La lista de preocupaciones ante una «inminente» recesión por Ed Yardeni

Los economistas que aún pronostican una recesión suelen ofrecer cuatro razones. Primero está la inversión de la curva de rendimiento. En segundo lugar está la caída de M2. En tercer lugar está el endurecimiento significativo de la política monetaria resultante del aumento de la tasa de fondos federales combinado con el endurecimiento cuantitativo (QT). En cuarto lugar, el exceso de ahorro de los consumidores acumulado durante la pandemia podría agotarse en septiembre.

Un riesgo más inmediato para la economía es una posible huelga de 300.000 trabajadores de UPS. Bloomberg (5 de julio) informa: “Semanas de conversaciones entre UPS y los Teamsters se desmoronaron la madrugada del miércoles en Washington después de extenderse hasta el feriado del 4 de julio, con negociadores asediados saliendo poco después de las 4 a. m. para decir que las conversaciones se habían derrumbado”. Un portavoz del sindicato dijo que los empleados del sindicato no trabajarán más allá del 31 de julio cuando expire el contrato actual.

Revisemos nuestra respuesta optimista a las razones citadas con más frecuencia para preocuparse por una recesión:

(1) Indicadores adelantados a la baja y M-PMI. El índice de principales indicadores económicos (LEI) alcanzó un máximo histórico durante diciembre de 2021 (Fig. 7). Ha bajado un 9,4% desde entonces hasta mayo. El LEI anticipó correctamente las ocho recesiones anteriores con un tiempo de espera promedio de 12 meses.

Hemos demostrado anteriormente que el LEI está sesgado, dando más peso a la fabricación que a los sectores de servicios de la economía. El cambio porcentual interanual en el LEI (que bajó un 7,9 % en mayo) sigue de cerca al M-PMI (que cayó a 46,0 durante junio) (Fig. 8). Ambos son consistentes con nuestro escenario de recesión móvil, con la recesión actualmente afectando al sector de bienes. Eso se confirma por la debilidad en el índice de tonelaje de camiones ATA y las cargas de contenedores intermodales en vagones de ferrocarril durante el año pasado (Fig. 9).

(2) Curva de rendimiento invertida. Melissa y yo «escribimos el libro» sobre la curva de rendimiento en 2019. Se titula The Yield Curve: What Is It Really Predicting?. Llegamos a la conclusión de que las curvas de rendimiento invertidas indican que los inversores creen que el endurecimiento continuo de la política monetaria de la Reserva Federal daría lugar a una crisis financiera, que podría convertirse en una contracción del crédito y una recesión en toda la economía. Son las crisis crediticias las que causan las recesiones, no las curvas de rendimiento invertidas las que anticipan estos eventos.

Esta vez, la curva de rendimiento se invirtió el verano pasado. Una vez más anticipó correctamente una crisis bancaria, que se produjo en marzo. Lo que es diferente esta vez, hasta ahora, es que la Fed respondió muy rápidamente con una línea de liquidez bancaria de emergencia, que hasta ahora ha funcionado para evitar la quiebra de bancos en toda la economía y una contracción del crédito (Fig. 10).

Así que no ha habido recesión, hasta ahora. Todavía podría darse si la crisis bancaria se convierte lentamente en una crisis crediticia. Es por eso que Melissa y yo estamos monitoreando de cerca los datos de los balances de los bancos comerciales semanales (Fig. 11). Muestran que los depósitos bancarios alcanzaron un máximo de $18,2 billones durante la semana del 13 de abril de 2022 y cayeron a $17,3 billones durante la semana del 21 de junio de 2023. Sin embargo, los préstamos bancarios se mantuvieron en un máximo histórico de 12,1 billones de dólares durante la semana del 21 de junio. Los bancos mantuvieron un récord de $5,8 billones en valores durante la semana del 13 de abril de 2022. Esta suma se redujo en $645 mil millones a $5,2 billones a medida que los valores vencieron. Los bancos están utilizando los ingresos para compensar la debilidad de sus depósitos y para otorgar préstamos.

(3) M2 decreciente. Los monetaristas parecen estar regresando y están haciendo sonar la alarma de que la reciente debilidad en la medida del dinero M2 está confirmando que la política monetaria ya es lo suficientemente estricta como para provocar una recesión. Hemos abordado este problema en el pasado y todavía no estamos alarmados.

