Aunque el factor investing es un concepto maduro en el ámbito de la renta variable, todavía es un modelo incipiente en otras clases de activos. Abordamos esta y otras cuestiones con nuestro invitado, Amit Goyal, catedrático de Finanzas de la Universidad de Lausana y presidente del Instituto Suizo de Finanzas.
«En nuestro trabajo de investigación,1 concluimos que es muy difícil encontrar el timing oportuno para la asignación de activos entre bonos y acciones, por ejemplo. Es complicado adivinar a qué clases de activos les irá bien en el próximo mes, trimestre o año. Ahora estamos actualizando el estudio y hemos observado que nuestras conclusiones siguen siendo válidas, incluso si se utilizan variables nuevas. En esencia, nuestra conclusión es que el market timing no funciona».
«Pero quiero subrayar algo. Algunos lectores interpretan que nuestro estudio afirma que la previsibilidad no funciona, pero la previsibilidad es un concepto mayor y más amplio que no cubrimos del todo en nuestro análisis. Por ejemplo, nuestro estudio no analiza cómo funciona la previsibilidad en los mercados de renta fija, renta variable o materias primas a la hora de determinar qué valores pueden comportarse mejor que otros. De hecho, creo que hay mucha variación predecible en el abanico de rentabilidades de los bonos, las acciones y las materias primas».
«Soy consciente del debate que existe sobre esta cuestión. Personalmente, no he realizado ningún estudio sobre la materia, por lo que me resulta difícil tener una opinión específica. No obstante, me inclino a pensar que es difícil pronosticar si, por ejemplo, el factor value se seguirá comportando bien en 2023 como lo ha hecho en 2022, o si atravesará por dificultades como ocurrió entre 2015 y 2020. Lo mismo cabe decir del momentum o de cualquier otro factor. Por tanto, para no desviarme del tema, creo que, por lo general, es difícil acertar con el timing exacto».
«El factor investing es un concepto maduro en el terreno de la inversión en renta variable, pero eso no significa que no se esté investigando en este campo. Se sigue trabajando mucho en este ámbito, todavía se documentan nuevos factores y tal vez se produzca una síntesis de factores similares. No obstante, todavía es un modelo de inversión incipiente en otras clases de activos. No existe una comprensión generalizada de los factores en los bonos y, mucho menos, en las divisas o las materias primas. En mi opinión, esta es la próxima frontera del factor investing».
«Efectivamente, así lo creo. Los expertos académicos y los profesionales normalmente abordan la renta fija desde distintas ópticas, como el tipo de instrumentos (bonos soberanos frente a corporativos), el perfil de riesgo asociado (grado de inversión frente a especulativo) y el perfil de vencimiento asociado (corto plazo frente a largo plazo). Por eso opino que la renta fija ya está preparada para el factor investing».
«El motivo para que no haya ocurrido antes es que, probablemente, y en comparación con la renta variable, los profesionales y académicos disponían de menos datos con los que trabajar, por lo que podían extraer menos conclusiones. Pero, en la actualidad, existe un mayor número de bases de datos útiles, como TRACE. En consecuencia, académicos y profesionales empiezan a prestar más atención a los factores en la renta fija y su estudio aumenta».
A medida que avanza la tecnología, aumentan las oportunidades para los inversores cuantitativos. Con la incorporación de nuevos datos y el aprovechamiento de técnicas de modelización avanzadas podemos ahondar en nuestro conocimiento y mejorar la toma de decisiones.
«En principio, el uso del machine learning me parece positivo. Por ejemplo, las redes neuronales o los algoritmos de bosques aleatorios pueden detectar pautas en los datos financieros que se escapan al cerebro humano. Estas pautas se utilizan como señales para determinar qué acciones comprar o vender».
«Pero yo no soy muy partidario de seguir ciegamente a una máquina para tomar decisiones de inversión. Encontrará pautas en los datos porque eso es lo que sabe hacer, pero no te dirá por qué la señal aconseja comprar o vender un valor. Es lo que tiene el aprendizaje no supervisado».
