📈 economía

Macroeconomic Predictability and Machine Learning in REIT Returns: Out-of-Sample Evidence and Property-Sector Heterogeneity

Este estudio encuentra que, si bien los modelos de aprendizaje automático no lineales ofrecen ganancias de pronóstico fuera de la muestra económicamente significativas para los rendimientos de los REIT de EE. UU. en el mediano plazo —particularmente en el sector de la atención médica y motivadas por factores macroeconómicos—, no logran una superioridad agregada estadísticamente significativa sobre los referentes lineales tras los ajustes de múltiples pruebas, con señales predictivas concentradas en componentes comunes de series temporales en lugar de en la selección transversal.

Autores originales: Mahsa Khoshnoud

Publicado 2026-10-15

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Mahsa Khoshnoud

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

En el mundo de las inversiones, algunos activos se comportan como acciones, mientras que otros actúan más como bonos o edificios físicos. Los Fideicomisos de Inversión en Bienes Raíces, conocidos como REIT (por sus siglas en inglés), se sitúan justo en medio de esta división. Son empresas que poseen propiedades que generan ingresos, como centros comerciales, complejos de apartamentos y hospitales, y cotizan en el mercado de valores como cualquier otra empresa. Debido a que su valor depende tanto de la salud del mercado de valores como de la realidad física de la economía —como las tasas de interés, el crecimiento del empleo y la inflación—, predecir su desempeño futuro es un rompecabezas complejo. Durante décadas, inversores y economistas han intentado resolver este rompecabezas utilizando matemáticas simples y lineales, asumiendo que si la economía sube, estas acciones suben de una manera predecible. Pero la economía rara vez es una línea recta; tiene giros y vueltas, y la relación entre una recesión, un aumento en las tasas de interés y el valor de una propiedad puede cambiar dependiendo del contexto. Es aquí donde la ciencia de la computación moderna entra en escena, ofreciendo herramientas que pueden buscar patrones complicados y ocultos en los datos que las matemáticas tradicionales podrían pasar por alto.

Un investigador se propuso probar si estas herramientas informáticas avanzadas, conocidas como aprendizaje automático (machine learning), podrían realmente predecir los rendimientos futuros de los REIT mejor que los métodos estándar antiguos. Reunió una enorme cantidad de datos históricos, rastreando 383 empresas inmobiliarias diferentes durante más de dos décadas, desde el año 2000 hasta 2023. Este periodo cubrió algunos de los cambios económicos más dramáticos de la historia moderna, incluyendo la crisis financiera global, un largo periodo de tasas de interés muy bajas, el choque repentino de la pandemia y la rápida inflación que le siguió. El investigador alimentó a los modelos informáticos con un conjunto específico de pistas: tasas de interés actuales, cifras de desempleo, datos de inflación, la velocidad a la que crece la economía y cómo se estaba desempeñando el mercado de valores en general. Luego, le pidió a la computadora que adivinara qué pasaría con los rendimientos de los REIT durante los próximos meses. Para asegurar que la prueba fuera justa, entrenaron a la computadora con datos pasados y luego le pidieron que predijera el futuro sin permitirle ver las respuestas de antemano.

Los resultados revelaron una historia que es más matizada que una simple victoria para la nueva tecnología. Cuando el investigador le pidió a la computadora que predijera qué pasaría en el futuro inmediato —uno, dos o tres meses adelante—, los modelos de aprendizaje automático no funcionaron mejor que un simple cálculo basado en el promedio pasado. De hecho, para estos plazos cortos, los modelos informáticos fueron ligeramente peores que los puntos de referencia básicos. Sin embargo, la historia cambió cuando el investigador observó un horizonte de mediano plazo, pidiéndole específicamente a la computadora que predijera los rendimientos acumulados durante un periodo de seis meses. Aquí, los modelos avanzados comenzaron a mostrar su fuerza. Los algoritmos más sofisticados, que trabajan construyendo muchos árboles de decisión pequeños para encontrar patrones complejos, fueron capaces de reducir significamente sus errores de predicción en comparación con los métodos lineales tradicionales. Capturaron aproximadamente el 9.3 por ciento de la variación en los rendimientos de seis meses, una mejora significativa sobre el enfoque estándar, que en realidad funcionó ligeramente peor que un simple promedio histórico.

A pesar de esta mejora en la precisión, el investigador fue cuidadoso de no declarar una victoria total. Cuando aplicó pruebas estadísticas estrictas para ver si el éxito de la computadora era un avance genuino o solo un golpe de suerte, los resultados fueron menos definitivos. Las mejoras, aunque económicamente notables, no fueron estadísticamente lo suficientemente fuertes como para probar con absoluta certeza que los modelos de aprendizaje automático eran superiores a los métodos más antiguos en todos los casos. El estudio sugiere que los modelos informáticos no están encontrando una fórmula mágica que funcione para cada propiedad o para cada mes. En cambio, están captando un tipo específico de señal: el movimiento amplio y compartido de todo el mercado inmobiliario impulsado por la economía general. Los modelos son buenos para cronometrar la dirección general del mercado, detectando cuándo es probable que cambie la marea de las tasas de interés y el empleo, pero no son buenos para elegir ganadores y perdedores individuales entre las diferentes empresas.

