Este artículo se deriva del documento técnico “Ensemble Lively Administration: transformación de la gestión activa por IA” y “Estudio de validación de metodología, diseño e integridad de datos de Ensemble Lively Administration 2024 de Turing Expertise”.
Numerosos estudios han evaluado la capacidad de los gestores activos de acciones estadounidenses para superar a los fondos indexados y a los fondos cotizados en bolsa (ETF). Si bien los horizontes temporales varían, los resultados tienden a converger en el mismo resultado: los administradores activos superan los índices de referencia estándar menos de la mitad de las veces. Para agravar los obstáculos, las inversiones activas son estructuralmente más caras que sus contrapartes pasivas.
Los inversores no quieren pagar más por rentabilidades equivalentes y están votando con sus carteras. A finales de 2023, los fondos de acciones estadounidenses gestionados activamente han experimentado 18 años consecutivos de salidas netas por un complete de más de 2,5 billones de dólares, según Morningstar Direct.
El salto necesario para que lo activo supere una vez más a lo pasivo no se puede lograr mediante ganancias incrementales. La brecha es simplemente demasiado grande. Para que la gestión activa adquiera suficiente alfa para lograr una mejora radical, se requiere un cambio de paradigma impulsado por nuevas tecnologías y nuevos métodos.
Ahí es donde entra en juego Ensemble Lively Administration (EAM). EAM se basa en nuevas tecnologías críticas y emplea un enfoque de selección de acciones que refleja las mejores prácticas de otras industrias para llevar a cabo la toma de decisiones complejas. Se pasa de un enfoque de un solo administrador a un enfoque de múltiples administradores. En definitiva, EAM representa el cambio de paradigma necesario para revitalizar la gestión activa.
EAM no es un concepto académico. Se introdujo por primera vez en 2018 y las carteras de EAM se lanzaron ese mismo año. En la actualidad existen docenas de antecedentes de EAM con edades comprendidas entre dos y cinco años.
Este documento expone la mecánica de construcción de EAM y presenta tres pilares de validación críticos que respaldan los resultados de EAM hasta la fecha y explican su potencial futuro.
Los datos muestran que a finales de 2023, las carteras EAM activas representaban la alineación más sólida del país de carteras de acciones estadounidenses gestionadas activamente.
Definición de gestión activa de conjunto
EAM debe aprovechar un alfa adicional sustancial para superar tanto la gestión activa como la pasiva tradicional. Para lograrlo, aplicamos las matemáticas probadas de Ensemble Strategies a la gestión de carteras.
Los métodos de conjunto cuentan con un sistema de múltiples expertos que mejora la precisión de los algoritmos o motores predictivos de un solo experto. Esto se logra integrando matemáticamente múltiples modelos predictivos basados en un acuerdo de consenso. El resultado ultimate es un motor predictivo más potente. Los métodos de conjunto son, por tanto, una versión de inteligencia synthetic (IA) de la “sabiduría de los expertos”.
Para mayor claridad, EAM no emplea métodos Ensemble para diseñar un administrador de cartera “más inteligente”. De hecho, un principio que outline los métodos Ensemble es el uso de múltiples motores predictivos. En cambio, EAM genera una selección activa de valores mediante la integración de una plataforma de múltiples administradores de inversiones a través de Ensemble Strategies.
Los fondos mutuos administrados activamente funcionan dentro de un entorno de métodos conjuntos porque operan efectivamente como motores predictivos en los que los administradores intentan “predecir” qué acciones tendrán un mejor desempeño. Además, investigaciones sustanciales muestran que las selecciones de acciones con mayor convicción de los administradores obtienen mejores resultados de manera confiable.
El avance de EAM provino del descubrimiento de cómo extraer el “motor predictivo dinámico” de un fondo a partir de sus tenencias y ponderaciones en tiempo actual. Turing Expertise accede a estos datos a través de su tecnología de replicación de fondos basada en aprendizaje automático, Hercules.ai. Lanzado en 2016, Hercules.ai proporciona replicación en tiempo actual de fondos administrados activamente. Alberga datos que representan más de 4 billones de dólares en activos y logra una correlación del 99,4% entre los rendimientos replicados del fondo y los rendimientos reales del fondo.
Para crear carteras EAM, se seleccionan de 10 a 12 fondos mutuos de calidad de una categoría de inversión comparable. Turing extrae el motor predictivo de cada fondo accediendo a sus tenencias y ponderaciones en tiempo actual, y luego compara esos datos con las ponderaciones del índice de referencia. Las posiciones relativas sobreponderadas o infraponderadas reflejan los motores predictivos de los fondos.
