El tenista Roger Federer consiguió sumar 20 Grand Slams y 103 títulos, convirtiéndose en el segundo tenista más laureado de la historia. Lo más notorio es que lo consiguió habiendo ganado, de media, solo el 54% de los puntos. Patrick Vosskamp, co director de la gestión de la gama Best Styles, la franquicia de fondos de renta variable sistemática de Allianz Global Investors, establece una analogia entre el método de juego de Federer y los resultados de Best Styles: “Puede que no acertemos con el 90 % de las acciones, pero nuestra clave consiste en tomar muchas pequeñas posiciones de forma independiente, y con ellas obtener una pequeña ventaja”.
Best Styles es una gama de renta variable de gestión activa concebida para ocupar un lugar ‘core’ en las carteras. Ofrece exposición por factores – valor, calidad y tendencia- con un fuerte énfasis en la gestión de las fuentes del riesgo, tratando de neutralizar posibles sesgos de la cartera – ya sea por sectores o países- a los riesgos que van dictando el rumbo del mercado en cada momento. “Ponemos mucho énfasis en medir la sensibilidad de todos los valores de nuestro universo —por ejemplo, en la estrategia de renta variable global son 5.000 acciones— y, a continuación, nos aseguramos de que la cartera y el índice de referencia reaccionen de la misma manera”.
Vosskamp habla de la gama Best Styles como una estrategia con un active share en torno al 60 %, con un tracking error que no se separa demasiado del índice y con una rotación de cartera del 20 % al trimestre (equivalente al 80 % al año) que busca generar una rentabilidad algo superior a la del mercado de forma predecible, estable y consistente: “No batimos al índice un 20 % en un año, pero tampoco lo hacemos peor en un 25 % al año siguiente”, ejemplifica el experto. Las asignaciones en cartera se distribuyen, por norma general, en un 40 % en value, un 40 % en tendencia y un 20 % en calidad. “Puede parecer un enfoque poco emocionante, pero cuando se invierte dinero, quizá no sea mala idea que la estrategia resulte aburrida”, concluye Vosskamp.
El proceso sistemático está basado en la sólida experiencia del equipo de inversiones cuantitativas de Allianz GI – que lleva aplicando inteligencia artificial y machine learning desde 2007 en su investigación-, pero se combina con una evaluación cualitativa. El equipo está compuesto por 24 profesionales, de los cuales la mitad cuentan con tesis doctorales en Física y otras disciplinas. “Necesitamos personas muy cualificadas y con gran experiencia cuando se procesan tantos datos como nosotros. No basta con utilizar ChatGPT y escribir una instrucción, sino que se necesita a alguien que realmente sepa aplicar, comprender y mejorar los algoritmos que se utilizan”, comenta Vosskamp.
A continuación, el experto detalla en esta entrevista los entresijos de la gama Best Styles, que actualmente engloba seis fondos y gestiona un patrimonio de 100.000 millones de euros en activos bajo gestión.
¿Qué tipo de datos utilizáis para construir vuestros modelos?
Nuestro enfoque se basa en la selección bottom up, por lo que la información sobre las empresas es fundamental. Tenemos acceso a datos tradicionales (fundamentales, balances y otros indicadores financieros), pero nos resulta especialmente interesante la información no estructurada, como las transcripciones de las presentaciones de resultados.
Cuando las empresas presentan resultados, celebran una conferencia telefónica con analistas. Recibimos directamente la transcripción a través de un proveedor de datos, que se incorpora a nuestra infraestructura en la nube. A partir de ahí, se activa automáticamente un algoritmo de procesamiento del lenguaje natural que analiza el sentimiento y nos permite evaluar el tono de la conversación. Esta información tiene cada vez más importancia.
También utilizamos conjuntos de datos más sofisticados. Por ejemplo, analizamos el posicionamiento de los hedge funds en distintas compañías, prestando especial atención a las posiciones cortas, que permiten expresar una visión negativa sobre un valor. Así obtenemos una perspectiva más amplia que la que ofrecen únicamente los datos contables y financieros tradicionales.
Los datos de sostenibilidad también han adquirido una gran relevancia. En materia ESG, contamos con información de los principales proveedores y disponemos de una plataforma propia, Sustainability Insights Engine, que reúne en un panel por empresa los datos de distintos proveedores, nuestra evaluación interna y la información específica sobre sostenibilidad.
La compañía cuenta con un amplio equipo de sostenibilidad, formado por unos 40 profesionales, y desarrolla metodologías propias para abordar, por ejemplo, las calificaciones ESG. Combinamos todas estas fuentes de información para elaborar nuestra visión interna y nuestras perspectivas de mercado.
¿Cómo conseguís integrar estos datos de forma coherente?
Nuestra estrategia Best Styles es una estrategia de renta variable multifactorial. La idea consiste en analizar qué ha impulsado históricamente los mercados financieros, identificar qué características comparten las empresas que han obtenido buenos resultados y determinar si existen razones sólidas para pensar que esas características seguirán siendo relevantes en el futuro.
Hemos identificado tres factores especialmente importantes: valor, calidad y tendencia.
En el factor valor analizamos distintas métricas de valoración, como el PER, el valor en libros o precio y flujo de caja, entre otras. También es importante comparar empresas similares, teniendo en cuenta su región, sector y grupo de comparables. Las compañías value suelen comportarse especialmente bien cuando la economía entra en una fase expansiva, mejora el sentimiento de los inversores y aumenta la actividad económica.
El segundo es el factor calidad, que suele funcionar bien en periodos de búsqueda de seguridad. En este caso, buscamos empresas con balances sólidos, un bajo nivel de deuda neta y ventajas competitivas sostenibles.
