En este artículo queremos presentar qué combinación de variables pueden, en teoría, producir las mejores carteras de acciones basadas en diferentes perfiles de inversión, ello tomando en cuenta los últimos 6 años.
Para esto, durante la primera mitad de 2023 hemos desarrollado una plataforma de "paper trading" que nos permite ejecutar experimentos a gran escala en datos bursátiles históricos, descubriendo cuestiones interesantes que podemos convertir en contenido web de alta calidad para ustedes, nuestros lectores.
Predecir el mercado de valores es una tarea muy difícil y ha sido estudiada tanto académicamente como en el sector privado durante décadas, desarrollando varias escuelas de pensamiento sobre cómo funciona el mercado.
Específicamente, comenzaremos validando las teorías realtivas a la inversión en valor con escenarios semi-realistas, ejecutando experimentos que clasifiquen las acciones en base a teorías aceptadas sobre inversión en valor. Nos enfocaremos en ejecutar estrategias que compren las mejores empresas a los precios más baratos.
Nuestra pregunta de investigación específica para este estudio es la siguiente: ¿Qué combinación de variables medibles, tolerancias a las pérdidas y pesos sectoriales producen las mejores carteras para un inversor adverso al riesgo, neutral al riesgo y buscador de riesgo?
Para responder a nuestra pregunta de investigación, construimos un software que nos permite parametrizar una estrategia de trading, ejecutarla y analizar el resultado de su rendimiento. Luego, generamos miles de estrategias cuyos parámetros han sido generados aleatoriamente. Suponiendo que hemos explorado el espacio de búsqueda lo suficiente para haber obtenido muestras representativas, podemos establecer funciones objetivas para optimizar y determinar qué decisiones conducen a las mejores carteras.
Debe notarse que nuestros datos contienen sesgos debido a: el ciclo de caída-subida-bajada de la pandemia de covid que nuestros periodos de análisis contienen, y las condiciones de mercado que definieron la era entre 2017-2020 (tasas de interés bajas, bajos conflictos globales, etc.); por lo tanto, las conclusiones alcanzadas en este artículo deben tomarse con un grano de sal y ponerse en el contexto económico más amplio.
Nuestra metodología está en parte inspirada en los métodos Monte Carlo para buscar grandes espacios utilizando técnicas aleatorizadas. Las variables que decidimos usar para clasificar una acción se describen en la siguiente sección.
¿Qué queremos decir exactamente con ranking? Un sistema de ranking combinado es una forma de observar diferentes medidas al mismo tiempo para tomar una decisión. Es como hacer una ensalada de frutas: no solo consideras un tipo de fruta, sino que mezclas diferentes para crear una mezcla deliciosa. Del mismo modo, este sistema mezcla varias medidas o criterios. A cada medida se le da un cierto peso o importancia. Al considerar todo junto, obtienes una comprensión más clara y equilibrada de lo que estás tratando de evaluar.
Tomemos un ejemplo para entenderlo mejor. Supongamos que estamos tratando de decidir en qué acciones invertir. Decidimos usar dos medidas: ROA y PE. ROA, o Retorno sobre los Activos, nos dice cuánto beneficio está obteniendo una empresa de sus activos - un ROA más alto es mejor. PE, o Relación Precio-Ganancias, nos muestra cuánto tenemos que gastar para obtener un dólar de las ganancias de la empresa - un PE más bajo es mejor. Ahora, en lugar de solo mirar una medida, decidimos usar el sistema de ranking combinado. Por ejemplo, damos a ROA un peso del 20% y a PE un peso del 80%. Esto significa que pensamos que PE es más importante que ROA en este caso. De esta manera, estamos mirando ambas medidas al mismo tiempo y podemos tomar una decisión más equilibrada sobre en qué acciones invertir.
Para simplificar nuestro espacio de problemas y construir tracción en la investigación, decidimos comenzar examinando estrategias de trading con las siguientes características. Estos detalles son bastante técnicos, así que siéntase libre de saltar a la próxima sección.
De las veinte mil carteras probadas, las rentabilidades medias entre 2017 y 2020 tuvieron una mediana del 26%, con el 25% superior de las carteras rindiendo por encima del 31% y el 25% inferior rindiendo por debajo del 22%.
Las rentabilidades mínima y máxima de la cartera son respectivamente del 7% y del 47%.
