A medida que los avances tecnológicos abren nuevos horizontes en este campo, ¿puedes ilustrarnos un poco sobre cómo y cuándo empezó Robeco a integrar señales alternativas en sus estrategias? ¿Hasta qué punto hemos adoptado la inversión cuantitativa de próxima generación en nuestras estrategias?
«Nuestros modelos principales abarcan factores bien conocidos como valor, momentum y calidad, que clasificamos como factores de rentabilidad, así como el factor de bajo riesgo para la estrategia conservadora. Siempre hemos investigado la forma de potenciar estos factores, y en 2009 empezamos a incorporar señales alternativas con la aplicación del indicador de momento adecuado (timing) a nuestras estrategias de indexación mejorada. Este indicador, basado en general en señales innovadoras y que se mueven más rápido, sirve para determinar los momentos óptimos para comprar y vender las acciones que nuestro modelo principal ha señalado como valores interesantes».
Al principio asignamos una ponderación del 10% a esta señal de momento adecuado, potenciando paulatinamente nuestra estrategia con componentes adicionales. Estos elementos aportan importantes ventajas potenciales de diversificación. Por ejemplo, nuestro indicador de momento adecuado, que tiene una baja correlación con los factores tradicionales, puede reducir los recortes y mejorar la relación riesgo-rentabilidad. Sin embargo, estas señales se mueven rápido, por lo que pueden dar lugar a una rotación y costes de negociación elevados si se les otorga un peso excesivo».
«Para maximizar la rentabilidad neta perfeccionamos el indicador de momento adecuado y minimizamos los costes de negociación. De ese modo pudimos aumentar el peso del indicador al 20% en 2017; en la actualidad tiene un peso del 25%. A finales del año pasado lanzamos Quantum, una estrategia diferenciada de nueva generación basada en nuestra investigación y en un modelo que tiene sus cimientos en 2009».
«En términos de señales muy novedosas, el uso del machine learning supone un avance reciente. Inicialmente, se trataba de predecir el riesgo, concretamente el riesgo de solvencia, lo que significa identificar qué valores tienen probabilidades de sufrir recortes. Ahora, el machine learning es increíblemente eficiente a este respecto, especialmente cuando se trabaja con un conjunto diverso de variables relacionadas con el riesgo».
«También es muy interesante aplicar el machine learning para aprovechar los efectos de interacción. Por ejemplo, el efecto de reversión a corto plazo, según el cual los valores que han retrocedido en las últimas semanas tienden a recuperarse. El machine learning nos ayuda a afinar estas estrategias teniendo en cuenta dimensiones adicionales como la liquidez de estos valores».
«Aproximadamente en 2019 empezamos a utilizar una señal de procesamiento de lenguajes naturales (PLN), que traduce en puntuaciones las noticias que afectan al sentimiento de mercado. Evalúa la incidencia de las noticias en el sentimiento: si es positiva o negativa. Ahora estamos ampliando el uso del PLN para analizar las presentaciones de resultados e incluso los archivos de audio de las mismas, de modo que analizamos no sólo las palabras, sino también el tono y la entonación».
¿Cómo depuráis las señales de vuestras estrategias para mitigar los riesgos?
«Las revisiones de los analistas, que revisan los beneficios al alza o a la baja, pueden servir de ejemplo. Los analistas tienen prejuicios: suelen preferir los valores de crecimiento de gran capitalización. Nuestro objetivo es corregir ese sesgo, algo que históricamente nos ha ayudado a reducir el riesgo y mejorar la rentabilidad».
«En nuestros estudios académicos hemos abordado este tipo de cuestiones. Buenos ejemplos de ello lo constituyen el estudio sobre el momentum residual y el trabajo sobre el estilo value y el riesgo de solvencia. En este último caso, tomamos la prima value y demostramos cómo aprovecharla para eliminar de la estrategia el riesgo de solvencia. En nuestra estrategia activa de bajo riesgo, Conservative Equities, utilizamos señales de riesgo de solvencia para elegir qué empresas con un perfil de bajo riesgo compramos. También las utilizamos en nuestras estrategias de rentabilidad para evitar los valores con mayor riesgo de quiebra».
¿Cómo os cercioráis de que las nuevas señales derivadas de estos de datos son de fiar?
«Aunque tenemos a nuestra disposición muchos conjuntos de datos de una variedad increíble, no todos son válidos. Somos exigentes a la hora de seleccionar conjuntos de datos, asegurándonos de que son fiables y de que añaden valor a nuestras estrategias, sin dejar de explorar campos nuevos, como los datos de patentes o los datos de blogs financieros».
«Es cierto que muchas de las nuevas señales tienen un corto historial, pero suele ser suficiente para nuestras necesidades. Por ejemplo, cuando en 2006 empezamos a estudiar los mercados emergentes los datos no eran tan completos ni de tanta calidad como los que teníamos sobre los mercados desarrollados. Pero tenían calidad suficiente para empezar a investigar, y con el tiempo fuimos aprendiendo y mejorando la calidad de los mismos».
«Para estar seguros de que las nuevas señales son realmente fiables solemos recurrir a la bibliografía académica, que se centra sobre todo en Estados Unidos. A continuación aplicamos estas señales a otras regiones. Por ejemplo, aunque haya menos datos sobre los mercados emergentes, Europa puede ofrecer una muestra de prueba sólida. También evaluamos el comportamiento de estas señales en distintas situaciones de mercado. Para un período determinado, aunque sea corto, analizamos el comportamiento de la señal en diversas fases del mercado: mercado alcista, mercado bajista o momentos de alta volatilidad. Es fundamental entender la reacción de estas señales en distintos escenarios».
