Ahogándose en una sopa de datos: por qué la inversión factorial no puede ser científica por Yuval Taylor

La naturaleza de los datos financieros

A finales del año pasado, Marcos M. López de Prado, un gestor de fondos de cobertura y profesor pionero en el aprendizaje automático en finanzas y que actualmente es el director global de investigación y desarrollo cuantitativo en uno de los mayores fondos soberanos de riqueza del mundo, publicó una monografía titulada Causal Factor Investing: Can Factor Investing Become Scientific? (Inversión factorial causal: ¿puede la inversión factorial convertirse en científica?). En ella, denuncia lo que él llama “sobreajuste desenfrenado de los backtests y elecciones de especificaciones incorrectas” en la literatura académica sobre inversión factorial, y analiza “afirmaciones espurias” y “confusión causal”. A continuación, “propone soluciones con el potencial de transformar la inversión factorial en una disciplina verdaderamente científica”.

López de Prado da lo mejor de sí cuando desacredita los enfoques académicos de las finanzas, en concreto la pretensión de los académicos financieros/económicos de adoptar un enfoque verdaderamente científico. Gran parte de su trabajo en este sentido se repite en esta monografía, pero aquí cae en la misma trampa que los académicos a los que desacredita, al afirmar que la inversión factorial puede ser “una disciplina verdaderamente científica”. Tengo mis dudas.

El principal problema es que los datos con los que trabajan los inversores en factores son todo menos científicos. Las ganancias, el flujo de caja libre y otros elementos financieros son interpretaciones que hacen los contables de lo que sucede en las empresas para las que trabajan. Se rigen por las normas regulatorias, pero tienen mucha discreción, así como un interés personal en presentar estos elementos de una manera positiva. Nada podría ser menos científico que estos datos, y estos datos son la base de toda inversión en factores. Si bien ciertos elementos contables pueden ser más «científicos» que otros (los gastos por intereses, por ejemplo, son bastante cuantificables), mucho depende de elementos completamente discrecionales como las tasas de depreciación, la clasificación de los costos y los salarios (como gastos de capital, gastos de venta, generales y administrativos, I+D, otros costos de bienes, etc.), la estimación de los intangibles y el momento del reconocimiento de las entradas y salidas de efectivo. A pesar de marcos regulatorios como los GAAP (principios de contabilidad generalmente aceptados, el estándar estadounidense) y las NIIF (Normas Internacionales de Información Financiera, el estándar europeo) que buscan estandarizar la información, hay muy pocos rubros financieros que no estén infectados por las prácticas discrecionales de los contadores de las empresas.

Los inversores en factores adoptan un enfoque cuantitativo para variables que son extraordinariamente poco fiables. ¿En qué nos convierte eso? Sin duda, no somos científicos, pero tampoco adivinos ni intérpretes literarios. Tomamos estos datos extremadamente poco fiables y utilizamos métodos estadísticos establecidos y técnicas de prueba avanzadas para extraerles significado.

La única comparación que se me ocurre es la de las apuestas mutuas. Un buen jugador tomará datos poco fiables y, utilizando un enfoque probabilístico, hará apuestas que tengan una probabilidad bastante decente de dar resultado. Nadie confundiría a un jugador con un científico, aunque ambos puedan utilizar técnicas estadísticas avanzadas. La gente confunde a los inversores con los jugadores, y hay una buena razón para ello.

Contabilidad discrecional

A continuación se presentan algunos ejemplos específicos de los tipos de discreción que pueden ejercer los contadores.

• Al valorar el inventario, los PCGA permiten los tres métodos (primero en entrar, primero en salir; último en entrar, primero en salir; y costo promedio ponderado).
• Las NIIF permiten flexibilidad en cuanto a cómo se clasifican los intereses y dividendos en el estado de flujo de efectivo, permitiendo su inclusión en el flujo de efectivo operativo o financiero.
• Las NIIF permiten la revaluación de una amplia gama de activos.
• Para los servicios de software, los PCGA permiten una flexibilidad adicional en el reconocimiento de ingresos.

No quiero sugerir que los PCGA y/o las NIIF tengan fallas. Sin ellos, las cosas serían mil veces peores. La estandarización excesiva tiene un costo: es importante que los inversores tomen nota de los matices en las cuentas de las empresas. Por eso, el 95% de los miembros del S&P 500 informan ganancias tanto con base en los PCGA como sin base en los PCGA.

El punto clave es que los informes financieros no fueron diseñados para un análisis amplio de datos, sino para ilustrar adecuadamente los resultados financieros de una empresa individual. La estandarización que imponen los PCGA y las NIIF es importante para establecer cierta coherencia, pero esa coherencia está orientada a la comparación de empresas e industrias individuales, más que al análisis científico o estadístico. Y la comparación de empresas e industrias individuales cae presa de una forma muy diferente de datos terriblemente poco científicos.

