Backtest del modelo

Aprendizaje automático financiero

El problema de la predicción

A diferencia de las aplicaciones tradicionales de ML, los mercados financieros presentan varias características únicas que hacen que la predicción sea excepcionalmente desafiante:

• Baja relación señal-ruido: Los rendimientos de activos contienen predominantemente ruido, con señales predictivas que a menudo explican menos del 5% de la varianza. Un IC de Spearman del 5-10% se considera excelente en la práctica.
• No estacionariedad: Las dinámicas del mercado evolucionan con el tiempo. Las relaciones que se mantenían en un régimen pueden revertirse en otro, requiriendo modelos adaptativos y validación cuidadosa.
• Naturaleza adversaria: Los mercados son competitivos—las señales rentables atraen capital hasta ser arbitradas. Esta 'decadencia del alfa' significa que los modelos requieren investigación y refinamiento continuos.

Validación cruzada en finanzas

La validación cruzada k-fold estándar es inapropiada para datos de series temporales debido a dependencias temporales. Empleamos:

• Validación cruzada purgada: Eliminar muestras cerca del límite entrenamiento-prueba para prevenir fuga de información de horizontes de predicción superpuestos.
• Períodos de embargo: Añadir zonas de amortiguación entre períodos de entrenamiento y prueba, típicamente igual a la longitud del horizonte de predicción.
• CV purgada combinatoria: Probar múltiples combinaciones de entrenamiento/prueba manteniendo la integridad temporal, proporcionando estimaciones robustas fuera de muestra.

Ingeniería de características

Los datos de precios brutos deben transformarse en características estacionarias y predictivas. Las transformaciones comunes incluyen rendimientos (aritméticos y logarítmicos), puntuaciones z, rangos percentiles e indicadores técnicos. La elección del escalado y normalización de características impacta significativamente en el rendimiento del modelo.

Gestión del riesgo financiero

Medidas de riesgo fundamentales

La gestión profesional de carteras requiere una cuantificación rigurosa del riesgo:

• Volatilidad (σ): La desviación estándar de los rendimientos, típicamente anualizada multiplicando por √252 para datos diarios. Mide el riesgo total pero no distingue entre alzas y bajas.
• Caída máxima: La mayor caída de pico a valle en el valor de la cartera. Crítico para entender los peores escenarios y la psicología del inversor—una caída del 50% requiere una ganancia del 100% para recuperarse.
• Valor en Riesgo (VaR): La pérdida máxima esperada en un horizonte temporal dado a un nivel de confianza específico (ej., VaR del 95%). Ampliamente utilizado pero criticado por no capturar el riesgo de cola.
• VaR Condicional (Pérdida Esperada): La pérdida esperada dado que las pérdidas superan el VaR. Aborda las limitaciones del VaR cuantificando la severidad de los eventos de cola.

El Ratio de Sharpe

Definido como (Rp - Rf) / σp, el ratio de Sharpe mide rendimientos ajustados al riesgo—rendimiento excedente por unidad de volatilidad. Un ratio de Sharpe superior a 1.0 se considera generalmente bueno, superior a 2.0 es excelente. Sin embargo, tenga cuidado: los ratios de Sharpe pueden inflarse artificialmente por iliquidez, apalancamiento o períodos de muestra cortos.

Riesgo sistemático vs. idiosincrático

El riesgo total se descompone en riesgo de mercado (β × movimientos del mercado) y riesgo específico de la empresa. El Modelo de Valoración de Activos de Capital (CAPM) sugiere que solo el riesgo sistemático es compensado, ya que el riesgo idiosincrático puede diversificarse. Los modelos de factores modernos extienden esto a múltiples factores de riesgo (tamaño, valor, momentum, calidad).

Construcción de carteras

Teoría moderna de carteras

El trabajo seminal de Harry Markowitz (1952) estableció que el riesgo de la cartera no es simplemente el promedio ponderado de los riesgos individuales de los activos—las correlaciones importan. Dos activos con correlación imperfecta (ρ < 1) se combinan para producir una cartera con menor riesgo que cualquier activo solo.

La frontera eficiente

Para cualquier objetivo de rendimiento dado, existe una cartera con varianza mínima. El conjunto de todas estas carteras forma la frontera eficiente—los inversores racionales solo deberían mantener carteras en esta frontera. Los puntos debajo de la frontera son subóptimos (mismo riesgo, menor rendimiento), mientras que los puntos por encima son inalcanzables.

Desafíos de la optimización

La optimización media-varianza es notoriamente sensible a las estimaciones de entrada:

• Error de estimación: Los rendimientos esperados son difíciles de estimar con precisión. Pequeños errores en las entradas pueden llevar a carteras óptimas drásticamente diferentes.
• Riesgo de concentración: La optimización sin restricciones a menudo produce posiciones extremas. Las implementaciones prácticas imponen límites de posición y restricciones sectoriales.
• Regularización: Técnicas como estimadores de contracción, Black-Litterman y optimización robusta ayudan a estabilizar los pesos de la cartera.

