Soy quant.
Pero, a diferencia de la mayoría de los quants, gestiono una cartera concentrada basada en fundamentales. Más del 50% de mi fondo está invertido únicamente en ocho compañías, y son el tipo de acciones que probablemente habrían gustado a Peter Lynch y Charlie Munger: empresas seguras, aburridas, baratas y preparadas para superar al mercado.
¿Cómo llegué hasta aquí?
Llegué tarde al mundo de la inversión. Fue uno de esos cambios que se producen en mitad de la vida: tenía 50 años.
Hasta entonces no disponía de demasiados ingresos disponibles y mis ahorros para la jubilación estaban invertidos en la típica combinación de fondos de inversión.
Pero cuando me picó el gusanillo de la inversión —o quizá en aquel momento era más bien el del trading— me obsesioné por completo.
Las matemáticas habían sido mi asignatura favorita en el instituto, pero las había abandonado completamente para dedicarme a trabajar como escritor y editor. Ahora volví a ellas con auténtica pasión.
Leí absolutamente todo lo que pude encontrar sobre estadística, contabilidad e inversión.
Perdí completamente el interés por cosas que antes me obsesionaban, como la música o el cine.
Al principio experimenté con ETFs y, después, con acciones individuales.
Durante los dos años siguientes cometí prácticamente todos los errores posibles y perdí aproximadamente el 25% de mis ahorros.
Pero a finales de 2015 tuve uno de esos momentos de revelación.
Había estado experimentando con screeners de acciones y haciendo backtests sobre ellos.
Descubrí que, si creaba un filtro para encontrar compañías excelentes y otro completamente diferente para encontrar compañías horribles —y ambos ofrecían magníficos resultados históricos—, en algún momento aparecía alguna empresa que conseguía superar los dos filtros.
Mi gran descubrimiento fue comprender que clasificar las acciones utilizando tantos factores como fuera razonablemente posible resultaba mucho más eficaz que filtrarlas según unas pocas reglas.
Con los screeners solo puedes aplicar unas pocas reglas porque, de lo contrario, terminas eliminando prácticamente todas las compañías.
Así que este se convirtió en mi principio fundamental:
Evalúa cada acción que compres desde todos los ángulos posibles.
Me viene a la mente la famosa definición de Graham y Dodd, formulada 80 años antes en Security Analysis:
«Una operación de inversión es aquella que, después de un análisis exhaustivo, promete seguridad del principal y una rentabilidad satisfactoria.»
Para mí, la expresión clave era «después de un análisis exhaustivo».
A partir de ahí, todo empezó a avanzar rápidamente.
Poco a poco pasé de utilizar una docena de factores a utilizar más de 200, muchos de ellos extraídos de mis lecturas y algunos desarrollados por mí mismo.
Soy escritor y aprendo mejor escribiendo sobre lo que hago, así que empecé a investigar problemas relacionados con la inversión y, con el paso de los años, publiqué más de cien artículos en Seeking Alpha y otros foros.
Cada uno de ellos me enseñó algo.
Desde el principio mantuve una cartera concentrada de value basada en fundamentales, dominada por un pequeño número de posiciones, porque mis backtests indicaban que esa era la forma más rentable de gestionar una cartera formada por acciones analizadas en profundidad.
El crecimiento de mi cartera me dejó completamente sorprendido.
Después de aproximadamente seis años había ganado suficiente dinero como para que mi mujer y yo pudiéramos jubilarnos anticipadamente y crear una fundación privada.
Y hace algo más de dos años creé un pequeño hedge fund, principalmente para poder aumentar mis aportaciones personales a organizaciones benéficas y financiar mejor mi fundación, aunque también porque seguidores, amigos y familiares me pedían que gestionara parte de su dinero.
Aunque he escrito todos esos artículos sobre inversión, nunca he publicado un artículo basado en una “idea” de inversión.
Nunca he hablado con los equipos directivos, rara vez presto atención a las conferencias de resultados y nunca tengo en cuenta si una compañía posee o no un moat o ventaja competitiva duradera.
Todo lo que hago es algorítmico.
Algunas personas podrían pensar que existe algún algoritmo capaz de evaluar el moat de una compañía. Si existe, yo todavía no lo he encontrado.
Por lo que puedo observar, la mayoría de los gestores cuantitativos pertenecen a uno de dos grandes grupos.
Por un lado están los del estilo de AQR: mantienen las inversiones durante periodos largos, pero ninguno de sus fondos está especialmente concentrado y tampoco suelen hablar de estudiar profundamente los fundamentales de las compañías, sino que se apoyan en métricas relativamente generales.
Por otro lado están los del estilo de Renaissance: realizan muchas operaciones de muy corto plazo, utilizan enormes niveles de apalancamiento y realmente no invierten en el sentido tradicional de Graham y Dodd.
En cuanto a los gestores no cuantitativos o solo parcialmente cuantitativos, probablemente muchos coincidirían con Ian Cassell, de Microcap Club, quien escribió recientemente:
«La verdadera ventaja sigue siendo simplemente estar presente con el equipo directivo de maneras diferentes a como lo hacen la mayoría de los inversores. No se trata de actividades sofisticadas. No existe ningún algoritmo implicado. Y, sin embargo, producen sistemáticamente conocimientos que ninguna máquina puede replicar.»