Luego, Turing implementa estos motores predictivos extraídos dentro del “motor” matemático de Ensemble Strategies para generar la cartera EAM. El resultado ultimate es una cartera de hasta 50 acciones, sin derivados ni apalancamiento, y todas las posiciones representadas en el índice de referencia. Por lo tanto, EAM constituye la “mejor elección por consenso de una docena de gerentes de calidad”.
Mayor comprensión de los métodos de conjunto
El subconjunto de aprendizaje automático conocido como Métodos Ensemble es la clave para crear nuevas fuentes de alfa. Los métodos de conjunto son parte integral de casi todos los desafíos computacionales importantes del mundo, y Giovanni Seni y John F. Elder los han descrito como “el desarrollo más influyente en minería de datos y aprendizaje automático en la última década”. Hay más de 250.000 aplicaciones publicadas de Ensemble Strategies, incluido el reconocimiento facial, la detección temprana del autismo, la detección de tumores basada en resonancia magnética, la detección de amenazas cibernéticas y muchas más.
Investigación escalada: Libro blanco de EAM 2024
Los siguientes datos están extraídos de “Ensemble Lively Administration: la transformación de la gestión activa de la IA”, el estudio más grande jamás realizado para medir el potencial de rendimiento de EAM.
Se crearon 60.000 carteras construidas aleatoriamente de 12 fondos cada una. Se construyeron 60.000 carteras EAM basadas en conjuntos de 12 fondos subyacentes. Los resultados se evaluaron entre 2016 y 2022. Se utilizaron 333 fondos subyacentes de más de 140 compañías de fondos que representan más de 3 billones de dólares en activos bajo gestión. Estos fondos representan más del 60% de los activos del universo activo de renta variable estadounidense. El estudio cubrió cuadros de estilo de gran valor, gran combinación, gran crecimiento, pequeño valor, pequeña combinación y pequeño crecimiento, o 10,000 carteras de EAM por cuadro de estilo.
Para poner en perspectiva la escala de este esfuerzo de investigación, se generaron 420.000 retornos de rendimiento por año calendario discreto (siete años cada uno, a partir de 60.000 carteras). Esto es 20 veces mayor que el número de rentabilidades por año calendario discreto obtenidas por toda la industria activa de acciones de EE. UU. durante los últimos 25 años.
Los resultados son estadísticamente significativos y fueron sometidos a una revisión académica independiente, verificando la metodología y los resultados del estudio.
Comparación de rendimiento frente a puntos de referencia estándar
El estudio comparó el rendimiento de las 60.000 carteras de EAM con su índice de referencia correspondiente (los índices Russell), basándose en períodos móviles de uno, tres y cinco años, así como en la ventana completa de siete años. Los resultados, derivados de más de 560 millones de puntos de datos totales, se presentan en el siguiente cuadro.
Dos de las métricas clave fueron las tasas de éxito y el exceso de rendimiento anual promedio. El primero mide el porcentaje de períodos móviles en los que la cartera de EAM superó al índice de referencia, y el exceso de rendimiento anual promedio refleja el promedio de todos los rendimientos relativos del período móvil.
Tasas de éxito de EAM frente al punto de referencia, promedio de todos los cuadros de estilo
Un aspecto importante de las tasas de éxito es que EAM obtuvo mejores resultados en los seis cuadros de estilo evaluados:
Tasas de éxito de EAM frente a referencia por cuadro de estilo
Revisión y validación independientes
David Goldsman, profesor de la Fundación Coca-Cola y director de programas de maestría en la Escuela de Ingeniería Industrial y de Sistemas del Instituto de Tecnología de Georgia, realizó una revisión independiente para validar nuestra investigación. Su equipo académico tuvo acceso complete a la metodología del estudio, los sesgos declarados, los datos de entrada y salida e incluso el código. Su revisión tardó varios meses en completarse.
Extractos clave
“Descubrimos que la metodología subyacente es sólida. Se siguieron protocolos estándar de muestreo/aleatoriedad, protocolo de aleatoriedad apropiado para el POF subyacente [proof of funds] la construcción se llevó a cabo correctamente, el análisis de EAM y la metodología de construcción se realizaron de manera adecuada, y Turing interpretó adecuadamente el desempeño de EAM y POF, incluido el análisis de sesgos y la mitigación”.
