita de modelos.
La participación humana es decisiva hasta este punto pero, una vez seleccionado un modelo, es este el que dicta la compra y venta de acciones. Esta automatización no solo contribuye a eliminar los sesgos emocionales que afectan a los inversores humanos, sino que también reduce los costes.
La IA impulsa la inversión cuantitativa...
La inteligencia artificial (IA) no es un ámbito nuevo, pero los recientes avances del procesamiento informático, la computación en la nube y las herramientas de código abierto han allanado el camino para utilizar el aprendizaje automático, un subapartado de la IA.
Hoy en día, la IA está mejorando enormemente la inversión cuantitativa y creando la oportunidad de desarrollar la inversión cuantitativa 2.0 (véase la fig. 2). La IA ofrece una capacidad de procesamiento sin precedentes que permite a los modelos de inversión rastrear relaciones cada vez más complejas entre unas series de datos cuyo número no deja de aumentar.
El enfoque cuantitativo tradicional solía limitarse al análisis de un número relativamente pequeño de efectos del mercado que causan anomalías transitorias de los precios. Esto posteriormente ofrece exposición a catalizadores del conjunto del mercado, conocidos como factores, tales como el valor o el momentum. La IA brinda la posibilidad de identificar cientos de posibles señales/características con una mayor frecuencia. Estas se generan a partir de datos entre los que se incluyen balances de empresas, cotizaciones de acciones, notas de analistas, comunicados de prensa y reacciones de los inversores ante las novedades informativas tanto a corto como a largo plazo. Y eso es solo una mínima parte de lo que se puede hacer.
A diferencia del aprendizaje automático tradicional, que identifica las relaciones lineales en los conjuntos de datos, la IA puede detectar asociaciones mucho más complejas dentro del grupo de datos, gracias a lo cual puede obtener mucha más información acerca de lo que está determinando los precios de las acciones. Su capacidad para identificar relaciones no lineales más complejas multiplica enormemente su eficacia a la hora de encontrar asociaciones entre las series de datos.
Los modelos cuantitativos tradicionales especifican una relación lineal entre las rentabilidades de las acciones y las señales. Por ejemplo, en un modelo tradicional, la revisión al alza de una empresa por parte de un analista daría a entender que sus acciones generarían una rentabilidad superior. Sin embargo, existen muchas razones por las que esa relación podría no concretarse en una ocasión determinada o no detectarse en el momento oportuno para generar alfa.
Un modelo de aprendizaje automático no lineal entrenado con datos históricos puede identificar las relaciones que nos indican el momento exacto en que la revisión al alza del analista predeciría con mayor fiabilidad la rentabilidad futura. Esto podría deberse a la gran variedad existente de previsiones de analistas, a que el analista en cuestión constituye un caso atípico o al contexto temporal si, por ejemplo, la empresa fuera a publicar en breve sus resultados. Si la mayoría de los fondos alternativos tienen posiciones cortas en esas acciones, el modelo podría revelar la probabilidad de que experimenten un “estrangulamiento de cortos” que provoque una subida de su precio mucho más acusada de lo que justifica la revisión al alza del analista. En los conjuntos de datos financieros tradicionales posiblemente existen decenas de miles de estas relaciones no lineales “condicionantes” que pueden generar alfa adicional.
| Cuantitativa tradicional | Cuantitativa 2.0 con IA | |
| Exposición a factores | Factores clásicos | Inmune a factores |
| Número de señales/características | Número de señales seleccionadas | Cientos de características |
| Horizonte de inversión | Medio | De corto a medio |
| Tipo de modelo | Lineal | No lineal |
| Construcción | Definida por el gestor de carteras | Entrenada con datos |
Fuente: Pictet Asset Management
... para generar rentabilidades inmunes a los factores
Este marco, mucho más complejo, despeja el camino para que los gestores de carteras encargados de la estrategia aíslen los efectos específicos de cada título que influyen en el precio de las acciones. Para ello, excluyen numerosos factores comunes (mercado, sector, región, industria, país, estilos, exposiciones económicas) de la rentabilidad de cada título. De este modo, pueden identificar y extraer el alfa puro relacionado con la empresa.
Con el tiempo, los algoritmos evolucionan asimilando los cambios en la dinámica de la economía y del mercado e incorporando nuevas series de datos.
Para ser eficaces, los modelos impulsados por IA necesitan que haya personas que establezcan los parámetros de inversión. Pero, una vez especificados estos, es el algoritmo entrenado el que toma las decisiones de compra y venta de las distintas acciones.
Como estos parámetros limitan el riesgo, también limitarán la cantidad de alfa que genera la estrategia. Sin embargo, el efecto acumulativo incluso del alfa incremental resulta muy importante con el tiempo. Además, dadas las previsiones de que la rentabilidad esperada de la renta variable caerá hasta situarse en torno al 5% en un contexto de valoraciones elevadas tras varios años excelentes, incluso uno o dos puntos porcentuales de alfa marcarán la diferencia. Por ejemplo: suponiendo una rentabilidad hipotética del mercado durante los próximos 10 años del 5% y una rentabilidad superior de 1,5 puntos porcentuales anuales netos de comisiones, la ventaja de la acumulación generará un 24,8% adicional de rentabilidad para el cliente a lo largo de la década.
Un enfoque flexible
Una de las mayores virtudes de las estrategias cuantitativas es su flexibilidad.
Mediante la variación de su solapamiento con los índices subyacentes, las estrategias cuantitativas puede ajustarse para adaptar los niveles de “tracking error” y riesgo. Pueden adaptarse a la medida de las necesidades del inversor mediante la exclusión de ciertos títulos o sectores de su universo de inversión, sin por ello dejar de ofrecer las ventajas de un enfoque cuantitativo. Dada la diversificación de las carteras de las estrategias cuantitativas, con posiciones en todos los países y sectores, estos ajustes personalizados no menoscaban la capacidad de generar alfa. Además, aunque el “tracking error” de una estrategia cuantitativa sostenible que, por ejemplo, excluya empresas de petróleo, gas o minería sería mayor que el de una sin exclusiones, el enfoque central en la gestión de riesgos a la hora de construir la cartera reduce este impacto al mínimo.
Una estrategia estándar de índice perfeccionado, con un perfil de riesgo muy similar al de su índice de referencia, ofrece a los clientes una cartera principal que puede sustituir a un enfoque pasivo tradicional de seguimiento de índices. En Pictet Asset Management, dicho enfoque implicaría una ponderación principal en nuestra estrategia Quest AI-Driven, posiblemente complementada por una inversión en uno de los fondos de renta variable sostenible de Quest con “tracking error” mayor y beta más baja. Y como los enfoques cuantitativos ofrecen todo tipo de señales de compra y venta, se prestan a estrategias “long/short” tales como la de Quest AI.
La clave de las estrategias cuantitativas es construir el modelo idóneo y entrenarlo con una cantidad suficiente de datos adecuados. Posteriormente, deben establecerse parámetros apropiados que coincidan con el apetito de riesgo y demás requisitos de los inversores. Una vez hecho todo esto, la estrategia cuantitativa puede generar alfa incremental específico de cada título, eliminando la exposición de los inversores a los factores generales del mercado que enturbian la rentabilidad. Y lo consigue con un coste bajo y el nivel de riesgo del mercado. En pocas palabras, ofrece lo mejor de los enfoques de inversión activo y pasivo.