El tercer factor, tendencia, es especialmente interesante desde el punto de vista del análisis de datos. Se apoya en tres elementos: revisiones de beneficios, momento y crecimiento. En cuanto a las revisiones de beneficios: cuando los analistas de las entidades de inversión revisan significativamente al alza sus estimaciones, suele ser una señal positiva para la renta variable y se asocia habitualmente con una rentabilidad futura superior. Para analizarlo, utilizamos bases de datos con las estimaciones de estos analistas.
Aquí también entran en juego las transcripciones de las presentaciones de resultados. Nos interesa especialmente la sección de preguntas y respuestas, en la que los analistas que elaboran esas estimaciones plantean sus preguntas. Analizamos el lenguaje que utilizan porque, en ocasiones, refleja sus expectativas y percepciones. El análisis del sentimiento de estas transcripciones puede ayudarnos incluso a anticipar cambios en sus estimaciones. Se trata de procesar las noticias con mayor rapidez.
Para analizar el momento, estudiamos la evolución histórica de las compañías, pero también aplicamos métodos novedosos y técnicas de inteligencia artificial. Por ejemplo, utilizamos redes neuronales para comprender mejor lo que sucede en el mercado. Los métodos estadísticos tradicionales tienen dificultades para captar los efectos de interacción entre variables.
El momento refleja la tendencia de los activos que han funcionado bien a seguir comportándose favorablemente, pero este efecto puede intensificarse cuando se combina con otros factores, como la volatilidad de las acciones o la liquidez de negociación. Por ejemplo, tiende a funcionar mejor en valores de baja volatilidad. Las redes neuronales permiten identificar estas interacciones y mejorar las señales que utilizamos.
Por último, el factor tendencia también incorpora el crecimiento observado. Analizamos, principalmente, la evolución de los beneficios y los dividendos. Asimismo, recurrimos a la IA para obtener información más prospectiva. Estas herramientas pueden ayudarnos a identificar las perspectivas de crecimiento de las empresas teniendo en cuenta tanto sus propios datos como el entorno actual del mercado.
También hemos mejorado el análisis del factor calidad mediante técnicas de inteligencia artificial y procesamiento del lenguaje natural. Analizamos documentos regulatorios, como los informes 10-K de Estados Unidos, en los que las empresas deben describir los principales riesgos a los que se enfrentan y asumen responsabilidades si omiten información relevante. Mediante el procesamiento del lenguaje natural, comparamos las nuevas publicaciones con las anteriores para detectar cambios. Una modificación significativa en la descripción de los riesgos puede indicar un deterioro de la calidad de la empresa y un posible empeoramiento de su rentabilidad.
¿Cómo abordáis los riesgos de concentración con vuestro enfoque?
Cuestionaría que la concentración sea necesariamente un problema importante. Si analizamos los datos históricos, no observamos una relación sólida entre concentración y riesgo o rentabilidades negativas. La concentración no es mala por sí misma. Las valoraciones elevadas sí apuntan a un comportamiento futuro más débil, pero no ocurre lo mismo con la concentración. Pensemos en mercados bursátiles regionales como los de Suiza o Taiwán. Sus índices están muy concentrados, pero eso no ha impedido que obtengan buenos resultados.
En segundo lugar, es cierto que las diez mayores posiciones del S&P 500 tienen actualmente un peso muy elevado. Pero ¿qué cambiaría si dividiéramos cada una de esas empresas en diez compañías más pequeñas? Nada. La situación actual refleja lo que está ocurriendo en la economía: la revolución de la inteligencia artificial está afectando a todo el mercado y a prácticamente todos sus ámbitos.
No es excepcional que determinadas empresas o temáticas impulsen los mercados. La concentración de los índices es mayor que en el pasado, pero históricamente un número reducido de compañías ha explicado buena parte de la evolución bursátil.
Por eso, si un inversor quiere tener exposición a la renta variable y su tolerancia al riesgo se lo permite, alejarse demasiado de las principales compañías puede resultar peligroso. Lo hemos visto en los últimos años. Llevamos cuatro años debatiendo si Nvidia está sobrevalorada, pero quien no haya invertido en ella durante ese periodo se ha perdido una parte importante de su revalorización. Para nosotros, este aspecto es fundamental.
Entonces, ¿cómo os diferenciáis del índice con vuestro enfoque sistemático?
Aceptamos que un índice representa el mercado y refleja la realidad de cada momento. Creemos que podemos hacerlo mejor, pero no queremos alejarnos demasiado del índice de referencia. Por eso, limitamos la desviación de cada valor individual a un máximo del 1 % respecto al índice.
La diversificación también es esencial. Un enfoque sistemático constituye, en buena medida, una forma de gestionar el riesgo mediante la diversificación. Sin embargo, es importante entender qué significa realmente diversificar y qué no.
Diversificar no consiste en tener un número determinado de acciones ni implica necesariamente incorporar distintas clases de activos. Se pueden añadir inversiones alternativas, pero si estas son centros de datos y las materias primas están vinculadas a la IA, no estamos diversificando realmente. De poco sirve poner los huevos en distintas cestas si todas las cestas van en la misma bicicleta y circulas por un camino lleno de baches, puedes tener problemas. Lo importante es diversificar las fuentes de riesgo y evitar depender exclusivamente de una temática o de un entorno macroeconómico concreto.
Eso es precisamente lo que hacemos en renta variable mediante los factores. Cada uno representa una fuente diferente de riesgo y rentabilidad: el factor value está expuesto a riesgos muy distintos de los asociados al momentum o a la calidad. Esa combinación es la que aporta diversificación.
Por Funds Society