Peso igual vs. optimizado

La cartera 1/N (peso igual) a menudo supera a las carteras optimizadas fuera de muestra debido al error de estimación. Nuestro backtest utiliza pesos iguales del 5% como línea base robusta. Para carteras mejoradas, nuestro optimizador aplica restricciones y regularización para mejorar el rendimiento en el mundo real.

Estrategias de renta variable largo-corto

Neutralidad de mercado

Una cartera largo-corto neutral al dólar (exposición larga y corta igual) tiene exposición neta al mercado de cero. Esto aísla el 'alfa' de la selección de acciones mientras cubre el riesgo de mercado. La estrategia obtiene beneficios cuando las posiciones largas superan a las posiciones cortas, independientemente de la dirección del mercado.

Fuentes de rendimiento

Los rendimientos largo-corto se descomponen en:

• Alfa largo: Superación del rendimiento de posiciones largas frente al mercado.
• Alfa corto: Rendimiento inferior de posiciones cortas frente al mercado (obtenemos beneficios cuando los cortos caen).
• Reembolso de cortos: Intereses ganados sobre los ingresos de venta en corto (reducidos por costos de préstamo en la práctica).

Consideraciones prácticas

La implementación en el mundo real involucra costos de transacción (comisiones, diferenciales bid-ask), impacto de mercado (moviendo precios en su contra), restricciones de venta en corto (requisitos de localización, costos de préstamo) y límites de capacidad. Estas fricciones reducen los rendimientos realizados respecto a los backtests teóricos.

Frecuencia de reequilibrio

Un reequilibrio más frecuente captura el alfa más rápido pero incurre en mayores costos de transacción. La frecuencia óptima equilibra la decadencia de la señal contra los costos de operación. Para predicciones de rendimiento, el reequilibrio mensual o trimestral típicamente ofrece una compensación favorable.

Inversión por factores

¿Qué son los factores?

Los factores son fuentes sistemáticas de rendimiento que explican por qué ciertas acciones superan a otras con el tiempo. A diferencia de la selección de acciones basada en análisis de empresas individuales, la inversión por factores apunta a características amplias y persistentes compartidas por grupos de valores. La investigación académica ha identificado numerosos factores, aunque solo un puñado ha demostrado ser robusto a través de mercados y períodos de tiempo.

Los factores clásicos

• Mercado (β): Exposición al mercado de renta variable en general. El factor original del CAPM—las acciones con mayor beta se mueven más con el mercado e históricamente obtienen mayores rendimientos (con mayor riesgo).
• Tamaño (SMB): Las acciones de pequeña capitalización tienden a superar a las de gran capitalización. Fama y French (1993) documentaron esta prima 'pequeño menos grande', aunque se ha debilitado en décadas recientes.
• Valor (HML): Las acciones con bajas relaciones precio-valor contable superan a las acciones de crecimiento con el tiempo. Este factor 'alto menos bajo' refleja comprar activos baratos y vender los caros.
• Momentum (UMD): Las acciones que tuvieron buen rendimiento en los últimos 3-12 meses tienden a continuar superando. Jegadeesh y Titman (1993) documentaron este efecto 'arriba menos abajo' en todos los mercados.
• Calidad (QMJ): Las empresas con alta rentabilidad, ganancias estables y bajo apalancamiento superan. Asness et al. (2019) formalizó este factor 'calidad menos basura'.
• Baja volatilidad: Paradójicamente, las acciones de bajo riesgo a menudo ofrecen mayores rendimientos ajustados al riesgo que las acciones de alto riesgo, contradiciendo las predicciones básicas del CAPM.

Modelos de factores

Los modelos multifactor descomponen los rendimientos en componentes sistemáticos:

• Fama-French 3 factores: Mercado + Tamaño + Valor. Explica ~90% de los rendimientos de carteras diversificadas.
• Carhart 4 factores: Añade Momentum al modelo Fama-French.
• Fama-French 5 factores: Añade factores de Rentabilidad e Inversión, aunque el Momentum sigue siendo significativo.

Temporización de factores vs. exposición a factores

La exposición estática a factores (siempre inclinada hacia valor, momentum, etc.) ha recompensado históricamente a los inversores pacientes. La temporización de factores—ajustar dinámicamente los pesos de los factores—es mucho más difícil. Los factores pueden tener bajo rendimiento durante años antes de revertir, y las señales de temporización son notoriamente poco fiables. La mayoría de los profesionales recomiendan exposición a factores diversificada y consistente en lugar de asignación táctica.

Aprendizaje automático y factores

Nuestro modelo de predicción captura implícitamente exposiciones a factores a través de sus características. Al aprender patrones de datos fundamentales, momentum de precios y condiciones de mercado, el modelo identifica acciones que probablemente superarán—combinando efectivamente múltiples factores de manera basada en datos. Este enfoque puede descubrir interacciones de factores no lineales que los modelos lineales tradicionales pasan por alto.