Aunque ambos invertimos en microcaps orientadas al value, Cassell y yo adoptamos enfoques completamente opuestos.
¿Es mejor el mío?
No podría afirmarlo.
Pero al evitar ese contacto directo con el equipo directivo, también evito la posibilidad de que consigan engañarme.
Evito la posibilidad de resistirme a vender cuando llega el momento simplemente porque me he encariñado demasiado con la dirección.
También evito rechazar una acción con una valoración exigente pero con posibilidades de recuperación simplemente porque sus directivos me parecen desagradables.
Y aunque ninguna máquina pueda replicar los conocimientos que se obtienen estando cerca del equipo directivo, estoy bastante satisfecho con lo que puede descubrirse mediante un análisis exhaustivo y comparativo de los fundamentales de las acciones, evitando rigurosamente los sesgos emocionales.
Mediante sistemas multifactoriales de ranking puedo analizar miles de acciones al mismo tiempo, en lugar de limitarme únicamente a aquellas que he tenido tiempo de investigar en profundidad.
Además, puedo comparar rápidamente cada acción utilizando todas las métricas disponibles y asignarle una puntuación en cada una de ellas.
Veamos una analogía.
Supongamos que queremos crear un equipo de baloncesto fantasy utilizando estadísticas.
Entre las variables que queremos considerar para elegir jugadores estarían los puntos, rebotes, asistencias, tapones, triples y robos por partido. También nos interesarían la altura, la edad, el porcentaje de tiros de campo y el número de partidos disputados.
¿Cómo combinamos todas esas variables?
Podríamos asignar a cada jugador una puntuación entre 0 y 100 en cada apartado según su posición relativa, multiplicar después cada puntuación en función de la importancia del factor y finalmente sumar los resultados.
Eso es exactamente lo que hace un sistema de ranking multifactorial.
Supongo que podría denominarse el enfoque Moneyball.
Aunque en este caso resulta mucho más complejo, porque asignar la importancia correcta a cada factor exige realizar una enorme cantidad de backtesting, algo que probablemente nunca haríamos al construir un equipo de baloncesto fantasy.
Se presta demasiado poca atención a la idea de que los factores deben analizarse combinados y no de manera aislada.
El número de partidos disputados tiene poca relación directa con la capacidad futura de un jugador, pero aumenta la relevancia de los demás factores.
Lo mismo sucede con variables como el tamaño de una compañía.
Las empresas pequeñas no tienden necesariamente a superar a las grandes, pero un tamaño reducido puede amplificar el efecto de otros factores.
Ahora bien, este quizá no sea el enfoque cuantitativo habitual.
Para empezar, parece que a muchos quants no les gusta demasiado la contabilidad.
Yo tampoco soy ningún experto en contabilidad. Sé mucho más sobre análisis cuantitativo que sobre contabilidad.
Sin embargo, he tratado con cientos de inversores cuantitativos en Portfolio123 y dentro de mi grupo de inversión de Seeking Alpha, y pocos parecen comprender por qué los activos operativos netos, como porcentaje del total de activos, deberían ser relativamente bajos.
Tampoco suelen comprender por qué existen dos formas completamente diferentes de interpretar los accruals: una basada en el balance y otra basada en el estado de flujos de efectivo.
Incluso algunos no entienden por qué la deuda no es un activo.
Cuando se trata del análisis de flujos de caja descontados, los quants suelen mostrar poco interés por desarrollar cálculos del coste de la deuda y del coste del capital que tengan sentido para ellos, o por decidir si deben basar sus cálculos en el flujo de caja libre o en el NOPAT.
Si intentaras analizar con ellos las diferencias entre los enfoques de Damodaran, Mauboussin y Penman sobre el valor intrínseco, probablemente se perderían inmediatamente.
A mí, en cambio, me resultaría fascinante y trataría de encontrar una forma algorítmica de poner a prueba todos esos enfoques.
Ahora todos mis amigos quants se han pasado a la «IA».
Para ser claros, actualmente se denominan inteligencia artificial dos cosas extremadamente diferentes: los grandes modelos de lenguaje (LLM) y el Machine Learning.
Ambos son fantásticos.
Pero yo utilizo los LLM como caja de resonancia para contrastar ideas, no para ayudarme a seleccionar acciones.
Utilizarlos para elegir acciones me parece poco diferente de consultar a los hijos adolescentes de tu vecino.
Matt Levine, de Bloomberg, escribió recientemente:
«Entrenar un modelo con un corpus de libros y Reddit para que escriba prosa coherente y después pedirle que prediga datos financieros futuros es un non sequitur.»
Además, los LLM son terribles en contabilidad.
Por ejemplo, quería resolver una cuestión relacionada con los estados financieros de las compañías mineras.
La cantidad de errores evidentes que cometió ChatGPT habría hecho tirarse de los pelos a cualquier profesor de contabilidad, mientras al mismo tiempo respondía como si fuera una autoridad absoluta.
