Forecasting accuracy to portfolio value: Model risk and regime dependence in an emerging equity market
Este estudio analiza las acciones de la Bolsa de Moscú para demostrar que, si bien CatBoost ofrece la mejor precisión de pronóstico estadístico, PatchTST ofrece un rendimiento de cartera superior, y ninguna estrategia de selección de modelos o de cambio de régimen puede superar de manera confiable la desconexión fundamental entre la precisión de pronóstico y la capacidad de clasificación transversal en los mercados emergentes.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Los inversores que gestionan grandes fondos de dinero se enfrentan a un dilema constante y silencioso: deben adivinar qué acciones subirán y cuáles bajarán, pero nunca pueden estar seguros de si su método de adivinación es el correcto. Esto no es solo una cuestión de mala suerte; es un problema fundamental de incertidumbre. En un nivel, un inversor se preocupa de que su estimación del rendimiento futuro de una acción sea errónea. En un nivel más profundo, le preocupa que todo el marco matemático que utiliza para realizar esa estimación pueda ser defectuoso. En tiempos estables, las reglas sencillas suelen funcionar bien, pero cuando el entorno económico cambia —cuando la inflación se dispara, los mercados se vuelven volátiles o los precios caen en picado— esas mismas reglas pueden fallar. La pregunta es si un método más complejo y flexible puede adaptarse mejor a estas condiciones cambiantes que uno directo, y si un método que es estadísticamente preciso para predecir números conduce realmente a mejores resultados de inversión.
Un equipo de investigadores se propuso probar estas cuestiones en el mercado de valores ruso, un lugar donde las condiciones económicas han cambiado drásticamente durante la última década. Recopilaron datos de casi trescientas empresas que cotizan en la Bolsa de Moscú, cubriendo un periodo desde finales de 2016 hasta 2025. Este intervalo de tiempo incluyó años de inflación constante, el choque global de la pandemia y un periodo de intensa tensión geopolítica y endurecimiento monetario. Los investigadores querían ver si la relación entre las características de una empresa y sus rendimientos futuros cambiaba dependiendo de si el mercado estaba tranquilo o bajo estrés. Para ello, construyeron un experimento controlado donde ocho métodos diferentes de previsión compitieron entre sí. Estos métodos iban desde ecuaciones lineales simples, que asumen una relación constante entre los factores y los rendimientos, hasta sofisticados algoritmos de aprendizaje automático capaces de detectar patrones complejos y no lineales y de adaptarse a nuevos datos.
Los investigadores alimentaron a todos los modelos con la misma información exacta: datos sobre el tamaño, el valor, el impulso (momentum) y la liquidez de la empresa, combinados con indicadores de estrés del mercado como la alta inflación y las caídas bruscas de precios. Luego pidieron a cada modelo que predijera los rendimientos de las acciones durante los siguientes tres meses. Crucialmente, no dejaron que los modelos compitieran en un caos libre; en su lugar, obligaron a cada modelo a utilizar las mismas reglas para construir una cartera. Seleccionaron las veinticinco mejores acciones con los rendimientos previstos más altos, limitaron la cantidad de dinero invertido en cualquier acción individual y gestionaron el riesgo de forma idéntica. Esto aseguró que cualquier diferencia en los resultados finales proviniera puramente de la calidad de las previsiones, y no de cómo se asignaba el dinero.
Los resultados revelaron una desconexión sorprendente entre la precisión estadística y el valor en el mundo real. Uno de los modelos de aprendizaje automático más avanzados, conocido como CatBoost, produjo los errores promedio más pequeños al predecir los rendimientos. Fue el más preciso al adivinar los números. Sin embargo, cuando los investigadores observaron si los modelos podían clasificar correctamente las mejores acciones frente a las peores, todos los ocho métodos funcionaron mal. Ninguno de ellos pudo identificar consistentemente a los mejores actores mejor que el azar. Este hallazgo sugiere que incluso los algoritmos más sofisticados luchan por encontrar una señal fiable en el ruido de un mercado emergente, especialmente cuando dicho mercado está experimentando cambios estructurales rápidos.
Más importante aún, el estudio encontró que el modelo con la mejor precisión estadística no produjo la mejor cartera de inversión. Un modelo diferente, basado en una arquitectura de aprendizaje de secuencias llamada PatchTST, tuvo una precisión general relativamente baja en sus predicciones. Sin embargo, cuando sus previsiones se utilizaron para construir una cartera, ofreció rendimientos ajustados al riesgo que fueron competitivos con las mejores estrategias y sufrió menores pérdidas durante las caídas del mercado. Este resultado destaca una lección crítica: un modelo no necesita ser perfecto al predecir cada número para ser útil para la inversión. Solo necesita ser lo suficientemente bueno como para identificar las acciones específicas que tendrán un buen desempeño, incluso si se equivoca con el resto del mercado.
Los investigadores también probaron si era posible cambiar entre modelos dependiendo de las condiciones actuales del mercado, como utilizar un modelo durante la alta inflación y otro durante las caídas del mercado. Crearon una regla que seleccionaría automáticamente el modelo con mejor desempeño basándose en los resultados recientes o en el estado actual de la economía. Si bien esta regla de cambio produjo los rendimientos nominales más altos en su prueba retrospectiva (backtest), la ventaja no fue estadísticamente fiable. Los resultados fueron tan cercanos a los de las estrategias fijas que la diferencia fácilmente podría deberse al azar. Además, debido a que la regla fue diseñada después de observar los datos, no puede considerarse una estrategia probada para el futuro. El estudio sugiere que, si bien saber que el mercado está bajo estrés es útil para entender cuándo las previsiones pueden ser poco fiables, no proporciona una señal clara y automática sobre qué herramienta matemática utilizar.
En última instancia, el artículo concluye que no existe un único "mejor" modelo para predecir los rendimientos de las acciones en un mercado emergente. Los modelos más flexibles y complejos no superan automáticamente a los más sencillos, y el modelo que gana en un concurso estadístico no es necesariamente el que construye la cartera más rentable. La incertidumbre que enfrentan los inversores es doble: deben lidiar con la dificultad inherente de predecir el futuro, y también deben aceptar que no pueden saber con certeza qué método de predicción es el adecuado para el momento. En este entorno, el enfoque más robusto puede no ser buscar una máquina de previsión perfecta, sino reconocer que todos los modelos conllevan riesgos y que el valor de un modelo no reside en su precisión promedio, sino en su capacidad para guiar decisiones de inversión sólidas bajo presión.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.