«En mi opinión, aplicar el machine learning a la investigación académica es un camino más fructífero. Es posible utilizar técnicas de machine learning para definir factores que expliquen mejor las rentabilidades de los valores, o para que un inversor se acerque más a la cartera tangente».
«En el caso de los profesionales, también pueden emplear el machine learning para analizar big data y tipos de datos, como en el consabido ejemplo de las imágenes por satélite de los aparcamientos para determinar la afluencia en centros comerciales. En este contexto, el machine learning puede proporcionar señales mejores o más rápidas si se utiliza junto con big data. Pero repito que considero que tiene que haber un elemento de aprendizaje supervisado».
«Me gustaría destacar dos cuestiones. La primera está relacionada con un estudio en el que estoy trabajando actualmente sobre el momento en que se realizan las operaciones. Durante mucho tiempo, solo se pensaba en realizar operaciones, dividir órdenes y demás durante el horario de negociación habitual, más o menos entre las 9.30 y las 16.00. Pero en los últimos diez años aproximadamente, las subastas de cierre también han cobrado importancia en la negociación».
«Por ejemplo, tanto la bolsa de Nueva York como el Nasdaq celebran subastas de cierre a las 16.00 que suponen alrededor del 10 % del volumen de la sesión. Esto es significativo, sobre todo porque el estudio que estamos realizando ha revelado que los costes de transacción son mucho menores en esos intervalos. Por tanto, nuestro consejo es que los inversores lo tengan en cuenta como otra opción para definir una estrategia de negociación».
«La otra cuestión se refiere a un estudio basado en el trabajo de otros investigadores sobre la integración de los costes de transacción en la optimización de cartera. Aunque esta idea se discute en la literatura académica desde los años 80, los estudios recientes abordan nuevos métodos de ejecución. La diversificación por factores es un campo que ha suscitado atención en este sentido».
«Utilizando un ejemplo sencillo, un factor puede aconsejar la compra de acciones de Apple, mientras que otro aconsejará la venta del mismo valor. Una solución multifactorial casaría estas operaciones para minimizar los costes de transacción. Estas técnicas pueden rendir unos beneficios significativos y mejorar la capacidad de las estrategias multifactoriales. De hecho, ahora existen más estudios y una mayor concienciación sobre la forma de integrar técnicas que minimizan los costes de transacción en los procesos de construcción de la cartera».
«En términos generales, mi investigación actual abarca dos temas principales. El primero consiste en observar cómo invierten los fondos de dotación, fondos de pensiones, etc. El segundo se centra en el factor investing en distintas clases de activos».
«Por lo que se refiere al primero, creo que tenemos que comprender mejor el proceso de toma de decisiones de los propietarios de activos. Aunque la teoría de asignación de activos se remonta a la década de 1970, creo que no sabemos lo suficiente sobre cómo asignan el capital los propietarios de activos entre las clases de activos. Hay muchas otras cuestiones, que no se limitan a bonos y acciones, sino que abarcan otras clases de activos. Por ejemplo, puede estudiarse la forma en que los propietarios de activos adjudican sus mandatos de private equity».
«En cuanto al segundo tema, creo que el factor investing en distintas clases de activos es un nuevo El Dorado. En el sector, suele utilizarse la expresión “prima de riesgo alternativa” para referirse a ello. Creo que pueden realizarse muchos estudios en este campo y algunos expertos académicos lo están investigando. Por tanto, puede que en los próximos años lleguemos a conclusiones interesantes en este ámbito».
1 Goyal, A. y Welch, I., julio de 2008, «A comprehensive look at the empirical performance of equity premium prediction», Review of Financial Studies.
2 Goyal, A., Welch, I. y Zafirov, A., septiembre de 2021, «A comprehensive look at the empirical performance of equity premium prediction II», serie de trabajos de investigación del Instituto Suizo de Finanzas.
Suscríbase a nuestro newsletter para recibir información actualizada sobre inversiones y análisis de expertos.
