Continuamos con la serie de artículos sobre nuestro White Paper, con otro aspecto clave en la construcción de carteras: la combinación de los activos financieros para construir carteras optimizadas.
La teoría de gestión de carteras nace en 1952 a partir de los estudios de los Premio Nobel Markovitz, Sharpe y Tobin (“Modern Portfolio Theory”). Sus investigaciones demuestran que es posible optimizar una cartera de inversión, esto es, lograr la mayor rentabilidad a partir de un determinado riesgo, mediante la combinación de activos con distintas correlaciones entre ellos.
Para encontrar las combinaciones de activos que maximicen la rentabilidad para un determinado nivel de riesgo se utiliza una optimización media varianza en la que entran en juego como inputs del modelo tres elementos esenciales: rentabilidades, volatilidades y correlaciones, siendo este último factor el elemento clave a la hora de conseguir una disminución del riesgo.
Esta metodología de optimización de carteras se ha utilizado a lo largo de los años, pero ha sido objeto de críticas, entre otros motivos, por la utilización en exclusiva de datos históricos. Por esto y por la propia dinámica de los mercados financieros, esta metodología ha tenido que ser “mejorada” mediante diversos avances. Entre ellos, el propuesto por Fischer Black y Robert Litterman (1991-1992) que incorporan en el proceso de optimización de carteras una variable no utilizada hasta el momento: las perspectivas de rendimiento de los activos financieros y el grado de convicción sobre las mismas.
La principal aportación de este modelo es la posibilidad de incorporar rentabilidades esperadas, así como el grado de convicción que se tiene sobre la consecución de las mismas. Los modelos de optimización de carteras tradicionales intentan predecir una cartera óptima teniendo en cuenta únicamente la rentabilidad histórica. Esto puede condicionar enormemente la asignación de activos, dando prioridad a los activos que mejor se han comportado históricamente y por tanto dar mayor peso a unos activos que la simple observación directa puede señalar que están sobrevalorados.
El modelo de Black Litterman consigue moderar este riesgo al incorporar en su modelo rentabilidades esperadas a distintos plazos. En nuestro proceso de asignación estratégica de activos contemplamos diversas tendencias que consideramos van a estar presentes en los próximos años y que se incorporan al modelo mediante el grado de convicción. Este nivel de confianza o convicción sobre las expectativas de rentabilidad se cuantifica en un baremo entre el 0 y el 1, de menor a mayor nivel de confianza. Con este indicador se pondera el peso de la rentabilidad histórica frente a la esperada.
Otra de las ventajas del modelo, cuando hablamos de expectativas de rentabilidad en el medio y largo plazo, reside en que no es necesario incorporar una convicción sobre todos los activos. En la práctica, un nivel de confianza cero se otorgará a aquellos activos sobre los que entendemos que su rentabilidad histórica es un buen predictor de la rentabilidad esperada a medio y largo plazo o que nuestra visión no difiere del consenso de mercado.
Las expectativas de rentabilidad y su nivel de confianza se actualizan y, en su caso, se revisan, de forma periódica en los Comités de Inversión, consideradas siempre desde una perspectiva estratégica o de largo plazo, ya que, como se ha señalado, el modelo se basa en series históricas amplias.
Es importante recalcar que los estudios relativos al riesgo con datos históricos son muy útiles debido a que, a diferencia de las rentabilidades, la volatilidad histórica es un buen estimador de la volatilidad futura, por la demostrada reversión a la media, que se define como la tendencia estadística de los activos financieros a retornar a sus valores medios a largo plazo. Es decir, con cada sucesiva desviación de la media a largo plazo aumenta la probabilidad de que el siguiente movimiento sea para aproximarse a la media. Por lo tanto, y tomando un periodo de tiempo suficientemente representativo, podríamos afirmar que las volatilidades históricas son buenas estimadoras de volatilidades futuras.
En base la metodología comentada se ha establecido perfiles de inversión. Para la definición de estos perfiles, uno de los datos clave es el riesgo máximo en cada uno de ellos. Ese nivel de riesgo se mide a través de la volatilidad de la cartera, estableciendo un nivel para cada perfil. La volatilidad es una medida de la frecuencia e intensidad de los cambios del precio de un activo, o la desviación estándar de dicho cambio en un horizonte temporal específico.
El objetivo de la realización de las simulaciones es obtener perfiles que cumplan, además de los requisitos de volatilidad máxima esperada, otros parámetros de riesgo. Entre ellos, uno de los más relevantes es la probabilidad de pérdida, medida como el porcentaje de ocasiones, dado un horizonte temporal de una inversión, en el que la rentabilidad es negativa. El objetivo es que esa probabilidad de pérdida se encuentre lo más próxima de cero en el horizonte temporal definido para cada perfil.
La excelente rentabilidad obtenida en nuestras carteras en 2020, nos reafirma en la solidez de nuestro modelo. Seguiremos analizando en próximas publicaciones nuestro White Paper. Mientras tanto, puedes obtener aquí tu perfil de inversor, en tan solo 2 minutos y sin ningún compromiso.
Puedes leer los anteriores posts referentes a nuestro White Paper en los siguientes enlaces:
- La necesidad de contar con una política de distribución de activos.
- Proceso de selección de activos financieros.