La oferta monetaria medida por M2 subió $130.9 mil millones en mayo después de caer los nueve meses anteriores en $1.0 billón (Fig. 12). Ha bajado 897.000 millones de dólares desde que alcanzó un máximo histórico en julio de 2022. Ha bajado un 4,0 % interanual. Sin embargo, el declive de M2 sigue a un aumento de 6,3 billones de dólares (41 %) desde enero de 2020 (justo antes del comienzo de la pandemia) hasta su máximo histórico. ¡M2 aún permanece alrededor de $ 2 billones por encima de su tendencia alcista previa a la pandemia!

Como señalamos anteriormente, la debilidad de los depósitos bancarios se ha visto compensada en parte por los ingresos por vencimiento de los valores en poder de los bancos. Por su parte, los depósitos a la vista en M2 totalizaron $5,0 billones durante mayo. Consideramos que es $ 1.5 billones por encima de la línea de tendencia previa a la pandemia en depósitos. Los depósitos a la vista representan actualmente el 24% del M2, frente al 10,3% durante enero de 2020 (Gráfico 13). ¡M2 no ha sido tan líquido desde septiembre de 1972!

(4) Quedarse sin exceso de ahorro. El cambio anual en M2 ha estado siguiendo de cerca la suma móvil de 12 meses de los ahorros personales, lo que sugiere que todavía queda mucho ahorro en exceso según nuestro análisis de M2 anterior (Fig. 14).

Esta conclusión se ve confirmada por los datos de la Fed sobre la propiedad de depósitos más fondos del mercado monetario por cohortes de generación. Estas son sus tenencias en el primer trimestre y los aumentos desde el cuarto trimestre de 2019 en estos activos líquidos: Silent ($2,6 billones, -$65 mil millones), Baby Boomer ($8,9 billones, +$2,5 billones), GenX ($3,9 tril

lion, +$1,1 billones) y Millennial ($1,6 billones, +$625 mil millones) (Fig. 15).

Nuevamente, consideramos que el exceso de activos líquidos en poder de los Baby Boomers solo osciló entre $ 1.0 y $ 2.0 billones al final del primer trimestre.

(5) Política monetaria restrictiva. La política monetaria es muy restrictiva, especialmente considerando el endurecimiento de los estándares de préstamo en reacción a la crisis bancaria de marzo, así como el programa QT en curso.

Sin embargo, la estricta política monetaria se ha visto compensada en parte por una política fiscal muy laxa. En el pasado, el estímulo fiscal generalmente se producía al final de las recesiones o incluso una vez que habían terminado. Esta vez, se han dado muchos estímulos fiscales antes de la próxima recesión. Esa es otra razón por la que la próxima recesión no ha llegado hasta ahora.

Relaciones estructurales en los gaps de apertura

Tradicionalmente la rentabilidad diaria de un activo se ha calculado como la diferencia de precios de cierre, pero si descomponemos, acumulamos, y graficamos la rentabilidad total de un activo como suma de sus dos componentes básicos, el Gap o rentabilidad nocturna, y el Market o rentabilidad diurna, generamos la Macroestructura de los gaps de apertura de un activo. 

De forma gráfica, la Macroestructura de un activo se caracteriza por la existencia de convergencias o divergencias entre el valor acumulado por el gap y por el market, o estadísticamente por poseer coeficientes de correlación negativos entre ambos conceptos. Y es sobre estos conceptos tras los cuales subyacen las reglas de cobertura de los gaps de apertura. Es lógico pensar que si el gap acumula valores positivos en un periodo de tiempo y el market valores negativos, la cobertura de gaps alcistas (SELL) tendrá una mayor probabilidad de producirse que en los gaps bajistas (BUY), donde siguiendo esta lógica no se cubrirán, sino que el precio seguirá la dirección del gap. 

Por otro lado, aunque esta Macroestructura sea única para cada activo o mercado, estos no están aislados, sino que lo que en ellos sucede, su macroestructura, depende de las macroestructuras de los mercados anteriores y afectará a los mercados posteriores. Y esto es de especial importancia, ya que no todos mercados o activos que los componen están operativos en los mismos horarios. Si tomamos como ejemplo los horarios de apertura de los activos spot de los futuros analizados, podemos ver que los mercados se suceden uno tras otro en el tiempo: Asia-Europa-EEUU-Asia… En cierta manera existe un mercado global que está abierto casi las 24 horas, y por tanto un activo o un gap no puede estudiarse aisladamente, lo que se demuestra con el hecho de que las correlaciones entre los principales índices de estas 3 regiones son bastante elevadas.

