Existen innumerables estrategias para construir carteras de ETFs pero ninguna goza de tan buena reputación ni ha sido tan ampliamente estudiada como el enfoque core-satellite. Esta aproximación sintetiza extraordinariamente lo mejor de la gestión pasiva o indexada y de la gestión activa. En el presente estudio analizaremos dos técnicas de selección de activos basadas en reglas cuantitativas que permitirán gestionar la parte satelital de la cartera desde un enfoque sistemático.
Los portfolios construidos con la metodología core-satellite dividen el capital disponible en dos categorías:
La parte «core» representa la fracción más estable del capital y proporciona exposición a clases de activos altamente representativos del mercado. Por ejemplo, fondos indexados a la totalidad del mercado USA y a deuda pública a largo plazo. Esta porción de la cartera no está configurada para generar alpha sino para dar estabilidad al conjunto del portfolio.
La parte «satellite» es la porción de capital con potencial para generar mayor retorno. Puede ser gestionada discrecionalmente invirtiendo en productos considerados de mayor riesgo, materias primas, bienes raíces, mercados emergentes, bonos High Yield, etc.
Usando la aproximación núcleo-satélite los gestores consiguen controlar de manera más precisa el retorno ajustado por riesgo, al anclar el núcleo a un punto de la frontera eficiente, pero sin renunciar a beneficios superiores a los benchmarks de referencia procedentes de la parte satelital.
ESTRUCTURA DEL MODELO CORE-SATELLITE
Estructuralmente el núcleo suele ser muy sencillo. Por ejemplo, la típica cartera Markowitz 60/40 (RV/RF) para un nivel de aversión medio o 40/60 para un nivel alto. La gestión es pasiva y, a lo sumo, se hacen revisiones de objetivos y rebalanceos anuales. Aquí también interesa mucho el tema de gastos: se efectúan muy pocos ajustes de cartera y se eligen fondos cotizados grandes y con un expense ratio bajísimo, generalmente inferior al 0,20%.
Para construir las carteras satélite el gestor tiene varias alternativas: Comprar directamente la combinación de activos de mayor riesgo y ajustar sus ponderaciones al nivel R/R deseado. Invertir en un conjunto amplio fondos gestionados dinámicamente con diferentes estilos y objetivos. Esta suele ser la opción preferida por las grandes instituciones. El problema es que los productos de gestión activa pueden tener un gasto total elevado, casi siempre por encima del 1%. Además, últimamente ha surgido una corriente muy crítica hacia la gestión activa. Se observa con recelo cómo los gestores de estos fondos obtienen unos resultados mediocres que no justifican su mayor gasto ya que, en la mayoría de los casos, no consiguen batir a los fondos indexados de referencia sobre los que esperan obtener alpha. Un informe de investigación de Standard & Poor’s1, con datos hasta junio de 2017, pone el dedo en la llaga cuando muestra que el número de gestores activos que consigue obtener alpha, una vez descontados gastos, no llega ni al 7% considerando un período de 15 años. La tercera opción, es gestionar el satélite mediante modelos algorítmicos basados en estrategias de timing o de rotación de activos. Esta será la aproximación que abordaremos en este artículo.
Esquemáticamente una estructura core-satellite podemos ilustrarla del siguiente modo:
Como podemos ver, el sub-portfolio “núcleo” tiene dos elementos relevantes:
Tamaño: Al ser la parte estable del portfolio el porcentaje de capital asignado nunca suele ser inferior al 50%. Los constructos con vocación más conservadora y estable suelen tener porcentajes superiores al 70%.
Composición: Lo normal es encontrar una porción de renta variable compuesta por ETFs o fondos indexados a la totalidad del mercado doméstico2, de una amplia zona geográfica3 o a índices de empresas de media4 y alta capitalización5. La porción de renta fija suele dividirse entre deuda corporativa de calidad6 y bonos del Tesoro a medio y largo plazo7.
Otros elementos a considerar son: La política de rebalanceos (al ser la parte más estable suelen ser semestrales o anuales), la estructura de comisiones y las aportaciones y retiradas de capital.
Por otra parte, del sub-portfolio “satélite” destacamos:
Tamaño: Viene determinado por el tamaño del núcleo. Podemos hablar de tamaño absoluto o relativo. Determinados modelos aumentan o disminuyen el porcentaje de asignación en función de los resultados. Si en determinado período el satélite está obteniendo resultados más pobres que el núcleo se incrementa la ponderación del núcleo y, cuando esta situación se invierte, el satélite recupera los fondos detraídos.
Modelo de gestión. Que, como hemos visto, puede ser discrecional, multimanager o sistemático. Este último puede emplear multitud de estrategias de timing, de ranking y de rotación de activos. Seguidamente nos vamos a centrar en dos de ellas: Dual momentum y adaptative allocation.