«Otro aspecto interesante es la 'prueba de la extensión del alfa'. Aquí estudiamos si los nuevos conjuntos de datos ofrecen algo más de lo que ya tenemos. No queremos reinventar la rueda. A veces, una nueva variable no es más que una réplica de la información existente en un formato más atractivo. En ese caso, lo más probable es que decidamos descartarla. Pero a veces descubrimos que una nueva variable es única y valiosa. Es una prueba difícil de superar, dado que nuestros modelos actuales son muy robustos».
¿Cuáles de estas señales nuevas que utiliza la inversión cuantitativa de próxima generación están ligadas a la sostenibilidad?
«Recientemente hemos empezado a utilizar dos señales como elementos de sostenibilidad: compromiso de los empleados y eficiencia de recursos. El compromiso de los empleados es un factor realmente interesante. Los empleados pueden calificar a sus empresas en plataformas como Glassdoor, donde manifiestan su satisfacción o insatisfacción. Las empresas mejor valoradas suelen tener una plantilla motivada y eficiente. Hemos descubierto que unos empleados contentos son indicativos de mayores ventas en comparación con los costes laborales y, curiosamente, estas empresas suelen tener mejores rentabilidades bursátiles en el futuro. Se trata de una señal alfa vinculada al componente "social" de ESG: satisfacción de los empleados».
«Por otra parte, la eficiencia de recursos incide más en el factor "E" de ESG. Pensemos en compañías aéreas con aviones muy eficientes en consumo de combustible. Obviamente, van a tener menores costes y utilizar menos recursos, lo que debería darles una ventaja competitiva. Supusimos que eso también sería de aplicación a otros sectores que utilizan muchos recursos, como los de energía, suministros públicos, automóviles o industria. Una forma de medirlo consiste en comparar la cantidad de emisiones de carbono (como indicador de los recursos utilizados) con las ventas de una empresa. Cuando lo analizamos, descubrimos que las empresas eficientes en el uso de los recursos (con bajas emisiones en comparación con las ventas) tienden de hecho a tener mejores rentabilidades bursátiles futuras, y que también tienen menores emisiones de carbono, lo que las convierte en ganadoras de la sostenibilidad».
Descubra el valor de la inversión cuantitativa
Suscríbase para conocer las últimas novedades y estrategias sobre inversión cuantitativa.
¿Cuánto cuesta convencer a los clientes para que se unan a esta evolución de la inversión cuantitativa?
«Hacemos que los clientes participen activamente en nuestros procesos y metodologías, por lo que también contribuyen en nuestros modelos básicos, y compartimos plenamente con ellos nuestras investigaciones y avances. Además, somos transparentes sobre nuestros procesos y los elementos que tenemos en cuenta, para que sean parte de dicha evolución».
¿Es más difícil mantener el liderazgo con todos esos avances?
«Llevamos mucho tiempo en esto y creemos que ello nos da ventaja porque tenemos experiencia a la hora de hacer estudios rigurosos; nuestro objetivo consiste en lograr un equilibrio óptimo entre los factores consolidados y los conjuntos de datos innovadores, combinando los datos tradicionales con las señales emergentes».
«Aunque la rotación y los costes de negociación suelen pasarse por alto o ser considerados como inamovibles por la literatura académica, les prestamos mucha atención. Su impacto es reducido en estrategias lentas, pero esa postura es ingenua en el mejor de los casos, e incluso puede entrañar pérdidas, sobre todo con las señales nuevas y más rápidas».
«Hay que diseñar una estrategia de reequilibrio inteligente; una estrategia de negociación inteligente. Con Weili Zhou, nuestro Jefe de Renta Variable Cuantitativa hemos realizado estudios sobre la aplicación de estrategias que tengan en cuenta los costes de negociación de forma inteligente y que sean rentables excluidos los costes de negociación».
Y por último, ¿cómo esperamos mantener nuestra vitola de innovadores en el futuro?
«No adoptamos ni adoptaremos nuevos conjuntos de datos alternativos sin una investigación rigurosa. Tampoco incorporamos señales sólo para parecer innovadores; lo hacemos cuando creemos que generan valor. Nuestro objetivo es generar alfa diversificada, concentrándonos en múltiples señales además de en las más conocidas. Si un enfoque concreto favorece la diversificación, aumenta el alfa o mejora el perfil de riesgo, estamos dispuestos a adoptarlo. Pero siempre buscaremos el equilibrio adecuado y consideraremos seriamente los costes de negociación, ya que son un aspecto básico de nuestra estrategia».
Señales alternativas seleccionadas
Componente de reversión a corto plazo: trata de analizar los valores que han registrado un cambio de tendencia a corto plazo.
Características de liquidez: también analizamos los valores cuyo perfil de liquidez ha mejorado, por considerarlo una señal positiva.
Información sobre préstamo de acciones: utilizamos información del mercado de préstamos en corto, y consideramos como señal negativa un elevado nivel de ventas en corto de una acción.
Datos de script web (ofertas de empleo): hacemos un seguimiento del número de puestos vacantes en las empresas, por considerar que su aumento supone una señal de crecimiento futuro.
Información de sostenibilidad: desde 2010 incluimos información sobre sostenibilidad como parte de nuestro tema de Calidad.
Información extraída de los mercados de crédito: nos servimos de la evolución de los bonos de una empresa para predecir el comportamiento futuro de sus acciones, y viceversa.
Noticias que afectan al sentimiento: analizamos el tipo de noticias que se publican sobre una empresa, considerando que las noticias más positivas son una buena señal para la rentabilidad futura de las acciones.
Técnicas de machine learning para predecir el riesgo de solvencia: utilizamos estas técnicas para predecir el riesgo de quiebra de una empresa.
Aunque los detalles de cada señal y su utilización varían, el objetivo general es mejorar el perfil de riesgo-rentabilidad de la cartera.