Smart beta y el zoo de factores

Habéis dedicado cinco lecciones a construir la máquina de factores: el CAPM destripado, el tamaño y el valor atornillados encima, el momentum y la rentabilidad y la inversión apilados arriba, regresiones para estimar las cargas, y una mirada dura a cuánto “alfa” no es más que beta de factores camuflada. Ahora llega el ajuste de cuentas. El mismo motor de investigación que descubrió un puñado de factores reales y duraderos también ha publicado cientos de ellos — y ha convertido la exposición a factores en un producto que puedes comprar con un clic. Esta última lección es el broche del escéptico: cómo se empaquetaron los factores en ETF de smart beta, por qué la literatura académica se ahoga en un zoo de factores con más de 300 anomalías publicadas, con qué fiabilidad esas anomalías decaen una vez descubiertas y operadas, y por qué cronometrar factores es, para casi todos, un juego perdido. El hilo conductor: los factores duraderos son los viejos, aburridos y con fundamento teórico, no la entrada más reciente del zoo.

Smart beta: la beta que tú eliges

Analogía. Imagina la barra de ensaladas de la inversión. Un fondo indexado normal te sirve la ensalada de la casa ya hecha — todo el mercado ponderado por capitalización, lo tomas o lo dejas. Un gestor activo tradicional es un chef que te monta el plato a medida y te cobra por el talento. El smart beta es la barra de ensaladas intermedia: un menú de sesgos de factores — valor, momentum, calidad, baja volatilidad — que montas à la carte, pagando por la receta, no por el chef.

Definición. Un ETF de smart beta (o beta estratégica / de factor) es un fondo basado en reglas y transparente que sesga deliberadamente sus posiciones hacia uno o más factores documentados en lugar de ponderar por capitalización de mercado. Se sitúa de lleno entre la indexación pasiva y la gestión activa: como el pasivo, es mecánico, barato y dirigido por reglas; como el activo, se desvía intencionadamente del mercado para perseguir una prima. La reformulación clave: es beta que tú eliges, no alfa que te venden. No estás comprando habilidad; estás comprando exposición sistemática a un factor de riesgo cuya prima ya estaba en la literatura académica.

Los platos habituales del menú se corresponden directamente con los factores de lecciones anteriores:

Por qué “beta que tú eliges” es el modelo mental correcto. Si un ETF value bate al mercado durante una década, el marco de factores dice: claro que puede hacerlo — cargaste deliberadamente en HML, y HML históricamente ha tenido una prima. Ese exceso de rentabilidad no es alfa; una regresión de factores absorbería casi todo en la carga de valor y dejaría un residuo cercano a cero. Elegiste un sesgo y te pagaron (o no) por el sesgo. Ese es todo el argumento del smart beta — y también su trampa, porque en cuanto todos pueden elegir el mismo sesgo por 15 puntos básicos, el sesgo se masifica.

Bienvenido al zoo de factores

Si un puñado de factores son reales, ¿cuántos se han reclamado? Muchísimos, demasiados. En una revisión de referencia de 2016, Harvey, Liu y Zhu — “…and the Cross-Section of Expected Returns” — catalogaron más de 300 factores publicados que pretendían explicar las rentabilidades de las acciones, con nuevos apareciendo a buen ritmo. La imagen que se quedó es el zoo de factores: un zoológico desbordante de “anomalías”, la mayoría de las cuales son reskins de unos pocos animales reales.

Analogía. Imagina una Pokédex con más de 300 entradas — pero casi todas son cambios de paleta de la misma docena de criaturas. Un factor “nuevo” a menudo es el valor con otro sombrero, o puro ruido de minería de datos disfrazado de descubrimiento.

El problema del contraste múltiple. Aquí está la podredumbre estadística del núcleo. El listón convencional de “significativo” en un único estudio es un estadístico t superior a 2,0 (aproximadamente un 5% de tasa de falsos positivos). Pero la literatura de factores no es un contraste — son miles de investigadores corriendo miles de regresiones, publicando las ganadoras y enterrando en silencio las perdedoras. Cuando corres suficientes contrastes, algunos superarán $t > 2.0$ por pura suerte. Con tanta minería de datos, un listón de 2,0 es irremediablemente laxo.

Harvey, Liu y Zhu sostienen que, para tener en cuenta todos los contrastes ocultos, un nuevo factor creíble debería superar un listón mucho más alto — un estadístico t de aproximadamente 3,0 o más — e incluso eso es un suelo, no una garantía. Su conclusión rotunda, haciéndose eco de la crisis de replicación más amplia: “la mayoría de los hallazgos de investigación reclamados en economía financiera son probablemente falsos.”