Frecuencia operativa: Puede ser muy alta, aunque en términos de carteras de ETFs lo normal es que sea mensual y en raras ocasiones semanal o diaria.
LA ESTRATEGIA DUAL MOMENTUM
Podemos definir las estrategias basadas en el momento como todas aquellas que sacan partido del principio de continuidad de la tendencia. En las carteras diseñadas para el largo plazo el momento es el movimiento de fondo alcista o bajista de un activo o sector que podemos medir en gráficos de semanas o meses. En consecuencia, las estrategias basadas en el momento asumen que se puede generar alpha aprovechando la direccionalidad de los mercados.
El modelo, popularizado por Gary Antonacci en su libro Dual Momentum Investing8, distingue entre “momento absoluto” y momento relativo”. El momento absoluto (time-series momentum) analiza la rentabilidad actual de un activo en una ventana temporal de varios meses para determinar la continuidad y fortaleza de su tendencia. Suele utilizarse como benchmark el activo libre de riesgo (RF), medido por algún índice de renta fija de amplio espectro (por ej. el US Aggregate Bond index), de tal modo que si la rentabilidad del activo cae por debajo de la del benchmark entonces salimos del activo y compramos productos asociados al benchmark.
El “momento relativo” (cross-sectional momentum) compara la rentabilidad de un activo con un grupo específico de activos, manteniendo en cartera aquellos con mayor rentabilidad. Como siempre debe haber un número mínimo de activos en cartera, el momento relativo determina la dinámica rotacional de la cartera satélite.
Vamos a esquematizar esta estrategia en su forma más simple. Supongamos las tres siguientes clases de activos con su ETF más representativo y solo uno de ellos en cartera por período:
Mercado doméstico estadounidense (IWV)
Mercados emergentes (EEM)
Mercado de bonos global (BND)
El modelo tiene dos parámetros optimizables:
Número de activos en cartera
Número de períodos (normalmente en meses)
Ambos afectan drásticamente a los resultados, por lo que conviene evaluarlos rigurosamente empleando alguna metodología tipo Walk-Forward.
Otras variables no optimizables afectan en menor grado, pero también deben ser tenidas en cuenta a la hora de fijar el modelo:
Frecuencia operativa: Normalmente mensual y, en algunos casos, trimestral o semestral. De lo que se trata es de incurrir en los menos gastos posibles pero manteniendo la flexibilidad del modelo.
Ejecución de operaciones: La mayoría de los simuladores toman el primer o último día de mes. Pero no hay ningún motivo para que no se pueda entrar en cualquier otro momento, incluso hacer un posicionamiento progresivo en función de las tendencias a corto plazo de los mercados.
Determinación del momento absoluto: Si se basa o no en un activo simple como referencia para estar fuera del mercado.
Estructura de gastos: Estimación realista del gasto medio total.
LA ESTRATEGIA ADAPTIVE ALLOCATION
El modelo de asignación adaptativa combina momento relativo y volatilidad para seleccionar los activos en cartera en un intervalo temporal dado y su porcentaje de asignación. El modelo fue desarrollado por Adam Butler, Michael Philbrick y Rodrigo Gordillo y en un artículo9 publicado en 2015 que, posteriormente, daría lugar al libro Adaptive Asset Allocation10 ampliamente conocido en el mundillo de los gestores de carteras.
Se trata de un modelo rotacional en el que el número máximo de activos por período se elige entre un conjunto de activos previamente seleccionado bajo el criterio de la mejor rentabilidad relativa en los x meses anteriores. Una vez seleccionados los activos se aplica el criterio de mínima varianza o el de volatilidad inversa para el cálculo de las ponderaciones.
Esquemáticamente el proceso funciona del siguiente modo:
Este modelo también incluye un conjunto parámetros optimizables y variables que deben ser calibrados cuidadosamente pues su elección puede conducirá resultados muy dispares con el mismo conjunto de activos.
Los parámetros son:
Número de períodos para el cálculo del momento.
Número de períodos para el cálculo de la volatilidad.
Número de activos por período.
Entre las variables tenemos la frecuencia operativa, que en casi todos los modelos es mensual, el momento de ejecución de órdenes, normalmente al principio o final de cada período, y el modelo de asignación: Mínima varianza, volatilidad inversa, riesgo equiponderado, equilibro en términos R/R (Ej. maximizar Sharpe), minimizar CVaR, etc.
PORTFOLIO HALIMEDE
Seguidamente vamos a construir paso a paso una cartera modelo con este enfoque core-satellite y combinaremos los citados algoritmos para evaluar su funcionamiento. Le damos el nombre de Halimede en homenaje al astrónomo Matthew J. Holman que descubrió esta pequeña luna de Neptuno en 2002. Nuestro primer paso en la construcción de la cartera será la elección de los activos del núcleo. Partiremos de la típica cartera Markowitz 40/60.