Sus debilidades son vastas ya que el mercado de valores es un ambiente complejo, pero fundamentalmente estamos utilizando una cantidad relativamente baja de medidas estadísticas en nuestro sistema de ranking. Además, estamos aplicando el mismo sistema de ranking a cada sector dentro de la misma estrategia, siendo que la evidencia sugiere que deberíamos clasificar las acciones de manera diferente acorde con la industria.
Si asumimos que hay 3 tipos de inversores en el mercado, un individuo adverso al riesgo, uno neutral al riesgo y otro buscador de riesgo, nos gustaría también asumir que estos tres individuos buscarían optimizar distintas funciones objetivo. Específicamente, el individuo adverso al riesgo busca minimizar la volatilidad de los rendimientos, el neutral al riesgo buscará la cartera que le ofrezca el mayor nivel de rendimientos por cada "punto" de volatilidad que esté dispuesto a aceptar (específicamente conocido como el ratio de Sharpe), y el individuo buscador de riesgo quiere recibir los rendimientos más altos sin importar el costo.
Las tres estrategias más interesantes maximizan el ratio de Sharpe, maximizan los rendimientos, y minimizan la volatilidad respectivamente. Tenga en cuenta que todas las estrategias solo incluyen posiciones largas y no se protegen contra riesgos de mercado amplios, de ahí las series altamente correlacionadas. Lo interesante es observar la diferencia en las escalas de rendimientos entre las diferentes estrategias.
Una de estas tres estrategias se enfoca en optimizar el ratio de Sharpe, esta estadística puede ser pensada como un tipo de cambio: cuántos puntos de rendimiento te dará el mercado por cada punto de volatilidad que pagas. La cartera con el ratio de Sharpe más alto te dará la mejor relación calidad-precio.
La siguiente figura muestra todas las carteras que probamos trazando su volatilidad contra sus rendimientos, pudiendo observarse cómo nuestros tres grupos de estrategias están claramente concentrados alrededor de ciertas áreas de nuestro gráfico.
La siguiente figura muestra los rendimientos de la cartera en cada trimestre evaluado en nuestros períodos de análisis.
La siguiente figura muestra cómo diferentes estrategias priorizan las variables medibles utilizadas en nuestro análisis.
En el siguiente segmento podemos observar la distribución sectorial, los pesos de rango de variable y los rendimientos promedio para los tres portfolios de interés. Siéntete libre de saltar directamente al análisis PCA o a las conclusiones.
846ce310
year | 2010 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | 2020 | 2021 | All |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Avg. Returns(%) | |||||||||||||
Basic Materials | -1.00 | -0.32 | -1.00 | 13.11 | -1.00 | 6.03 | -1.00 | -1.00 | -1.00 | -1.00 | 9.87 | 16.63 | 3.47 |
Communication Services | nan | 5.90 | 4.24 | 22.79 | -0.78 | 2.34 | -1.00 | 3.05 | -1.00 | -0.57 | 6.59 | 2.16 | 3.97 |
Consumer Cyclical | -1.00 | 6.75 | 10.75 | 9.74 | -1.00 | -0.40 | 0.73 | 33.39 | 3.43 | 1.79 | 9.54 | 2.14 | 6.95 |
Consumer Defensive | -1.00 | 1.41 | 4.16 | 1.73 | -1.00 | -1.00 | 2.50 | 1.89 | 1.92 | 1.97 | 5.31 | 0.58 | 1.71 |
