No te molestes en pronosticar los próximos 12 meses

El título de este artículo puede llevar a algunos lectores a concluir que, en el entorno actual, hay tantas incertidumbres que es imposible pronosticar hacia dónde irán los mercados en los próximos 12 meses aproximadamente. Eso es cierto, pero recuerde que el mundo siempre está lleno de incertidumbres de todo tipo y dos estudios recientes demuestran que, aunque se disponga de cientos de años de datos, prever los mercados de renta variable para los próximos 12 meses es casi siempre un ejercicio inútil.

Uno de los trabajos que más me ha influido en las dos últimas décadas es "A Comprehensive Look at the Empirical Performance of Equity Premium Prediction", de Amit Goyal e Ivo Welch. En 2004 demostraron que el poder de previsión de los parámetros tradicionales, como la valoración (ratio P/BV, ratio P/E, rentabilidad de los dividendos) y las medidas relacionadas con la macroeconomía, como la inclinación de la curva de rendimiento o el modelo de la Fed de la diferencia entre la rentabilidad de los beneficios y la de los bonos, es esencialmente nulo. Citando su documento: "Encontramos que [a] durante los últimos 30 años, los modelos de predicción han fallado tanto dentro como fuera de la muestra; [b] los modelos son inestables, en el sentido de que sus predicciones fuera de la muestra han tenido un rendimiento inesperadamente pobre; [c] los modelos no habrían ayudado a un inversor con acceso sólo a la información disponible en el momento para medir el tiempo del mercado".

Pero eso fue hace 15 años y desde entonces tenemos más datos y se ha investigado más para identificar los factores que pronostican los mercados de valores. Es de esperar que, con más datos y más investigación, podamos obtener mejores resultados de previsión. Así pues, los autores volvieron a examinar los 17 predictores que probaron en 2006 junto con 29 predictores descritos en revistas académicas desde 2008. En primer lugar, intentaron replicar el hallazgo original de estos 29 predictores y pudieron hacerlo para 27 de ellos. Después, lo único que hicieron fue ampliar el periodo de tiempo de los datos originales utilizados para describir estos factores predictivos hasta 2020. Los resultados fueron devastadores. De los 29 factores predictivos, 25 mostraron un menor poder predictivo en la muestra cuando los datos se ampliaron hasta 2020. Sólo 4 de los 29 factores tenían un rendimiento predictivo estable o mejor. Pero eso fue en la muestra. Fuera de la muestra, que es lo que importa para los inversores que quieren ganar dinero, ninguno de los "factores predictivos" consiguió batir de forma significativa una simple estrategia de comprar y mantener. De hecho, uno de ellos la superó, pero sólo en un 0,2% anual. Alrededor de la mitad de estos factores eran tan malos que no sólo superaban a una estrategia de comprar y mantener, sino que tenían rendimientos absolutos negativos. Los inversores que siguieron estos factores perdieron dinero.

En esencia, el nuevo artículo de Goyal y Welch muestra que toda la tendencia de inversión en factores es el resultado de un exceso de ajuste de los modelos a datos limitados o de falsos positivos y sesgo de selección. No es que los investigadores que encontraron estos factores manipularan activamente los datos o publicaran a sabiendas factores que no funcionan. Simplemente, si 20 personas buscan un factor predictivo en los mercados de renta variable y todos trabajan de forma independiente, entonces, por casualidad, uno de estos 20 investigadores encontrará un factor que parezca estadísticamente significativo al nivel del 95%. Y ese factor se publica en una revista revisada por pares mientras que los otros 19 factores que han fallado nunca ven la luz.

En cuanto al futuro, no tengo esperanzas de que más datos nos permitan obtener mejores resultados. Yang Bai, de la Universidad de Missouri, creó las series temporales más largas posibles de los mercados bursátiles del Reino Unido y de Estados Unidos para crear el backtest definitivo. En el Reino Unido, pudo probar factores macroeconómicos y fundamentales desde 1854 e indicadores técnicos como las medias móviles desde 1710. En Estados Unidos, podía remontarse a 1926 en el caso de los factores fundamentales y macroeconómicos y a 1854 en el de los indicadores técnicos. Los datos que recopiló le permitieron probar 23 "factores predictivos" en 312 configuraciones diferentes. De estas 312 pruebas diferentes, sólo 12 (3,8%) muestran un R2 fuera de muestra del 1% o superior y sólo 19 (6,1%) lo hacen en Estados Unidos. En otras palabras, sólo uno de cada veinte factores puede explicar más del 1% de la variación de los rendimientos de la renta variable.

Si esto le deprime, déjeme decirle que el próximo martes escribiré un post que muestra que no todo está perdido. El estudio de Yang Bai puede enseñarnos dos importantes lecciones sobre cómo utilizar los modelos de previsión y cómo construirlos.

Contáctanos