Renta variable: para esta parte nos interesan activos indexados a la totalidad del mercado. Tenemos varias opciones: comprar todo el mercado USA, comprar el mercado mundial, combinar mercado USA con otros mercados regionales. Optamos por la segunda alternativa y seleccionamos los ETFs:
iShares Global 100 ETF (IOO) para mercados mundiales.
Vanguard Total Stock Market ETF (VTI) para los mercados USA.
Renta fija: aquí aptaremos por una combinación de bonos del tesoro y renta corporativa de alta calidad. En concreto:
iShares 7-10 Year Treasury Bond ETF (IEF) para deuda pública a medio plazo.
De aquí en adelante utilizaremos el excelente software Portfolio Visualizer11 para construir y evaluar nuestra cartera Halimede, cuya relación núcleo-satélite será 50/50.
El núcleo quedaría del siguiente modo:
Y su rentabilidad ajustada por riesgo sería más que aceptable:
Una de las ventajas de operar con ETFs es que el portfolio queda simplificado al máximo y con tan solo cuatro productos conseguimos una diversificación enorme. Es cierto que también podríamos haber utilizado fondos indexados, de hecho hay quien los prefiere por motivos fiscales. Sin embargo, además del núcleo, queremos construir un sub-portfolio satélite operado dinámicamente. Para ello necesitamos comprar y vender en cada periodo porciones variables de cada producto, por lo que necesitamos inmediatez y granularidad. Esto último es importante sobre todo con cuentas muy pequeñas.
Seguidamente vamos a construir el satélite empleando la estrategia Dual Momentum (DM). Para ello elegiremos una combinación de activos que combine la rotación sectorial, con la renta fija, Los bienes raíces y el oro. Recordemos que la parte satelital es la parte gestionada activamente y de la que esperamos obtener alpha. Por tanto su estructura no tiene por qué ser tan conservadora como el núcleo.
Elegimos los siguientes sectores de la economía USA:
Tecnología: XLK
Energía: XLE
Salud y biotecnología: XLV
Finanzas: XLF
Servicios públicos: XLU
Aeroespacial y defensa: PPA
Internet: FDN
A los que añadimos:
Oro: GLD
Bonos High Yied: HYG
Bienes raíces USA: VNQ
Con estos 10 activos construiremos el satélite, que en su versión estática, equiponderada y con rebalanceos anuales tendría el siguiente aspecto:
Comparando con el fondo Vanguard indexado al S&P 500, algo de alpha sí consigue generar esta versión estática del sub-portfolio satelital, aunque lógicamente su fuerza está en el algoritmo de gestión activa implementado.
Vamos a implementar el algoritmo DM con los siguientes parámetros:
Activos por período: Como buscamos la máxima diversificación el número de activos será de 5.
Período par el cálculo del timing: 6 meses.
Activo para estar fuera del mercado: Elegimos el TLT. Somos conscientes de que la elección es algo arriesgada, ya que los bonos del tesoro a largo plazo tienen una elevada volatilidad. Sin embargo, al existir una correlación negativa con la renta variable contribuye a suavizar el DD en los peores años de forma bastante efectiva. De hecho esta combinación, por lo que respecta al peor año y Máx. DD., consigue unos resultamos mejores que otras opciones más conservadoras como usar renta fija a muy corto plazo (BIL) o el mercado global de bonos (BND) para estar fuera del mercado.
Este es el resultado del portfolio Halimede en un backtest 2008-2017:
Conviene recordar que este modelo no utiliza técnicas de asignación dinámica. Por tanto, en cada período, los cinco activos seleccionados para la cartera satélite tienen una ponderación fija del 20%. En las fases bajistas, cuando la rentabilidad relativa de uno o varios productos cae por debajo de la del activo elegido para estar fuera del mercado, en nuestro caso el TLT, este último va aumentando su ponderación en fracciones del 20%.
Nuestro siguiente modelo de asignación, Adaptive Assets Allocation (AAA), sí utiliza asignación dinámica. Vamos a ver su comportamiento en esta cartera. Para ello, configuramos el algoritmo del siguiente modo:
Activos en cartera: Los 10 del modelo anterior más el TLT. El motivo de introducir los bonos a largo plazo es porque este modelo no incluye el activo para estar fuera de los mercados, por lo que hay que proporcionárselo para que el algoritmo AAA pueda dirigir la asignación dinámica hacia este activo en las fases bajistas.
Período para el cálculo del timing: 6 meses.
Período para el cálculo de la volatilidad: 3 meses12.
Activos por período: 5.