Energy | -1.00 | -1.00 | -1.00 | -1.00 | -1.00 | -1.00 | 46.86 | -1.00 | 3.44 | 8.63 | 7.88 | 12.48 | 6.49 |
Healthcare | -1.00 | 0.47 | -1.00 | 6.68 | 48.38 | 3.40 | -1.00 | -1.00 | -1.00 | -1.00 | -1.00 | 25.40 | 6.94 |
Industrials | -1.00 | 2.27 | 5.73 | 7.10 | -0.39 | 2.55 | -0.02 | 0.39 | -1.00 | 9.01 | 14.07 | 9.39 | 4.39 |
Real Estate | 6.79 | 0.06 | 3.30 | -1.00 | 5.06 | -0.36 | 1.92 | 2.28 | 0.95 | 6.21 | 1.33 | 4.15 | 2.19 |
Technology | 1.02 | 4.63 | 1.99 | 2.60 | -1.00 | 7.54 | 2.08 | 5.82 | 0.35 | 1.19 | 7.72 | 2.12 | 3.14 |
All | 0.26 | 2.87 | 4.29 | 7.31 | 1.64 | 2.02 | 1.71 | 5.46 | 0.38 | 3.86 | 7.33 | 5.39 | 3.81 |
Indicator | Weight |
---|---|
PB | 19 |
ROA | 0 |
PE | 6 |
ROD | 36 |
DivP | 36 |
netIncomeTTM4QGrowth | 2 |
Year | Returns |
---|---|
2010 | 0 |
2011 | 11 |
2012 | 16 |
2013 | 27 |
2014 | 6 |
2015 | 8 |
2016 | 6 |
2017 | 21 |
2018 | 1 |
2019 | 15 |
2020 | 28 |
2021 | 20 |
Sector | Weight |
---|---|
Healthcare | 3 |
Basic Materials | 5 |
Real Estate | 23 |
Industrials | 20 |
Consumer Cyclical | 10 |
Technology | 13 |
Consumer Defensive | 6 |
Energy | 3 |
Communication Services | 16 |
Consumer Non-Cyclicals | 1 |
Podemos tomarnos un momento para profundizar en las transacciones específicas que realizó este portafolio viendo las mejores y peores operaciones realizadas durante el 2017.
La siguiente tabla muestra 5 operaciones malas aleatorias y las 5 mejores durante el 2017. Esta tabla nos permite ilustrar la mecánica interna de nuestro sistema de trading. Lo interesante de observar es la columna de "Clasificación Actual" que muestra cómo clasificamos una acción específica. Un rango más bajo indica una mejor acción, la razón de esto se debe a la forma específica en que combinamos nuestras variables y producimos la "clasificación". Perfectamente podríamos haber elegido que un rango "mayor" sea "mejor".
Sector | Ticker | Buy Date | Buy Price | Sell Date | Sell Price | ROA | PE | ROD | DivP | Actual Ranking | Net Income 4QG | Potential Returns | Stop Loss | Real Returns | Days Held | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
index | ||||||||||||||||
0 | Energy | TK | Jun 2017 | 5.816 | Jul 2017 | 5.929 | 0.008 | 5.098 | 0.011 | -26.548 | 10.424 | 0.308 | 0.415 | 1 | -0.130 | 7 |
1 | Basic Materials | CLW | Sep 2017 | 49.250 | Oct 2017 | 44.100 | 0.015 | 31.674 | 0.022 | nan | 43.998 | -1.596 | -0.078 | 1 | -0.130 | 10 |
2 | Consumer Defensive | IMKTA | Jun 2017 | 30.378 | Jul 2017 | 27.092 | 0.029 | 12.352 | 0.041 | 47.367 | 31.328 | -0.569 | 0.051 | 1 | -0.130 | 10 |
3 | Consumer Cyclical | M | Jun 2017 | 18.116 | Jul 2017 | 16.432 | 0.029 | 9.686 | 0.037 | 12.034 | 26.410 | -0.634 | 0.119 | 1 | -0.130 | 10 |
4 | Healthcare | THC | Sep 2017 | 16.430 | Oct 2017 | 14.400 | 0.007 | 9.724 | 0.008 | 6.586 | 11.700 | -0.323 | -0.077 | 1 | -0.130 | 11 |
5 | Consumer Defensive | IMKTA | Sep 2017 | 23.562 | Dec 2017 | 31.924 | 0.029 | 9.805 | 0.040 | 36.733 | 28.608 | -0.099 | 0.355 | 0 | 0.355 | 91 |
6 | Basic Materials | TGB | Jun 2017 | 1.270 | Dec 2017 | 2.330 | 0.011 | 25.892 | 0.018 | nan | 41.855 | 4.694 | 0.835 | 0 | 0.835 | 182 |
7 | Basic Materials | RYAM | Sep 2017 | 13.209 | Dec 2017 | 19.789 | 0.024 | 21.174 | 0.029 | 44.929 | 41.413 | 0.267 | 0.498 | 0 | 0.498 | 91 |