Si recuerdas un solo dato del zoo, recuerda la asimetría: cientos de factores publicados, un puñado que replican. La literatura es un pajar con unas pocas agujas, y el proceso de publicación fabrica paja activamente.

Decaimiento fuera de muestra

Supongamos que un factor sí supera el listón y se publica. ¿Qué le pasa a su prima después? Se encoge — y se encoge en dos etapas distintas. El estudio definitivo es el de McLean y Pontiff (2016), que tomaron 97 anomalías de la literatura y rastrearon la rentabilidad de cada una después del periodo muestral usado en su artículo original.

Sus dos cifras estrella, y, lo crucial, qué significa cada una:

1. Aproximadamente un 26% más baja fuera de muestra. Comparando la rentabilidad original dentro de muestra con la rentabilidad en el periodo posterior a la muestra del artículo pero anterior a la publicación, la prima cayó aproximadamente una cuarta parte. Esta caída es sobre todo estadística: los resultados dentro de muestra están inflados por sobreajuste y pura suerte (encontraste el factor en parte porque lucía bien en esos datos), así que una ventana fresca y sin minar devuelve naturalmente parte de eso.

2. Aproximadamente un 58% más baja tras la publicación. Comparando dentro de muestra con el periodo posterior a la publicación del artículo, la prima cayó muy por encima de la mitad. El decaimiento adicional más allá del 26% — la diferencia entre las dos cifras — es el efecto de publicación: una vez que la anomalía es pública, los arbitrajistas la operan, empujan los precios hacia el valor justo y arbitran la prima hasta hacerla desaparecer.

La lógica de la diferencia es todo el quid. El decaimiento fuera de muestra pero antes de publicación (26%) es lo que cuesta la estadística honesta. El decaimiento adicional hasta el 58% tras la publicación es lo que te cuestan otros operadores leyendo el mismo artículo. McLean y Pontiff lo confirmaron mostrando que el decaimiento post-publicación se concentró exactamente donde esperarías que el arbitraje mordiera más fuerte — y que el volumen de negociación y las correlaciones en esas acciones se dispararon tras la publicación.

Crowding, capacidad y el coste de operar

El decaimiento no es un artefacto estadístico abstracto — ocurre a través de tres mecanismos concretos y brutales que cualquier estrategia de factores en vivo debe sobrevivir.

Crowding. Cuando un factor se vuelve popular, el capital inunda. Comprar acciones baratas (value) en masa empuja sus precios hacia arriba, lo que comprime el mismísimo diferencial de valoración que generó la prima en primer lugar. Cuanto más querido es un factor, más se arbitra su prima futura. Peor aún, las operaciones masificadas son frágiles: cuando todos mantienen la misma cartera de factores y llega un shock, todos corren a la misma salida. El caso de manual es el “quant quake” de agosto de 2007: numerosos fondos cuantitativos mantenían exposiciones a factores casi idénticas, y cuando unos pocos se vieron forzados a desapalancarse, sus ventas movieron las carteras de factores en contra de todos los demás — un desmontaje sincronizado y autorreforzado que evaporó años de rentabilidad en días, pese a no haber noticias fundamentales. El crowding convierte un diversificador en un vector de contagio.

Capacidad. Algunos factores viven en rincones del mercado que no pueden absorber mucho dinero. Las estrategias de pequeña capitalización y de momentum operan en acciones menos líquidas y (en el caso del momentum) operan con frecuencia; escálalas y tus propias compras y ventas mueven los precios en tu contra. Una estrategia que rentó un 8% sobre $100 millones podría rentar un 3% sobre $10.000 millones — la misma idea, pero tu huella se ha comido la ventaja. La capacidad es la razón por la que un factor que es real en un backtest puede aun así ser inoperable a escala.

Costes de transacción. Los backtests se calculan normalmente sobre papel, brutos de costes de operación. El momentum es el ejemplo de libro: requiere vender constantemente las ganadoras que se desvanecen y comprar nuevas, así que su rotación es alta, y las comisiones, los diferenciales compra-venta y el impacto de mercado pueden devorar una gran parte de su prima bruta. La diferencia entre bruto y neto es donde muchas estrategias “geniales” mueren en silencio.

