Nadie sabe mucho sobre de dónde proviene el alfa

Este artículo es una versión en sitio de nuestro boletín Unhedged. Los suscriptores premium pueden registrarse aquí para recibir el boletín todos los días de la semana. Los suscriptores estándar pueden actualizarse a Premium aquí, o explorar todos los boletines de FT.

Buenos días. El gestor de crédito privado Blue Owl ha detenido los rescates de uno de sus fondos dirigido a inversores minoristas, y los gestores de activos privados de todo tipo vendieron ayer en respuesta. Que el deseo de liquidez de los inversores minoristas resultara ser una mezcla incómoda con el modelo de inversión del crédito privado era algo previsible (incluso Unhedged vio venir el problema). ¿Se podrá salvar la relación? Envíenos sus pensamientos: unhedged@ft.com.

En finanzas, ¡no pienses, mira!

Los buenos artículos académicos a menudo parecen, paradójicamente, tanto claramente ciertos como muy interesantes. La buena lectura de Unhedged hace unos días — “¿Ayuda la investigación revisada por pares a predecir los retornos de las acciones?” — es un buen ejemplo.

El artículo, de Andrew Chen, Alejandro Lopez-Lira y Tom Zimmermann (a quienes llamaré CLZ), analiza dos conjuntos de predictores de retornos por encima del mercado, o “alpha”. El primer conjunto incluye 200 señales documentadas en prestigiosas revistas revisadas por pares de economía, finanzas y contabilidad; incluyen cosas como aumento de inversión, alta emisión de deuda o acciones, y sorpresas en ganancias. En la literatura, estas vienen acompañadas de evidencia histórica de rendimiento superior y, en muchos casos, de una explicación económica. Las explicaciones tienden a proponer que los inversores están siendo recompensados por asumir riesgos, o que hay una forma persistente de irracionalidad del inversor en juego.

El segundo conjunto de predictores fue generado por una computadora. CLZ tomó un conjunto de 29,000 ratios contables y “minó datos”, buscando aquellos que predijeran un rendimiento superior de manera estadísticamente significativa.

Luego, CLZ probó ambos conjuntos de predictores contra datos históricos fuera de muestra. Lo que encontraron fue que ambos grupos rindieron casi exactamente igual. Las pruebas se realizaron construyendo operaciones long-short de modo que el retorno esperado fuera cero si no existía poder predictivo. En el gráfico a continuación, el retorno adicional demostrado por cada predictor se rebasó a 100 para comparabilidad. Los predictores académicos y los generados por minería de datos perdieron aproximadamente la mitad de su poder predictivo en las pruebas fuera de muestra, y lo perdieron a un ritmo similar. Su gráfico:

Como dice CLZ,

Después de la muestra, el rendimiento de ambos tipos de predictores se reduce a aproximadamente el 50 por ciento de las medias de la muestra original. Los retornos generados por minería de datos se reducen un poco más que los retornos publicados, pero la diferencia es pequeña, tanto económica como estadísticamente. En la mayor parte del gráfico, el punto de referencia generado por minería de datos está dentro de un error estándar de los predictores publicados… el rendimiento post-muestra de predictores revisados por pares y generados por minería de datos es notablemente similar.

La explicación del alpha en los estudios académicos — riesgo, irracionalidad, lo que sea — tampoco importó. De hecho, “solo la investigación que es agnóstica respecto al origen teórico de la predictibilidad muestra un rendimiento superior consistente en comparación con la minería de datos”; incluso este efecto es “modesto”. Como López-Lira me resumió, “parece que no hay nada especial en los predictores de retorno descubiertos por académicos en comparación con predictores estadísticamente fuertes”. Para generalizar el punto: saber por qué funciona una estrategia de inversión cuantitativa, psicológica o económica, no parece beneficiar en absoluto a los inversores.

Lo que esto me recuerda (como otros han señalado) es a Jim Simons, fundador de Renaissance Technologies, el hedge fund cuantitativo más exitoso de la historia. Es bien conocido por decir que la única regla de su fondo era “nunca sobrepasar la computadora” (ver minuto 49 y siguientes de este video). Si la computadora te dice que hay una relación estadística explotable en los mercados, no intentes explicarla — negocia en ella. Porque si hubiera una explicación sencilla, la relación ya habría sido negociada y eliminada. La brecha se cerraría.

El resultado de CLZ me parece intuitivo y natural. Sabemos que en la medida en que el mercado crea oportunidades accionables, esas oportunidades se explotan y se degradan. En la medida en que una oportunidad esté respaldada por una explicación económica o psicológica clara, es probable que desaparezca aún más rápido. Lo sorprendente sería que cualquier oportunidad de obtener retornos ajustados por riesgo por encima del mercado, capturada por una teoría económica o psicológica convincente, perdurara a largo plazo. Los inversores, en la medida en que adopten un enfoque cuantitativo en el mercado de valores, deberían seguir a Wittgenstein, mirando primero y pensando después. El resultado de CLZ sugiere que la teoría es, en el mejor de los casos, una guía débil para la superación, y en el peor, una guía inútil.

¿Qué pensarán los inversores cuantitativos sobre el trabajo de CLZ? Pregunté a Rob Arnott, fundador del asesor de inversiones “smart beta” Research Affiliates. Él respondió que si

pones a 29,000 académicos buscando tenure a trabajar, buscando en datos para encontrar “factores” predictivos, no es nada sorprendente que una computadora que examine 29,000 factores hipotéticos obtenga resultados casi idénticos…

El método científico significa que desarrollamos una hipótesis, luego usamos datos históricos para probarla, y después buscamos datos fuera de muestra (por ejemplo, no estadounidenses, o de épocas premodernas, o datos posteriores a la muestra) para validar aún más la hipótesis. La finanza académica tiende a desarrollar hipótesis que se ajustan a los datos, lo cual no es método científico. Luego, se usa la prueba retrospectiva para mejorar la prueba y ajustar la hipótesis en consecuencia. Esto es minería de datos por excelencia.

Arnott argumenta que la investigación sobre un predictor o factores dado debería dividir cualquier retorno en exceso en lo que llama “alpha de revaloración” y “alpha estructural”. El alpha de revaloración es lo que sucede cuando las acciones con cierto factor se vuelven más o menos caras en relación con el mercado, medido por ratios precio/ganancias y similares. El alpha estructural es cualquier retorno adicional que queda cuando se elimina el alpha de revaloración, indicando “que el factor predice la mejora de los fundamentos, no solo la mejora en los retornos”. El alpha de revaloración debería ser “no recurrente en el mejor de los casos”; el alpha estructural podría perdurar.

En opinión de Arnott, entonces, un mayor rigor intelectual podría ayudarnos a encontrar explicaciones duraderas de las fuentes del alpha. Queda más trabajo por hacer.

Una buena lectura

¿Tienes suficientes acciones?

Podcast FT Unhedged

¿No te cansas de Unhedged? Escucha nuestro nuevo podcast, con una inmersión de 15 minutos en las últimas noticias del mercado y titulares financieros, dos veces por semana. Puedes ponerte al día con ediciones pasadas del boletín aquí.

Boletines recomendados para ti

Debida Diligencia — Las principales noticias del mundo de las finanzas corporativas. Suscríbete aquí

El Cambio en IA — John Burn-Murdoch y Sarah O’Connor analizan cómo la IA está transformando el mundo laboral. Suscríbete aquí