8 | Consumer Cyclical | HOV | Sep 2017 | 48.250 | Dec 2017 | 83.750 | 0.007 | 18.998 | 0.007 | nan | 26.889 | -0.266 | 0.736 | 0 | 0.736 | 91 |
9 | Basic Materials | VHI | Sep 2017 | 25.847 | Dec 2017 | 65.824 | 0.013 | 21.923 | 0.016 | -27.182 | 32.974 | 1.966 | 1.547 | 0 | 1.547 | 91 |
fb5fd579
year | 2010 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | 2020 | 2021 | All |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Avg. Returns(%) | |||||||||||||
Basic Materials | 6.78 | -3.70 | 11.49 | 14.14 | -2.92 | -4.02 | 7.10 | 19.91 | -9.29 | 1.02 | 55.56 | 12.83 | 9.27 |
Consumer Cyclical | 11.97 | 2.47 | 9.75 | 26.07 | 10.25 | 3.06 | 12.46 | 19.32 | -4.74 | 8.85 | 42.43 | -0.21 | 11.79 |
Consumer Defensive | 11.30 | 3.32 | 5.06 | 32.85 | -6.77 | -1.05 | 12.82 | 6.95 | -7.08 | 0.11 | 23.40 | 17.50 | 8.00 |
Energy | 21.96 | 12.99 | -0.32 | 41.89 | -1.04 | -9.15 | 24.85 | -9.91 | -8.82 | 0.53 | 28.99 | 22.22 | 9.51 |
Healthcare | 1.40 | -10.77 | 16.94 | 6.32 | 39.63 | -6.97 | -8.55 | 1.93 | -13.00 | 53.56 | 73.73 | 21.44 | 15.52 |
Industrials | 7.70 | -5.88 | 17.69 | 20.27 | 0.41 | -8.29 | 7.48 | 2.74 | -8.55 | 20.56 | 52.62 | 5.55 | 9.48 |
Real Estate | 6.79 | -3.47 | 9.20 | 2.95 | 8.87 | -4.56 | 7.74 | 7.02 | -2.90 | 6.75 | 16.41 | 23.43 | 6.50 |
Technology | 10.81 | -1.61 | -4.43 | 36.13 | 0.58 | -0.28 | 6.42 | -0.77 | -4.76 | 11.28 | 38.29 | 7.61 | 8.10 |
All | 10.11 | -1.37 | 8.88 | 22.01 | 3.08 | -3.88 | 9.13 | 7.89 | -7.19 | 10.21 | 42.87 | 11.64 | 9.40 |
Indicator | Weight |
---|---|
PB | 10 |
ROA | 30 |
PE | 31 |
ROD | 19 |
DivP | 6 |
netIncomeTTM4QGrowth | 4 |
Year | Returns |
---|---|
2010 | 5 |
2011 | -5 |
2012 | 32 |
2013 | 79 |
2014 | 11 |
2015 | -14 |
2016 | 33 |
2017 | 28 |
2018 | -26 |
2019 | 37 |
2020 | 154 |
2021 | 42 |
Sector | Weight |
---|---|
Healthcare | 5 |
Basic Materials | 21 |
Real Estate | 11 |
Industrials | 19 |
Consumer Cyclical | 14 |
Technology | 12 |
Consumer Defensive | 7 |
Energy | 9 |
Communication Services | 0 |
Consumer Non-Cyclicals | 2 |
fb5fd579
year | 2010 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | 2020 | 2021 | All |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Avg. Returns(%) | |||||||||||||
Basic Materials | -1.00 | -1.00 | 7.37 | 8.95 | -1.00 | -1.00 | -1.00 | -1.00 | -1.00 | -1.00 | -1.00 | 16.63 | 2.20 |
Communication Services | nan | 6.89 | 4.99 | 22.92 | -1.00 | 2.84 | -1.00 | 3.70 | -1.00 | -1.00 | 7.67 | 1.11 | 4.19 |
Consumer Cyclical | -1.00 | 6.75 | 7.49 | 7.17 | -1.00 | -0.45 | 0.73 | 9.73 | 3.43 | -1.00 | 6.43 | 2.14 | 3.74 |
Consumer Defensive | -1.00 | 3.90 | 1.19 | 2.46 | 2.85 | 2.78 | 1.34 | 1.16 | 0.10 | 2.91 | 3.81 | -0.41 | 1.97 |
Healthcare | -1.00 | 0.47 | -1.00 | 6.68 | 54.26 | -1.00 | -1.00 | -1.00 | -1.00 | -1.00 | -1.00 | 25.40 | 7.07 |
Industrials | -1.00 | 1.83 | 8.98 | 7.27 | 0.22 | 1.03 | -1.00 | 2.47 | -1.00 | 10.34 | 10.53 | -0.29 | 3.57 |
Real Estate | 6.79 | 0.29 | 4.27 | -1.00 | 5.55 | -0.00 | 0.84 | 2.30 | -0.17 | 7.78 | 1.81 | 3.81 | 2.35 |
Technology | 1.42 | 4.24 | -1.00 | 10.75 | -1.00 | 9.24 | -0.91 | 1.97 | -1.00 | 5.23 | 16.86 | 1.54 | 4.11 |
All | 0.38 | 3.65 | 4.01 | 8.11 | 2.51 | 2.24 | 0.04 | 2.99 | -0.06 | 3.34 | 6.47 | 2.75 | 3.24 |