Clasificación de la industria

La mayoría de las inversiones en factores requieren comparaciones intrasectoriales. El rendimiento de las ganancias es significativo, pero mucho más significativo si lo comparas con otras empresas del mismo sector. Pero, ¿cómo se clasifican las empresas en sectores? Tomemos, por ejemplo, Kewaunee Scientific ( KEQU ), que actualmente es una de mis principales participaciones, tanto en mi fondo de cobertura como en mis cuentas personales. La empresa fabrica muebles especializados principalmente para instalaciones de atención médica. Entonces, ¿es una empresa de atención médica? Eso es lo que dice Compustat/S&P. ¿O es una empresa de muebles? Eso es lo que dice FactSet. El problema va más allá de negocios peculiares como Kewaunee. Hay una gran diferencia si Amazon ( AMZN ) está clasificada como una empresa minorista discrecional (cíclica) o de productos básicos (no cíclica), o si Visa ( V ) está en el sector financiero o tecnológico. Los distintos proveedores de datos clasifican a estas empresas de forma diferente en distintos momentos (Compustat clasifica a Amazon como “discrecional”, mientras que FactSet la clasifica como “no cíclica”; Compustat solía clasificar a Visa en el sector tecnológico, pero luego la trasladó al sector financiero). Y esto nos lleva a otra fuente de incertidumbre.

Proveedores de datos

A modo de ejemplo, creé un sistema de clasificación en Portfolio123 (una herramienta basada en suscripción que ayuda a investigar y crear estrategias de inversión cuantitativa sistemáticas) con treinta factores que he estado utilizando bastante últimamente. Luego comparé el desempeño de las empresas en este sistema según si los datos provenían de Compustat o FactSet.

Una de las muchas empresas con discrepancias asombrosas es eBay ( EBAY ). En FactSet ocupa el puesto 86 de 100, mientras que en Compustat ocupa el puesto 25.

Así que vamos a desmantelarlo un poco.

• Lo primero que noto es un problema con los ítems especiales. Se trata de ítems no recurrentes antes de impuestos, como gastos de mudanza, pagos de indemnización, amortizaciones, amortizaciones, reservas para litigios, etc. Deben tenerse en cuenta al calcular el ingreso neto de una empresa. Compustat tiene esta cifra como -$206 millones para 2023, mientras que FactSet la tiene como +$1.75 mil millones para el mismo año. (Compustat enumera un par de docenas de ítems que juntos conforman ítems especiales; FactSet lo calcula como la diferencia entre cargos extraordinarios y créditos extraordinarios). Con un ingreso neto el año pasado de $2.75 mil millones, ya sea que agregues $206 millones o restes $1.75 mil millones, hace una gran diferencia. Según FactSet, eBay está experimentando un excelente crecimiento de ganancias, ya que los ingresos del año pasado se ajustan de manera tan radical. Según Compustat, su crecimiento de ganancias no es tan grande.
• Lo siguiente que observo es una gran discrepancia en las acumulaciones del balance. Esto se debe al hecho de que FactSet muestra más de 3.100 millones de dólares en otras inversiones y anticipos este trimestre y 1.200 millones de dólares el mismo trimestre del año pasado, lo que significa que eBay ha aumentado sustancialmente sus cuentas por cobrar a largo plazo. Compustat, por otro lado, da N/A para ambos. Por lo tanto, para FactSet, las acumulaciones de eBay están bien; para Compustat, son terriblemente altas dado que el efectivo disponible de eBay ha disminuido sustancialmente en el último año. (Este problema se reduce si se utilizan cifras anuales. Compustat no suele incluir cifras trimestrales para esta partida en particular, lo que explica las N/A).
• El rendimiento de las ganancias de eBay, según las estimaciones del año fiscal actual, es un poco más del 8%. ¿Qué tan bueno es eso? Bueno, normalmente uno compara el rendimiento de las ganancias con otras empresas en la misma industria. Para Compustat, la industria es la venta minorista multilínea, lo que los coloca en el séptimo lugar de 19 empresas (estoy limitando mi alcance a las empresas con suficiente liquidez para negociar grandes cantidades). Para FactSet, la industria es la venta minorista de mercancías generales, lo que los coloca en el décimo lugar de 32 empresas. Entonces, eBay obtiene un puntaje un poco mejor con FactSet que con Compustat en rendimiento de las ganancias.
• Analizo muchos aspectos del subsector de una empresa, incluidos su impulso y su rendimiento promedio de flujo de caja libre; también comparo el cambio de inventario de la empresa (que en este caso es cero) con el cambio de inventario del subsector. Para FactSet, eBay está en el subsector minorista de alimentos y productos básicos del sector de productos básicos, mientras que para Compustat, está en el subsector de distribución y venta minorista de consumo discrecional, que está en el sector discrecional. Esos dos subsectores son muy diferentes en verdad. El primero tiene un impulso más fuerte, un mayor rendimiento de flujo de caja libre y un mayor crecimiento de inventario. Estos hacen diferencias muy sustanciales en las clasificaciones de las empresas.
• Según FactSet, el crecimiento de los ingresos operativos de eBay, comparando el trimestre más reciente con el mismo trimestre del año anterior, es del 31%, mientras que según Compustat es de solo el 7%. FactSet indica que los ingresos operativos actuales de eBay son de 658 millones de dólares, mientras que Compustat los indica en 552 millones de dólares; también hay discrepancias entre las cifras del mismo trimestre del año anterior. No voy a emitir un juicio sobre qué proveedor de datos tiene razón: simplemente estandarizan los ingresos operativos (también llamados EBIT) de diferentes maneras.

eBay no es realmente un caso atípico en este sentido. El 15% de las empresas del universo “fácil de negociar” de Portfolio123 tienen una discrepancia de 20 o más entre sus clasificaciones de FactSet y Compustat (en este sistema de treinta factores), y eso sin mencionar aquellas empresas que están cubiertas por solo uno de los dos proveedores de datos.

