Aprovechar al máximo las oportunidades en small caps

Las compañías small caps representan más del 10% de la capitalización bursátil global en libre flotación, pero siguen teniendo una asignación mínima en muchas carteras. Aunque históricamente han ofrecido rentabilidades atractivas a largo plazo y una diversificación significativa frente a los de gran capitalización, el segmento registró una prolongada rentabilidad inferior relativa después de la pandemia.

Sin embargo, en los últimos tiempos, las diferencias de rentabilidad relativa entre la pequeña y la gran capitalización ha empezado a cambiar.

El gráfico ilustra la naturaleza cíclica de la rentabilidad relativa, con periodos de rentabilidad superior que a menudo se prolongan en el tiempo a medida que rota el liderazgo. Es importante señalar que la valoración ha desempeñado un papel fundamental en este ciclo: aunque las small caps han cotizado históricamente con una prima de hasta el 30% frente a las de gran capitalización, esta situación se ha invertido en los últimos años. Hoy en día, cotiza con un descuento de alrededor del 30%,¹ un nivel inédito en más de dos décadas, y representa una atractiva oportunidad.

Aprovechar esta oportunidad no es coser y cantar. El universo global de las small caps abarca casi 4.000 valores y se caracteriza por una menor cobertura por parte de analistas, una mayor dispersión y modelos de negocio más variados. Esto propicia la obtención de alfa, pero también provoca que la selección tradicional de valores sea difícil de escalar. Además, los enfoques pasivos pueden dar lugar a una exposición involuntaria a compañías de menor calidad. En consecuencia, para acceder eficazmente a los valores de pequeña capitalización se requiere un enfoque más selectivo y sistemático.

Debido a estos retos, se han desarrollado enfoques más sistemáticos de inversión en small caps. En particular, la combinación de técnicas cuantitativas con machine learning es cada vez más relevante en este segmento. Al ir más allá de los modelos lineales tradicionales,² se pueden identificar mejor los patrones de los datos menos estructurados y con información irrelevante, y es posible adaptarse con mayor eficacia a los cambios en las condiciones del mercado. Así, podemos captar mejor las diversas oportunidades de forma más sistemática y aplicar un proceso de inversión disciplinado y escalable de forma constante.

Robeco NextGen Global Small-Cap Equity ETF está diseñado para sortear esta complejidad y combina la amplitud del universo con un enfoque innovador y basado en datos.

Los valores de pequeña capitalización ofrecen una oportunidad atractiva, pero de difícil acceso, por lo que requieren un enfoque más avanzado y sistemático. Robeco NextGen Global Small-Cap Equity ETF está diseñado para satisfacer esta necesidad y combina una amplia exposición al mercado con un proceso disciplinado basado en datos.

Notas al pie

¹ Fuente: Robeco, «Pequeña capitalización, indicadores mejorados: Nuestro nuevo ETF de próxima generación». Valoración basada en una combinación de métricas de valoración, incluidas las ratios precio/valor, precio/beneficios, precio/flujo de caja y precio/dividendo.
² Los modelos lineales se basan en el supuesto de que cada indicador de inversión tiene un efecto fijo e independiente en la rentabilidad. En realidad, las relaciones entre los indicadores suelen ser más complejas: su efecto puede cambiar en función del contexto y de las interacciones con otros factores. El machine learning ayuda a captar estos patrones no lineales, lo que permite que el modelo sea más flexible y adaptable.