El investigador también descubrió que la utilidad de estas herramientas depende en gran medida del tipo de propiedad que se analice. Los modelos de aprendizaje automático funcionaron mejor para los REIT de atención médica, donde las predicciones no solo fueron precisas, sino también estadísticamente significativas incluso después de pruebas rigurosas. Las propiedades minoristas también mostraron promesa, mientras que las empresas inmobiliarias residenciales y diversificadas fueron mejor predichas por los métodos tradicionales más simples. Este hallazgo destaca que la economía afecta a diferentes tipos de edificios de diferentes maneras, y un modelo informático de "talla única" no puede capturar cada matiz. Además, el estudio mostró que los modelos informáticos no solo estaban memorizando el pasado; estaban aprendiendo a ponderar diferentes factores económicos, como la interacción entre los cambios en el desempleo o las tasas de interés, para formar una imagen más completa del futuro.

En última instancia, esta investigación ofrece una perspectiva clara y fundamentada sobre el papel de la inteligencia artificial en las finanzas. Demuestra que, si bien el aprendizaje automático puede descubrir patrones valiosos en cómo la economía influye en los bienes raíces, no es un cristal de adivinación. La tecnología brilla cuando se observa hacia tendencias de mediano plazo y sectores específicos, pero no reemplaza la necesidad de un escrutinio estadístico cuidadoso ni la comprensión de que la economía es un paisaje cambiante. El estudio concluye que el valor de estas herramientas avanzadas es real pero condicional; son instrumentos poderosos para comprender la dirección general del mercado, siempre que se utilicen con las expectativas adecuadas y se apliquen a los tipos de activos correctos.

Resumen Técnico: Predictibilidad Macroeconómica y Aprendizaje Automático en los Rendimientos de los REIT

Planteamiento del Problema
Los Fideicomisos de Inversión en Bienes Raíces (REIT, por sus siglas en inglés) que cotizan en bolsa ocupan una posición híbrida en los mercados financieros, expuestos tanto a riesgos de renta variable como a fundamentos del mercado inmobiliario impulsados por condiciones macroeconómicas (tasas de interés, inflación, mercados laborales y actividad real). Aunque las regresiones predictivas lineales han modelado tradicionalmente estas relaciones, estas imponen formas funcionales fijas que pueden no capturar las no linealidades dependientes del estado. Por ejemplo, el impacto de las tasas de interés en los rendimientos de los REIT puede diferir dependiendo de si estos vienen acompañados de una fuerte actividad real o de una inflación persistente. Si bien la literatura reciente sugiere que el aprendizaje automático (ML) puede extraer señales predictivas no lineales, sigue sin estar claro si estas ganancias son estadísticamente robustas bajo una evaluación rigurosa fuera de la muestra, si se generalizan a través de horizontes de pronóstico y sectores de propiedades, y si representan señales de temporización agregadas o de selección de valores transversales. Este estudio aborda estas brechas evaluando si los modelos de ML no lineales mejoran los pronósticos de los rendimientos de los REIT más allá de los puntos de referencia lineales y las medias históricas, específicamente bajo restricciones cronológicas rigurosas.

Metodología
El estudio utiliza un conjunto de datos de 47,075 observaciones de empresa-mes que cubren 383 valores de REIT de EE. UU. desde enero de 2000 hasta diciembre de 2023. El conjunto de predictores es deliberadamente parsimonioso, compuesto por variables macroeconómicas (tasa de fondos federales, tasa real a 10 años, mediana del IPC, PIB per cápita real, desempleo), variables de mercado (rendimientos ponderados por valor de CRSP), cambios en variables macro, tres rezagos de los rendimientos de los REIT y tamaño de la empresa.

El diseño de pronóstico emplea una división estrictamente cronológica para evitar el sesgo de anticipación (look-ahead bias):

Muestra de Estimación: 2000–2015.
Muestra de Validación: 2016–2019 (utilizada exclusivamente para el ajuste de hiperparámetros).
Muestra de Prueba: 2020–2023 (evaluada una sola vez con hiperparámetros congelados).

El estudio compara tres modelos de ML basados en árboles —Gradient Boosting, Random Forest y XGBoost— contra dos puntos de referencia: una regresión de Mínimos Cuadrados Ordinarios (OLS) agrupada y un pronóstico de media histórica. El desempeño se evalúa utilizando $R^2$ fuera de la muestra ( $R^2_{OOS}$ ), RMSE y MAE a través de horizontes directos (1–3 meses) y acumulativos (3–6 meses).

