Tras las dos entregas anteriores (Un Modelo de Inversión Multifactor para Batir al Mercado y Un Modelo Multifactor: Analizando los Resultados), analizamos como se puede reducir el drawdown de nuestro Modelo Multifactor mediante sistemas de coberturas con Market timing.
En los artículos de las ediciones anteriores estudiamos un modelo de inversión basado en factores Value, Calidad y Baja Volatilidad, que nos permitían, batir a nuestro benchmark a largo plazo. Además, analizamos las principales métricas para validar nuestro modelo para comprobar que era tipo de inversión sostenible. Recordamos que es un modelo que compra 20 acciones y se rebalancea la posición cada 3 meses, en función de un sistema de rankings.
Sin embargo, nos encontrábamos delante de un modelo que, si bien tiene una relación retorno-riesgo mejor que su benchmark, seguía teniendo unos drawdowns demasiado elevados para lo que la gran mayoría de los inversores puede asumir.
Los drawdowns en la operativa de largo plazo con acciones, y con la exposición a mercado con la que estamos planteando estos modelos, son una realidad incuestionable. Van a llegar. Y van a doler.
Market Timing
En este artículo quiero analizar una forma de reducir estas rachas perdedoras que es cuestionada con frecuencia por una gran parte de la comunidad inversora por el riesgo que tiene de caer en la sobreoptimización: el market timing.
Market timing es saber cuándo estar y cuándo no estar en el mercado. Para aquellos inversores que se dedican a hacer seguimiento de tendencia, es una de las claves de la operativa. Para otros, es una forma de sobreoptimizar los modelos. Intentar predecir las caídas de los mercados suele ser un mal negocio. Pero reaccionar ante las caídas ya tiene otro significado.
Hay una sensación generalizada de que los sistemas de market timing “llegan tarde”. Y muchas veces te dicen que te cojas un paraguas, mientras que al mirar por la ventana verás un sol abrasador.
Por eso, quizás analizados de forma individual no son tan efectivos. Sin embargo, la realidad es que cuando hay una “tormenta”, muchos indicadores se disparan.
¿Y si en vez de mirar un indicador por separado, miro una combinación de varios? ¿Y si encuentro 4 sistemas de market timing, basados en series de datos diferentes, que me ayudan a cubrirme en mitad de la tormenta? ¿Y si combinando estos sistemas soy capaz de reaccionar a tiempo y protegerme de las mayores caídas? Pues eso es lo que vamos a ver.
Los 4 Fantásticos
A la hora de encontrar sistemas de cobertura, hay que pensar que no todo lo que funciona, realmente vale. Hay que evitar caer en el sesgo de confirmación y utilizar una cobertura sobreoptimizada a nuestros datos del pasado.
Además, antes de combinar entre sí los sistemas, hay que estudiarlos de forma individual, ver qué valor aportan de forma separada, y las correlaciones entre sí.
Uno de los sistemas, el que he llamado Close en las estadísticas, está basado en la tendencia general del ETF IWB que replica al Russell 1000. Se basa en un indicador de tendencia sobre el precio.
El sistema Estimates se basa en las expectativas de beneficios empresariales y su tendencia. Por otro lado, el sistema de cobertura Fear trabaja con el “indicador del miedo”, VIX, dando señal de alerta cuando este se dispara. Y finalmente, el último sistema Team da señal de cobertura en función del porcentaje de acciones que haya alcistas o bajistas en nuestro universo. Así pues, son indicadores que trabajan con conjuntos de datos diferentes, que es el objetivo.
Todas las señales tienen una actualización semanal. Este es por tanto, el mínimo time frame con el que vamos a trabajar.
En la siguiente figura podemos ver los resultados del backtest. Cada modelo es el resultado de aplicar un sistema de cobertura diferente a nuestro Modelo Multifactor original.
Todos los sistemas dan resultados similares a la hora de reducir el drawdown más de un 10%. El lado positivo es que no se ven afectados los rendimientos, que suele ser bastante común cuando se aplica market timing.
Rolling Backtest
Sin embargo, a la hora de analizar la validez real, es necesario aplicar un rolling backtest para estudiar todas las posibles combinaciones de periodos de 3 meses. Este tipo de backtest consiste en coger todas las operaciones posibles a lo largo de nuestro periodo de estudio. En un backtest normal para estos modelos, rebalancearías la cartera cada 3 meses. Aquí, vemos todas esas operaciones que no habríamos tomado por tener ya el portfolio invertido. Esto nos dará una idea exacta de cuáles son las mejoras que hay respecto a nuestro modelo original y respecto al benchmark. En la siguiente figura encontramos la tabla con los resultados de los rolling backtests. Primero se muestran los resultados para el benchmark equiponderado (EW) y después para el resto de los modelos y sus comparaciones.
En total, y con una distancia de una semana entre origen y origen de operaciones de 3 meses, tenemos un total de 1013 operaciones posibles para cada sistema.