Indicator | Weight |
---|---|
PB | 22 |
ROA | 36 |
PE | 15 |
ROD | 1 |
DivP | 23 |
netIncomeTTM4QGrowth | 2 |
Year | Returns |
---|---|
2010 | 0 |
2011 | 11 |
2012 | 13 |
2013 | 25 |
2014 | 8 |
2015 | 7 |
2016 | 0 |
2017 | 9 |
2018 | 0 |
2019 | 10 |
2020 | 20 |
2021 | 9 |
Sector | Weight |
---|---|
Healthcare | 2 |
Basic Materials | 6 |
Real Estate | 15 |
Industrials | 10 |
Consumer Cyclical | 12 |
Technology | 12 |
Consumer Defensive | 16 |
Energy | 1 |
Communication Services | 14 |
Consumer Non-Cyclicals | 12 |
Como podemos observar en nuestra última figura, a medida que los puntos de datos se desplazan hacia la izquierda (indicando movimiento en la dirección negativa a lo largo del primer eje principal), se observa un aumento distinto en el valor objetivo. Esta tendencia sugiere una correlación inversa y robusta entre la posición de los portafolios a lo largo del primer eje principal y los correspondientes valores objetivos.
Expresado en términos sencillos, podemos deducir que al elegir cualquier portafolio arbitrariamente y hacer una pequeña modificación en su sistema de clasificación — de modo que otorgue mayor peso a las variables Retorno sobre la Deuda (ROD), Precio-Ganancia (PE) y Precio-Valor en libros (PB), mientras que reduce el énfasis en variables como el Crecimiento del Ingreso Neto de los Últimos Cuatro Trimestres (netIncomeTTM4QGrowth) y Retorno sobre los Activos (ROA) — es probable que presenciemos un aumento en los rendimientos durante nuestros periodos de análisis especificados.
Una métrica importante a tener en cuenta al analizar el eje principal es entender cuánta de la variación en nuestros datos se explica al usar estos ejes. En nuestro experimento observamos las siguientes métricas, cada posición corresponde al n-ésimo eje principal: 49%, 13%, 13%, 13%, 13%, 13%. Específicamente, el primer componente que se visualiza en el gráfico pca representa el 13% de la variabilidad (normalizada a los primeros 6 componentes).
Decidimos comunicar el primer componente ya que observamos que el componente principal 0 es un vector con todos los valores positivos, por lo tanto, no proporciona ideas para nuestro escenario.
Para aquellos que tienen inclinaciones técnicas, pueden observar los vectores reales de nuestros ejes principales en las tablas a continuación.
Las siguientes tablas describen los ejes principales 1º y 0º. Cada vector de portafolio se puede aproximar combinando los componentes principales del portafolio con sus ejes principales.
Principal Axis 1 | |
---|---|
Variables | |
ROD | -49.54 |
PB | -37.51 |
PE | -16.83 |
DivP | 3.82 |
netIncomeTTM4QGrowth | 27.54 |
ROA | 71.29 |
Principal Axis 0 | |
---|---|
Variables | |
PB | 40.30 |
netIncomeTTM4QGrowth | 40.61 |
ROD | 40.72 |
PE | 40.94 |
DivP | 41.09 |
ROA | 41.28 |
Dada la información generada en este estudio, tomando en consideración todas las advertencias mencionadas en este artículo, nos gustaría resumir algunas conclusiones interesantes.
Las operaciones crudas para las 90 mejores estrategias se pueden descargar aquí (opens new window) y las estadísticas resumidas de las carteras se pueden descargar aquí (opens new window).