COVID-19, Redes Comerciales y Carteras de Inversión
24 abril, 2020
La “financialización” de las materias primas
13 mayo, 2020

Factor Investing en la era del Big Data

Ideas principales en este artículo:

  • El último volumen (Mayo 2020) del «Review of Financial Studies» es uno de los más ricos y que más ideas útiles ofrece a inversores e investigadores de los últimos tiempos.
  • Se trata de un «Special Issue» sobre «New Methods for the Cross-Section of Returns» donde se ofrecen los últimos avances sobre el impacto de las nuevas técnicas de análisis de datos en los retornos de los activos financieros.
  • Pasamos a describir brevemente las conclusiones e ideas principales, intentando dar una visión global de la problemática a la que nos enfrentamos en el futuro.

En las últimas dos décadas hemos asistido a un auténtico boom en cuanto a la identificación de factores de riesgo o anomalías de mercado se refiere. Al factor de mercado del modelo CAPM le siguieron rápidamente otros: Size, Value, Momentum, Investment, o Profitability son algunos de los ejemplos más reseñables. Sin embargo en la actualidad vivimos en una especie de ‘zoo’ desconcertante de nuevos factores y candidatos a serlo (Cochrane, 2011). No obstante, una investigación profunda de los nuevos ‘factores’ revela que la mayoría de estos candidatos no son en realidad más que ‘falsos positivos’ desde un punto de vista estadístico (Harvey et. al., 2016). Los recientes avances tecnológicos para el análisis masivo de datos permiten dar un paso adelante en la identificación precisa de los factores de riesgo más relevantes y su aplicabilidad en tres frentes fundamentales.

El primero de ellos es la interacción entre los factores en serie temporal (time-series) y sección transversal (cross-section). La relevancia de esta interacción es importante ya que cuando creamos un ‘characteristic portfolio’ long-short lo hacemos estableciendo un orden jerárquico en los activos en base a su exposición a un factor en el tiempo (e.g., factor value ó HML), pero también introducimos otros riesgos inherentes a cada activo (Fama and French, 2020). Esto hace que en la cartera resultante no sólo estemos expuestos al riesgo del factor (por el que obtendremos una prima) sino a otros riesgos que no están valorados. Daniel et. al. (2020) proponen un método para construir una cartera en la que nos deshacemos de este riesgo no valorado (por el cual, recordemos, no somos recompensados!) y obtener así el llamado characteristic efficient portfolio (CEP) usando información contenida en la covarianza de los retornos pasados de los activos. Aplicar esta metodología en los 5 characteristic portfolios del modelo Fama and French (2015) resulta en un squared Sharpe ratio de 2.16 versus 1.16 del modelo original, lo que subraya la importancia de estas correlaciones muchas veces olvidadas.

El segundo de los temas tratados en este special issue del RFS es tan poco trivial como muchas veces ignorado en la investigación: la réplica e implementación de éstas estrategias de factores en un mercado real y el rol central de los costes de transacción. El artículo de DeMiguel et. al. (2020) toma un approach novedoso al considerar los costes de transacción de manera conjunta (en lugar de individual) en el portfolio de características (factores) del inversor. Así, obtienen un resultado sorprendente y contra-intuitivo a primera vista: un portfolio con más factores tendrá mejores retornos en el largo plazo que otro limitado a unos pocos, una vez corregimos por los costes de rebalanceo de la cartera.  Esto se debe a que la inclusión de una cantidad grande de factores hace que unos y otros se ‘equilibren’, de manera similar a como más activos diversifican el riesgo de nuestra cartera, con lo que el rebalanceo implica menos transacciones. La prueba empírica de esto se muestra en la siguiente figura (Figure 6 en DeMiguel et. al., 2020), donde el ‘Regularized’ portfolio, que incluye 51 características, tiene mejor performance que portfolios que combinan únicamente 3 o 4 factores en el período 1987-2015.

El tercer y último de los temas tratados en el special issue sea quizá el que más interés y expectación suscita, probablemente por las infinitas posibilidades que ofrece. Se trata del uso de técnicas de Machine Learning (ML) en la predicción de los retornos de los activos financieros. La mayor flexibilidad a la hora de modelizar frente a modelos puramente lineales, así como la posibilidad de tratar grandes cantidades de datos auguran que el ML va a encontrar un terreno extremadamente fértil en el análisis del mercado financiero. En un primer alarde de cómo incluso la ‘fuerza bruta’ en la aplicación de éstos modelos puede ayudar enormemente a avanzar en éste campo, Gu et. al. (2020) usan un gran número de técnicas econométricas para realizar un análisis pormenorizado del poder de predictibilidad de cada método. Recurren a un gran rango de métodos, incluyendo desde modelos lineales (OLS) o LASSO, a métodos más complejos y novedosos como los árboles de regresión (random forest) o las redes neuronales.

Los resultados muestran una innegable mejora derivada del uso de métodos de ML sobre otros métodos. La siguiente figura (Figure 9 en Gu et. al., 2020) muestra el performance de cada portfolio construido en base al poder predictivo de cada método. Como se ve en la figura, las estrategias construidas en base a métodos de ML, especialmente las basadas en redes neuronales (NN4), tienen un performance considerablemente mejor tanto en posiciones largas (long) como cortas (short) en el periodo 1987-2016.

Si bien trataremos más en detalle algunos de los papers aquí mencionados, y otros relacionados, en el futuro, este artículo presenta una pequeña preview de los últimos avances en el análisis de mercados financieros. Nuestro entendimiento del mercado se va a beneficiar de manera incalculable del advenimiento de nuevas técnicas de tratado y análisis de datos. Pese a que éstos métodos no nos libran de ciertos problemas de modelización (como el común overfitting), suponen un nuevo paradigma en el análisis cuantitativo de los mercados. Es, sin duda, un excitante momento para participar de ésta revolución!


Referencias:

  • Cochrane, J. H. (2011). Presidential address: Discount rates. The Journal of finance66(4), 1047-1108.
  • Daniel, K., Mota, L., Rottke, S., & Santos, T. (2020). The Cross-Section of Risk and Returns. The Review of Financial Studies33(5), 1927-1979.
  • DeMiguel, V., Martin-Utrera, A., Nogales, F. J., & Uppal, R. (2020). A transaction-cost perspective on the multitude of firm characteristics. The Review of Financial Studies33(5), 2180-2222.
  • Fama, E. F., & French, K. R. (2020). Comparing cross-section and time-series factor models. The Review of Financial Studies33(5), 1891-1926.
  • Gu, S., Kelly, B., & Xiu, D. (2020). Empirical asset pricing via machine learning. The Review of Financial Studies33(5), 2223-2273.
  • Harvey, C. R., Liu, Y., & Zhu, H. (2016). … and the cross-section of expected returns. The Review of Financial Studies29(1), 5-68.

Contacto:

  • Para cualquier tema relacionado con este artículo: insights@noaxglobal.com
  • Para consultas sobre el fondo de inversión NOAX GLOBAL: info@noaxglobal.com.

¿Te ha gustado el artículo? 

Suscríbete a nuestro newsletter pulsando AQUÍ!

Pin It on Pinterest

Share This