Modelo de asignación: Volatilidad Inversa.
Con esta configuración obtenemos el siguiente resultado:
Las diferencias entre los algoritmos DM y AAA no son significativas en cuanto a rentabilidad, si bien el modelo DM resulta más eficiente cortando las pérdidas en los movimientos bajistas, al traspasar el capital destinado a renta variable al activo libre de riesgo o producto de renta fija elegido para ello. En términos de rotación de activos el funcionamiento del AAA es más progresivo y coherente con un enfoque dinámiclo de distribución del riesgo mediante asignación adaptativa. En general ambos son buenos candidatos para gestionar de manera algorítmica la parte satelital de este tipo de portfolios.
CONCLUSIONES
La metodología core-satellite constituye una forma eficiente de construir portfolios flexibles, fáciles de gestionar y adaptados a las necesidades de cada inversor tipo. El núcleo aporta estabilidad y permite seguir de cerca al benchmark de referencia, mientras que la parte satelital facilita una gestión activa que busca generar alpha adaptándose a la dinámica de los mercados e invirtiendo en productos con mayor riesgo pero mejores expectativas de beneficio.
Existen formas discrecionales y algorítmicas de plantear el sub-portfolio satélite. Las primeras inciden más en la selección de activos y en la combinación de estilos de inversión, siendo sus puntos débiles una mayor dificultad para evaluar objetivamente el modelo y los elevados gastos de gestión en comparación con los productos indexados. Por contra, los modelos cuantitativos como los presentados en este artículo permiten una gestión dinámica a bajo precio y un control más riguroso de la operativa al asentarse en reglas objetivas.
Dado que estas carteras siguen una filosofía largoplacista y suelen implementarse en time frames muy amplios, con frecuencia mensuales, no requieren una monitorización continua ni sofisticadas plataformas de trading. De hecho, un gestor particular provisto de una hoja de cálculo puede administrar estas estrategias sin mayor problema.
En nuestra opinión, la incorporación de enfoques algorítmicos y el uso generalizado de productos indexados de bajo coste son tendencia dominante en la industria y coinciden con el uso imparable de robo-advisors y otros dispositivos automatizados de soporte a la inversión cuyo propósito es ofrecer un servicio cada vez más personalizado y al alcance de los pequeños ahorradores, reduciendo al máximo los gastos y minimizando la figura de gestor tradicional.
Andrés A. García
Artículo publicado en el número 33 de la revista Hispatrading. Regístrate en www.hispatrading.com de manera completamente gratuita para acceder a más artículos como este.
Referencias
1 Véase: “SPIVA® U.S. Scorecard” – https://www.spglobal.com/spdji/en/research-insights/spiva/about-spiva/ 2 Por ejemplo, en el caso del mercado global USA: Vanguard Total Stock Market Index Fund Investor Shares (VTSMX) o iShares Russell 3000 ETF (IWV). 3 Ej.: Vanguard European Stock Index Investor (VEURX) o iShares MSCI Eurozone ETF (EZU) 4 Ej.: Vanguard Mid Cap Index Investor (VIMSX) o iShares Core S&P Mid-Cap ETF (IJH) 5 Ej.: Vanguard 500 Index Investor (VFINX) o iShares Core S&P 500 ETF (IVV) 6 Normalmente la deuda corporativa calificada como “investrment Grade”. Ej.: iShares iBoxx $ Invmt Grade Corp Bd ETF (LQD) 7 Para el medio plazo a 7-10 años y para el largo plazo +20 años. Ej.: iShares 7-10 Year Treasury Bond ETF (IEF), iShares 20+ Year Treasury Bond ETF (TLT). 8 Antonacci G. (2015) Dual Momentum Investing: An Innovative Strategy for Higher Returns with Lower Risk, Mc. Graw Hill, Nueva York. 9 Butler A. y otros (2015) “Adaptive Asset Allocation: A prime” http://people.unica.it/claudioconversano/files/2015/11/Adaptive_Asset_Allocation_A_Primer.pdf 10 Butler, A., Philbrick, M. y Gordillo, R: Adaptive Asset Allocation: Dynamic Global Portfolios to Profit in Good Times – and Bad, Wiley, 2016. 11 Portfolio Visualizer (https://www.portfoliovisualizer.com/) de la empresa Silicon Cloud Technologies LLC, actualmente disponible de forma gratuita en Internet, y que dispone de una amplia variedad de herramientas para evaluar portfolios y construir diferentes modelos de carteras. 12 Conviene señalar que para el cálculo de la volatilidad este software utiliza base diaria mientras que para el cálculo del timing son períodos mensuales. Normalmente en modelos de este tipo se asume un período de volatilidad de la mitad que el empleado para el cálculo del momento relativo.