Crucialmente, el estudio emplea inferencia formal de comparación de pronósticos. Utiliza estadísticas de Diebold–Mariano (DM) con ajustes HAC para ventanas superpuestas y la corrección de pequeña muestra de Harvey–Leybourne–Newbold. Para abordar las pruebas múltiples, se aplica el procedimiento de Holm a través de la familia de comparaciones de pronósticos. El estudio también utiliza valores SHAP (SHapley Additive exPlanations) para descomponer la importancia de las características y analiza la distinción entre la predictibilidad de series temporales (agregada) y la predictibilidad transversal (selección de valores).

Result Resultados Clave

Dependencia del Horizonte: La capacidad de pronóstico depende fuertemente del horizonte. En horizontes directos cortos (1–3 meses), todos los modelos, incluyendo ML, producen un $R^2_{OOS}$ negativo respecto a la media histórica. Sin embargo, en los rendimientos acumulados de mediano plazo, los modelos de ML generan ganancias económicamente significativas. Al horizonte de seis meses, Gradient Boosting y XGBoost logran valores de $R^2_{OOS}$ de aproximadamente 9.3%, mientras que el OLS agrupado permanece ligeramente negativo (−0.6%).
Significancia Estadística: A pesar de la magnitud económica de las ganancias, las pruebas formales de comparación de pronósticos no establecen una superioridad estadísticamente significativa de los modelos de ML sobre los puntos de referencia lineales o de la media histórica tras el ajuste por pruebas múltiples. El p-valor más pequeño no ajustado para XGBoost contra la media histórica es 0.063, el cual se convierte en 0.756 tras el ajuste de Holm. Esto sugiere que, si bien el ML reduce la magnitud del error de pronóstico, la evidencia no es suficiente para afirmar una dominancia estadística en la muestra agregada.
Naturaleza de la Predictibilidad: El análisis SHAP indica que la importancia predictiva está impulsada principalmente por la actividad real, las condiciones del mercado laboral, las tasas de política monetaria y las tasas de interés reales a largo plazo, en lugar de la simple persistencia de rendimientos o el tamaño de la empresa. La señal de pronóstico se concentra en el componente común de las series temporales de los rendimientos de los REIT. La correlación entre el promedio transversal de los rendimientos realizados a seis meses y el pronóstico de XGBoost es 0.530, pero la correlación de Spearman promedio transversal entre los rendimientos individuales de los REIT predichos y los realizados es cercana a cero. Por lo tanto, los modelos capturan información de temporización agregada en lugar de capacidad de selección de valores transversales.
Heterogeneidad del Sector: Las ganancias predictivas varían significamente entre los sectores de propiedades. Los REIT de atención médica exhiben la mayor evidencia de predictibilidad no lineal, con XGBoost logrando un $R^2_{OOS}$ del 11.5% que permanece estadísticamente significativo respecto a la media histórica tras el ajuste a nivel de sector. Los REIT de comercio minorista muestran estimaciones puntuales positivas pero no logran rechazar la igualdad de precisión predictiva en las pruebas de pérdida formales. Por el contrario, los REIT diversificados y residenciales favorecen el punto de referencia lineal de OLS.
Robustez: Un ejercicio pseudo-fuera de la muestra previo a 2020 (retención 2014–2016) muestra que, si bien los modelos de ML superan consistentemente al OLS agrupado en términos de error relativo, no reproducen un $R^2_{OOS}$ positivo respecto a la media histórica, indicando que la ventaja absoluta depende del régimen.

Significado y Reivindicaciones
El artículo contribuye a la literatura al cambiar el enfoque de si los modelos no lineales pueden generar un ajuste positivo fuera de la muestra hacia si esas ganancias sobreviven al escrutinio estadístico estricto. El autor sostiene que la utilidad del aprendizaje automático para el pronóstico de rendimientos de los REIT es condicional en lugar de universal.

Distinción entre Métricas e Inferencia: El estudio destaca que las mejoras considerables en las métricas convencionales ( $R^2$ , RMSE) no implican necesariamente una dominancia predictiva estadísticamente establecida una vez que se aplican los ajustes de pruebas múltiples y las correcciones de muestras pequeñas.
Identificación de Componentes: La evidencia sugiere que los modelos de ML en este contexto predicen un componente de rendimiento común suave y sensible a la macroeconomía, en lugar de permitir la selección de valores transversales.
Condiciones de Contorno: Se demuestra que las ganancias predictivas dependen del horizonte de pronóstico (surgen en los horizontes acumulativos de mediano plazo), del régimen económico (más fuertes en el periodo 2020–2023) y del sector de propiedades (más fuertes en atención médica).

El autor concluye que, si bien el aprendizaje automático puede revelar una estructura predictiva útil en los bienes raíces listados, la fuerza de esta conclusión depende críticamente del horizonte específico, el punto de referencia, el componente de rendimiento, el régimen económico y los criterios de inferencia utilizados. Los hallazgos no respaldan una afirmación de superioridad universal del aprendizaje automático, sino una visión matizada donde los métodos no lineales ofrecen un valor selectivo y dependiente del régimen.

Resumen Técnico: Predictibilidad Macroeconómica y Aprendizaje Automático en los Rendimientos de los REIT

Más como este