Estos son algunos ejemplos:
- Utilizando códigos de Compustat, quería sumar XRD a XSGA cuando XSGA ya incluye XRD.
- Pensaba que los costes de exploración de las compañías mineras se clasificarían como gastos de I+D. Casi nunca ocurre así.
- Sugirió utilizar el flujo de caja operativo como parte de una fórmula para calcular gastos. ¿Desde cuándo un flujo de caja es un gasto?
- Sugirió restar a esa cifra el flujo de caja de inversión, pero como normalmente el flujo de caja de inversión es negativo, eso habría generado exactamente el resultado contrario al que pretendía obtener.
- Afirmó que la depreciación y amortización siempre están incluidas dentro del coste de los bienes vendidos (COGS), cuando en muchas cuentas de resultados aparecen como una partida separada. Precisamente esa diferencia es la que distingue el EBIT del EBITDA.
VALS, una plataforma independiente dedicada al desarrollo del futuro de la inteligencia artificial generativa, evalúa distintos LLM en tareas básicas propias de los analistas financieros.
Los modelos obtienen sus mejores resultados en tareas sencillas de recuperación cuantitativa de información.
La mayoría de las pruebas consisten en pedir a los modelos que investiguen documentos presentados ante la SEC.
Ni siquiera se evalúan métricas contables complejas.
Y aun realizando tareas tan sencillas, ninguno de los modelos supera una tasa de precisión del 58%.
En cuanto al Machine Learning, no me siento ni mucho menos tan cómodo con sus algoritmos como con los sistemas de ranking.
Pero quizá eso cambie en el futuro.
He aprendido muchísimo gracias a los errores cometidos durante mi trayectoria como inversor.
Estos son algunos ejemplos, y créame, esta es solo una pequeña selección:
- Aprendí por las malas que no se pueden aceptar los estados financieros sin cuestionarlos y sin evaluar la probabilidad de que hayan sido manipulados por contables poco escrupulosos. Perdí mucho dinero en una compañía que terminó siendo señalada como un fraude completo, y podría haberlo detectado si hubiera sabido qué señales buscar.
- Aprendí por las malas que no se puede analizar el crecimiento sin analizar también la estabilidad financiera. En ocasiones, unas cifras de crecimiento moderadas son mejores que unas extremadamente elevadas, y resulta fundamental incorporar medidas sobre la estabilidad de las ventas, las cuentas por cobrar y el ciclo de conversión de caja.
- Aprendí por las malas que lo que Compustat y FactSet denominan “special items” son conceptos bastante diferentes y además utilizan signos opuestos. El beneficio bruto y la depreciación y amortización también presentan diferencias importantes en la manera en que los distintos proveedores de datos los estandarizan.
- Aprendí por las malas que la mayoría de las métricas deben compararse con otras empresas del mismo sector o industria, en lugar de compararlas con el universo completo, incluso si esta segunda alternativa ofrece mejores resultados históricos. Esto se debe simplemente a la mecánica de construcción de las carteras.
- Aprendí por las malas que, cuando hacemos backtesting, es fundamental segmentar el universo en lugar de utilizarlo completo, y que también resulta esencial corregir los valores atípicos. Yo utilizo bootstrapping, igual que la mayoría de los quants experimentados, mientras que los principiantes normalmente no lo hacen.
- Aprendí por las malas que vender una posición cuando no necesitas ese dinero para comprar algo mejor suele terminar generando arrepentimiento.
Ahora imaginemos que quisiera añadir a este proceso juicios no algorítmicos sobre el moat de una empresa o sobre las conclusiones extraídas tras visitar sus oficinas y hablar con su director financiero acerca de sus perspectivas de crecimiento.
Tendría que realizar ese mismo análisis para unas 8.000 compañías cada trimestre y retrocediendo 20 años para poder disponer de toda la información necesaria.
Volviendo a la analogía del baloncesto, en ocasiones basta con observar a un jugador para tener la sensación de que, independientemente de sus estadísticas, será una excelente incorporación para el equipo o, por el contrario, que resultaría imposible trabajar con él.
Pero ¿cómo se integra esa impresión dentro de un sistema de ranking?
Tendríamos que observar a todos y cada uno de los jugadores que estuviéramos considerando.
Algunas de mis mejores inversiones han sido lo que denomino “stinky stocks”: acciones de las que me habría mantenido a kilómetros de distancia si hubiera invertido basándome exclusivamente en factores cualitativos.
Así que esa es la razón por la que no se me da demasiado bien generar «ideas» de inversión.
De vez en cuando he considerado la posibilidad de integrar juicios cualitativos dentro de mis sistemas de ranking.
Si mi hedge fund llegara a crecer muchísimo, quizá podría contratar a un equipo completo de analistas cualitativos para hacerlo.
Pero no creo que lo haga.
Estaría sacrificando la exhaustividad y la protección frente a los sesgos conductuales que proporciona un enfoque puramente cuantitativo.
Así que me temo que, a pesar de haber empezado tarde, probablemente ya estoy demasiado avanzado en mi carrera como para incorporarme ahora al grupo de los inversores basados en «ideas».