Ejemplo resuelto — de un backtest significativo a un error de redondeo. Aquí está el ciclo de vida completo de un factor típico, con la aritmética en prosa (no en ningún gráfico):

Recorrámoslo. El factor mostró una prima bruta anual del 5% con un estadístico t de 2,3 — suficiente para superar el viejo listón de $t > 2.0$ (así que se publica) pero corto respecto al listón de $t > 3.0$ de Harvey-Liu-Zhu (así que ya deberías sospechar). Aplica el decaimiento típico post-publicación de alrededor del 58%: $5\% \times (1 - 0.58) = 5\% \times 0.42 = 2.1\%$. Luego resta aproximadamente un 1,5% anual por rotación y costes de operación: $2.1\% - 1.5\% \approx 0.6\%$. Un backtest que parecía “estadísticamente significativo” con una ventaja del 5% se convierte, en vivo y neto de costes, en un error de redondeo del 0,6% — fácilmente engullido por comisiones, impuestos o un solo mal año. Esta es la diferencia entre un artículo y una cartera.

¿Puedes cronometrar factores? (Casi nunca.)

Si los factores van y vienen, seguro que la jugada es cronometrarlos — cargar en value cuando está barato, rotar a momentum cuando está caliente. Es seductor, y casi nunca funciona.

Por qué cronometrar es tan difícil. Los factores son ellos mismos volátiles y revierten a la media lentamente — el value puede rendir por debajo durante una década (ver 2010–2020) antes de recuperarse, mucho más de lo que duran la paciencia o la carrera de la mayoría de los inversores. La señal de cronometraje más natural, el diferencial de valoración (cómo de baratas están las acciones baratas respecto a las caras), es débil y ruidosa: tiene cierto poder predictivo en teoría pero está ahogada por el error de muestreo en la práctica, y actuar sobre ella agresivamente a menudo significa doblar la apuesta justo antes de que el dolor continúe. El peso de la evidencia dice lo mismo: diversifica entre factores en lugar de intentar cronometrarlos. Una cartera multifactor equilibrada cosecha varias primas imperfectamente correlacionadas y no necesita que aciertes los puntos de giro — que, convenientemente, no puedes acertar.

El trade-off, dicho con honestidad. Los ETF de smart beta son genuinamente algo bueno: democratizan la exposición barata y diversificada a factores que antes costaba comisiones de gestión activa. Pero la misma accesibilidad es corrosiva — cuanto más fácil es para todos comprar un factor, más masificada se vuelve la operación y más se comprime la prima que compraste. No hay comida gratis ni siquiera en el pasillo de las rebajas. Los factores con más probabilidad de seguir pagando son los viejos, con fundamento teórico y caros de arbitrar — el valor y el momentum tienen historiales de ~un siglo y multimercado y relatos plausibles de riesgo/comportamiento — no la entrada más nueva y llamativa del zoo, que estadísticamente es la que más probabilidades tiene de ser la próxima anomalía en decaer a cero. Cuando alguien te vende un factor flamante, la tasa base dice: probablemente ruido.

Poniéndolo todo junto

Los modelos de factores, llevados hasta el límite, terminan en humildad. Los ETF de smart beta convirtieron los factores en productos baratos y basados en reglas — beta que tú eliges, no alfa que te venden — situados entre el pasivo y el activo. Pero el motor de investigación que encontró unos pocos factores reales también engendró un zoo de factores con más de 300 anomalías publicadas, la mayoría espejismos estadísticos nacidos del contraste múltiple, razón por la cual un factor nuevo creíble debería superar un listón mucho más exigente (~$t > 3.0$, un ajuste argumentado, no una ley) que el laxo $t > 2.0$. Las anomalías publicadas decaen en dos etapas — aproximadamente un 26% más bajas fuera de muestra (sobreajuste deshaciéndose) y aproximadamente un 58% más bajas tras la publicación (arbitraje encima) — y la prima en vivo se mastica aún más por el crowding (el quant quake de 2007), los límites de capacidad y los costes de transacción, así que un backtest del 5% con t = 2,3 puede dar neto un 0,6%. Cronometrar factores falla casi siempre porque revierten a la media lentamente y las señales de cronometraje son ruidosas, así que el veredicto es diversifica, no cronometres. Los factores duraderos son los viejos, fundamentados y difíciles de arbitrar; la entrada más nueva del zoo es, hasta que se demuestre lo contrario, probablemente ruido.

Ese es el arco completo de los modelos de factores — de la única beta rota del CAPM a un conjunto de herramientas disciplinado y escéptico. Ahora puedes leer la huella de factores de un fondo, separar el alfa genuino de la beta elegida, correr e interpretar una regresión de factores, y tratar la próxima anomalía reluciente con exactamente la sospecha que se ha ganado. La lección más profunda de todo el curso es la que esta lección ha martilleado: en los mercados, en el momento en que una ventaja se conoce, empieza a desaparecer — así que las ventajas duraderas son las pocas que son reales, fundamentadas y difíciles de copiar, y la postura correcta hacia todo lo demás es la duda con principios.