“En todos los cuadros de estilos de fondos de cartera, la cartera EAM tiene un beneficio de rendimiento esperado normal de 400 a 500 puntos básicos en comparación con el correspondiente [. . .] punto de referencia.”
“Nuestras conclusiones resumidas son que Turing ha interpretado correctamente el rendimiento de EAM y POF, incluido el análisis de sesgos y la mitigación. También se corroboraron las afirmaciones de Turing de que el rendimiento de EAM es comparativamente mejor que la gestión activa tradicional y los puntos de referencia estándar de la industria”.
Uso e impacto de las tarifas
El estudio midió los puntos de referencia tal como se informan públicamente, sin tarifas ni costos de transacción, y calculó el rendimiento de la cartera EAM de la misma manera que los índices.
Como referencia, se realizó un cálculo de simulación de la categoría Massive Mix en la que los rendimientos de las carteras EAM se redujeron por la tarifa máxima cobrada por Turing (25 puntos básicos (pb)). La tasa de éxito de EAM frente a la cartera de fondos subyacente fue del 71,5 % sin comisiones adicionales y cayó ligeramente al 69,7 % con la comisión máxima incluida.
Rentabilidades en vivo de las carteras de EAM
Los clientes de Turing han creado varias docenas de carteras EAM y están disponibles comercialmente para que las utilicen inversores externos. Todos los registros de desempeño son verificables de forma independiente.
Un enfoque útil para evaluar las estrategias de EAM es establecer una cartera “líder” para cada uno de los nueve cuadros estándar de estilo de acciones estadounidenses. A continuación se presentan los resultados definidos por el exceso de rendimiento anual promedio desde la fecha de inicio de cada estrategia hasta el ultimate del año 2023 frente al punto de referencia correspondiente, como porcentaje en verde.
Rendimiento de la cartera de EAM en relación con el índice de referencia
Surgen dos conclusiones clave:
Las nueve carteras principales de EAM superan a sus índices de referencia. La antigüedad promedio de las estrategias EAM es de tres años. El exceso de rendimiento anual promedio equivale a 516 puntos básicos.
Para poner estos resultados en contexto, evaluamos todas las familias de fondos administradas activamente en la industria, centrándonos en los fondos mutuos que se enmarcan en un cuadro estándar de estilo de acciones de EE. UU. Se identificaron nueve fondos “líderes” para cada familia de fondos, lo que refleja el fondo con mejor desempeño para cada caja de estilo según el desempeño relativo a tres y cinco años en comparación con el índice de referencia correspondiente.
En ninguna otra familia de fondos, nueve de los nueve fondos “líderes” superaron el índice de referencia y el exceso de rendimiento anual promedio superó los 500 puntos básicos.
Así, en tan sólo unos pocos años, las carteras de EAM, impulsadas por Ensemble Strategies y una plataforma de múltiples administradores, se han convertido en la línea más sólida de fondos de acciones estadounidenses administrados activamente en el país.
Conclusión
Dieciocho años consecutivos de salidas netas demuestran que la gestión activa lleva mucho tiempo en el lado equivocado de la historia debido a su crónico bajo rendimiento. Y, sin embargo, el establishment sigue siendo el estado que outline la industria. Los escépticos critican “otra” concept nueva, pero el escepticismo no necesita ignorar hechos demostrables. El diseño de inversión de EAM y su aplicación de tecnología avanzada y datos concretos de rendimiento deberían convertir a EAM en la luz guía para la gestión activa.
Hay mucho en juego para la industria. Dados los flujos negativos a largo plazo y las valoraciones de las empresas ahora debilitadas, el dicho “adaptarse o morir” debería ser el grito de guerra de la industria. La IA está ayudando y sería prudente que la gestión activa aprovechara esa ayuda.
Si le gustó esta publicación, no olvide suscribirse a Enterprising Investor y al Centro de políticas e investigación del CFA Institute.
Todas las publicaciones son opinión del autor. Como tales, no deben interpretarse como asesoramiento de inversión, ni las opiniones expresadas reflejan necesariamente los puntos de vista del CFA Institute o del empleador del autor.
Crédito de la imagen: ©Getty Pictures / Olemedia
Aprendizaje profesional para miembros del CFA Institute
Los miembros del CFA Institute están facultados para autodeterminar y autoinformar los créditos de aprendizaje profesional (PL) obtenidos, incluido el contenido de Enterprising Investor. Los miembros pueden registrar créditos fácilmente utilizando su rastreador PL en línea.