Utilización de datos no científicos para evaluar empresas

¿Cómo se procede entonces a la hora de evaluar a las empresas, dada la locura de los datos financieros? Tengo algunas sugerencias.

1. Nunca pienses que lo que haces es científico, objetivo o verdaderamente sólido. Sospecha de todas las conclusiones a las que llegues.
2. Revise sus datos. Si encuentra discrepancias importantes, investíguelas. Trate de averiguar qué informa la empresa y qué hacen sus proveedores de datos con esas cifras.
3. Cuantos más datos utilice, menos importarán estas discrepancias. Si basa su juicio sobre una empresa en tan solo un puñado de métricas, seguramente se encontrará con serios problemas. Utilice diez medidas diferentes de crecimiento de las ganancias o rendimiento de las ganancias en lugar de solo una; utilice una amplia variedad de medidas de calidad, estabilidad, etc. de la empresa; calcule el valor de una empresa utilizando métodos de valor intrínseco (preferiblemente más de uno) así como métodos de valor relativo; utilice dos o tres proveedores de datos diferentes en lugar de solo uno, y así sucesivamente.
4. Proteja sus apuestas con diversidad. Utilice varios sistemas o estrategias diferentes a la vez, siempre que no esté seguro de cuál es mejor.
5. Concéntrese en la probabilidad más que en los absolutos a la hora de pensar en la inversión y en su enfoque de la sistematización.

Trabajar con datos financieros nunca es fácil, y la cantidad de datos que hay lo hace mucho más complejo. Si a eso le sumamos el hecho de que los datos en sí son poco fiables, imprecisos, caprichosos y mutables, corremos el riesgo de ahogarnos en una sopa de datos. Adoptar un enfoque tajante con los datos como este, simplificar la estrategia hasta su esencia, tratar los datos como si fueran sacrosantos o ignorarlos por completo es algo que está destinado a ser contraproducente. En lugar de eso, hay que aprender a nadar en la sopa de datos, porque cuanto más absorbamos, mejor imagen podremos pintar de las empresas en las que estamos invirtiendo.

Toda mi carrera como inversor se ha basado en el uso de datos financieros de formas novedosas. Desde finales de 2015, he estado invirtiendo utilizando sistemas de clasificación basados ​​en datos financieros, concentrándome en empresas seguras, sólidas, aburridas y poco conocidas, y como resultado, he tenido una CAGR del 42 % durante ese período, sin un solo año calendario negativo. Por lo general, no utilizo mucho los tipos de factores que son estándar en la industria de servicios financieros, los tipos de factores simples y trillados que son, por ejemplo, la base de las clasificaciones cuantitativas de Seeking Alpha. He descubierto que

• Los márgenes de beneficio bajos pueden predecir el crecimiento de las ganancias,
• La relación entre el beneficio bruto y los activos totales puede ser más significativa que el ROA.
• Si las cuentas por cobrar de una empresa varían mucho de un trimestre a otro, eso suele ser un problema.
• Puedes basar una relación de valor en los impuestos pagados,
• Una empresa cuyas ventas están mejorando puede ser una inversión mucho mejor que una empresa cuyas ventas están creciendo de manera constante.
• La baja rotación de acciones disminuye el riesgo de mercado,
• El rendimiento del dividendo no significa nada sin tener en cuenta la tasa de pago,
• Un aumento simultáneo tanto del inventario como de la planta bruta es una mala señal,
• El flujo de caja operativo debería superar los ingresos netos, y
• El valor intrínseco se puede estimar aproximadamente algorítmicamente.

Toda mi filosofía de inversión se basa en analizar cada acción que compro o contra la que apuesto desde tantos ángulos diferentes como sea posible.

Pero en el fondo soy un analista cuantitativo. Dedico cien veces más tiempo y energía a mis sistemas algorítmicos que a buscar los detalles financieros de una empresa. Las decisiones discrecionales que tomo no tienen nada que ver con si compro o vendo una acción en particular en un día en particular, sino que tienen que ver con mejorar mi sistema e incorporar en él factores financieros. Los datos me importan mucho y me asusta muchísimo pensar que podrían estar totalmente equivocados.

Pero, ¿qué significa realmente “incorrecto” cuando se trata de datos financieros? Nada. Los datos financieros son un caos de interpretaciones sesgadas, pero es todo lo que tenemos para trabajar. Abordarlos de una manera holística, individualizada y bien razonada es la mejor opción si desea superar al mercado de manera constante.