La razón de compararlo con un benchmark equiponderado que nosotros nos hemos construido es poder comparar manzanas con manzanas, ya que nuestros sistemas también son equiponderados. Además, utilizamos las mismas condiciones de comisiones, precios de empresas y dividendos, lo que hace que las posibles diferencias estén normalizadas.
Mirando la tabla anterior hay un punto destacable. Prácticamente ninguna métrica mejora para los sistemas con cobertura. De hecho, algunas empeoran. Sin embargo, hay una métrica que nos mejora mucho, especialmente para Close, Estimates y Team, que es la rentabilidad media de los modelos cuando el benchmark es negativo. Esta métrica pasa de ser negativa a ser positiva. Es decir, cuando el benchmark pierde, los sistemas ganan. No mucho, es cierto, pero ganan. Esto es precisamente lo que ayuda a poder llevar un modelo de largo plazo con una buena psicología. Que los momentos malos no sean tan malos. En cambio esto tiene un precio. Que los momentos buenos del benchmark, no son tan buenos para los modelos.
¿Cuánto Saltan las Señales de Coberturas?
Una de las preguntas que tenemos que hacernos es: ¿qué parte del tiempo estamos cubiertos?
En este caso, las coberturas rondan un tercio de los periodos de 3 meses posibles, excepto para el caso de Fear, que apenas llega a un 10%. Sin embargo, las correlaciones no son elevadas. Esto indica que están trabajando con información diferente y por tanto se cubren en momentos diferentes del mercado. Esto es positivo a la hora de combinarlos, puesto que no están aportando información redundante.
En la siguiente tabla podemos ver el porcentaje de periodos que estaría cada sistema en cobertura y la matriz de correlación.
En la siguiente figura podemos ver los solapamientos entre los diferentes sistemas de coberturas. Estos se producen especialmente en las caídas de inicio de los 2000, 2008, 2011 y 2016. Aunque, salvo Team, todos dan señales en periodos diferentes e incluso en más de una ocasión son los únicos indicadores dando señal de alarma.
Drawdowns
En el estudio de los drawdowns buscamos saber cómo reaccionaron los sistemas de cobertura en los diferentes momentos del mercado. Buscamos en concreto saber que ocurrió en las caídas de principios de los 2000 y del 2008.
En la siguiente figura además de estás gráficas podemos ver además la duración del periodo más largo que estuvo cada sistema en drawdown.
No hay duda que en el 2008 todos lo hicieron ampliamente mejor que el benchmark y que el modelo sin cobertura. Aunque llama la atención que en periodo de los 2000, aunque también todos lo hicieron mejor, la diferencia no es tan acusada como en el 2008. Respecto a los periodos de recuperación todos registran mejores números que el benchmark y en algún caso con mejoras significativas.
¿Y Ahora?
Como comentábamos al principio del artículo, ahora que hemos visto que individualmente cada señal de market timing aporta valor, tendremos que analizar cómo se comportan en conjunto, y como llevar esto a la práctica.
Para esto, nos construimos un comité de señales. Un comité, como su propio nombre indica, consiste en crear una única señal de cobertura que es la suma de las integrantes. Esto consiste en que si varias señales indican que hay que estar cubiertos, nos cubrimos. Y hasta que ese mismo comité no diga que ya no hay que estar cubiertos, no cerramos la cobertura.
De esta forma no reaccionamos al primer signo de alerta, ni salimos a la calle cuando uno de los indicadores dice que ya hace sol. Si no que buscamos que, indicadores diferentes entre si nos den una aprobación mayoritaria.
En la siguiente figura vemos un ejemplo de comité con los modelos coberturas que hemos aplicado en este artículo. Esta gráfica nos indica en qué zonas nuestro modelo original hubiera estado cubierto. En próximas entregas veremos en profundidad como se crea y que resultados tendría.
Las señales que hemos utilizado no son las únicas. También podemos incluir indicadores macroeconómicos como el desempleo o los indicadores líderes, que son muy efectivos a la hora de predecir recesiones.
Otra opción muy usada por los profesionales es la cobertura parcial de la posición, donde vamos cubriendo la posición (o quitando coberturas) en función del número de señales que vayamos teniendo.
Sin embargo, hay que tener siempre en cuenta que «lo mejor es enemigo de lo bueno«, y por tanto, a medida que queremos mejorar más y más los modelos, tendemos a sobreoptimizar más y más. A ser más flexibles con las condiciones que luego se van a dar en real, y en definitiva, a engañarnos. Los drawdowns en renta variable se pueden minimizar. Pero no se puede correr delante de ellos toda la vida. Tarde o temprano te atrapan. Y en ese momento no hay que pensar que el modelo es erróneo o está mal planteado. Porque los drawdowns son una parte más de la inversión.
Para cualquier duda o pregunta pueden contactar conmigo en mi blog Zona Quant por email en zonaquant[a]gmail.com o en Twitter vía @IVillalongaB.
Nota: todos los resultados mostrados son fruto de un backtest. Los rendimientos pasados no garantizan rendimientos futuros.
Artículo publicado en el número 36 de la revista Hispatrading. Regístrate en www.hispatrading.com de manera completamente gratuita para acceder a más artículos como este.
