.svg){kind=small}
.svg){kind=small}
El entorno actual es más emocionante que nunca para las estrategias basadas en factores. Por un lado, estudios empíricos recientes han permitido a los inversores cuantitativos descubrir muchas señales que se desarrollan mucho más rápido que los factores más tradicionales, como valor, calidad, momentum y bajo riesgo. La reversión a corto plazo y el impulso industrial a corto plazo, ambos con un período de retrospectiva de tan solo un mes, son un caso ilustrativo.
A menudo se desestiman estas señales rápidas debido a preocupaciones sobre si sobrevivirán una vez que se tengan en cuenta los costos de transacción. Sin embargo, argumentamos que este desafío se puede superar combinando múltiples señales a corto plazo, restringiendo el universo a acciones líquidas y utilizando reglas de negociación que mitiguen los costos. Con una implementación eficiente, las señales a corto plazo pueden ofrecer un fuerte potencial de alfa neto que permite a los inversores expandir la frontera eficiente.
El auge de los datos alternativos
Otro desarrollo emocionante de los últimos años es el rápido crecimiento del volumen de conjuntos de datos alternativos disponibles, ofreciendo así oportunidades emocionantes para el factor investing de "siguiente generación". Los factores clásicos se derivan principalmente de los precios de las acciones e información extraída de los estados financieros. Otros datos comúnmente utilizados incluyen pronósticos de analistas y precios observados en otros mercados, como los mercados de bonos, opciones y ventas en corto.
Mientras tanto, las fuentes de datos alternativos incluyen transacciones financieras, sensores, dispositivos móviles, satélites, registros públicos e internet, por nombrar solo algunos. Los datos de texto, como artículos de noticias, informes de analistas, transcripciones de calls de ganancias, reseñas de productos de clientes o evaluaciones de empleados, se pueden convertir en señales cuantitativas utilizando técnicas de procesamiento de lenguaje natural que son cada vez más sofisticadas.
Todos estos datos se pueden utilizar no solo para crear nuevos factores, sino también para mejorar los factores existentes. Por ejemplo, los factores de valor tradicionales han sido criticados por incluir solo activos tangibles que se reconocen en el balance, mientras que muchas empresas en la actualidad tienen principalmente activos intangibles, como capital de conocimiento, valor de marca o valor de red. Para estimar el valor del capital de conocimiento, por ejemplo, se podría considerar la información de patentes.
La llegada del aprendizaje automático
Junto con la revolución de los macrodatos, también ha habido una explosión en el poder computacional. Esto permite a los inversores cuantitativos ir más allá de las simples clasificaciones de cartera o regresiones lineales y aplicar técnicas de aprendizaje automático (ML, por sus siglas en inglés de machine learning) más computacionalmente exigentes, como bosques aleatorios y redes neuronales. La principal ventaja de estas técnicas es que pueden descubrir efectos no lineales e interacciones.
Estudios recientes informan mejoras sustanciales en el rendimiento al aplicar ML al universo de factores. Sin embargo, también hay desafíos. Por ejemplo, la rotación de los modelos ML puede ser excesiva, ya que los modelos suelen estar entrenados para predecir los rendimientos del próximo mes, con el fin de tener suficientes observaciones independientes. Además, la interpretabilidad de los resultados de los modelos ML no es sencilla.
Por lo tanto, aunque el aprendizaje automático tiene el potencial de impulsar aún más las fronteras del factor investing, se deben superar diversos desafíos.
Sostenibilidad
Finalmente, el creciente interés en la integración de la sostenibilidad representa otra gran oportunidad para el factor investing. Los criterios de sostenibilidad pueden cuantificarse mediante puntuaciones ESG (ambientales, sociales y de gobernanza) amplias o métricas más específicas, como la huella de carbono, que están ampliamente disponibles hoy en día. Dado que estas puntuaciones de sostenibilidad son conceptualmente similares a las puntuaciones de factores, resulta bastante sencillo incorporarlas en el problema de optimización de cartera.
Esto puede hacerse, por ejemplo, en forma de restricciones estrictas o equilibrándolas entre sí en la función objetivo. En general, una cantidad considerable de sostenibilidad puede incorporarse en carteras basadas en factores sin afectar materialmente las exposiciones a dichos factores. De esta manera, la inversión basada en factores puede alinear los objetivos gemelos de riqueza y bienestar.
*Este artículo fue originalmente publicado por Robeco en https://www.robeco.com/es-es/vision-de-mercado/2023/03/why-the-best-is-yet-to-come-for-factor-investors