Objetivo, muestra y variables del estudio

El presente estudio, partiendo del artículo “Information flows around the globe: predicting opening gaps from overnight foreing stock Price patterns, Jan G De Goojier, Ceed GH Diks, Lukasz T Gatarek; 2009”, pretende al igual que este, mostrar la existencia de asociaciones regionales entre los índices bursátiles de diferentes regiones del mundo, en cuanto al aporte del gap y del market para con la rentabilidad total. Se amplía ese artículo mostrando como las aperturas y cierres de las diferentes regiones financieras, afectan a las macroestructuras de los activos analizados, y por tanto a la cobertura de sus gaps de apertura.

Para realizar los cálculos se han utilizado un total de 29 índices futuros en el periodo 2010-2021, y clasificados por regiones geográficas.

Los activos analizados han sido:

1. Asia: Nikkei225, China A50, Topix, Ces China120, Hang Seng, CSI300, H-Shares China, Kospi2000.
2. Europa: Dax30, Ibex35, Cac40, EuroStoxx50, FtseMib40, Tec-Dax, Ftse100, Smi20, Aex25, Psi20, Grecia20, Atx25, OBX, OMXH25, BUX, Bel20, Wig20.
3. EEUU: S&P500, Dow30, Nasdaq100, y Rusell2000.

Las variables empleadas en el análisis son:

1. Los precios de apertura y cierre diarios de los futuros.
2. Las Macroestructuras de los futuros analizados.
3. Un índice sintético obtenido como promedio diario simple acumulado de los componentes gap, mercado, y mercado total, sobre el total de índices clasificado por regiones (Asia, Europa o EEUU).

Análisis empírico

Con objeto de ver si existen asociaciones entre índices de una misma región, en comparación con las demás regiones, se analizan las correlaciones entre los valores acumulados del gap, el market, y el mercado total de los 30 activos clasificados por regiones y resumidos a través de un índice sintético, además de los 3 activos más representativos de estas regiones. 

En la tabla se observa una fuerte correlación entre las rentabilidades totales de los índices sintéticos, y también en los 3 activos representativos de ellos. Pero esto no sucede con las correlaciones del gap y del mercado, las cuales son mucho más bajas y negativas.

Si ahora ordenamos los mercados por hora de apertura/cierre, y trazamos la rentabilidad media del valor acumulado por los dos conceptos, vemos como esas correlaciones se traducen a valores de market opuestos al gap. Tanto individualmente en un mismo activo (señal de cobertura), como conjuntamente entre mercados.

Graficando las Macroestructuras de los índices sintéticos y activos representativos, se aprecia como cada región tiene características comunes gap-market presentes en ambas gráficas. 

Asia y EEUU poseen Macroestructuras similares, valores de gaps acumulados nulos o negativos y mucha importancia del mercado en la rentabilidad total. Por el contrario, Europa posee valores de gap acumulados muy importantes en la rentabilidad total, y valores de mercado nulos o negativos.

En cierta manera la rentabilidad positiva del mercado asiático, es la responsable de la rentabilidad del gap del mercado europeo. Por otro lado, como la rentabilidad del Market europeo es negativa, genera la rentabilidad negativa de gap en EEUU. Y finamente, el Market americano con valores positivos generan la rentabilidad positiva del gap en Asia. Este hecho da lugar a un flujo de información, que es el responsable de las diferentes macroestructuras regionales antes vistas.

Ahora y para analizar como este flujo de información afecta a los procesos de cobertura de los gaps, se procede a analizar las Macroestructuras de los 3 índices sintéticos:

1. EEUU y Asia: Posen valores de gap acumulado nulos o negativos, y valores de Market positivos, existe una divergencia entre los dos componentes (CC bajos o negativos). Por tanto, los únicos gaps que deberían cubrirse a l/p serían los bajistas (BUY).
2. Europa: Posee valores de Gap acumulado positivos y de Market nulos o negativos, existe un coeficiente de correlación negativo entre ambos conceptos, los únicos gaps que deberían cubrirse a l/p serían los alcistas (SELL).

Una vez definida la cobertura lógica (de forma lineal, y para todo el periodo), se utiliza esta señal en un backtest (TP: cobertura del 100% del gap, SL: tiempo y puntos infinitos, ausencia de comisiones y entrada de la operación a apertura de mercado) para cada uno de los 30 futuros, y aplicando a cada activo la cobertura ideal de su índice sintético de referencia, comparando 2 backtest sobre el mismo activo:

1. H1: Regla de cobertura obtenida de la Macroestructura sintética.
2. H0: Regla contraria a la Macroestructura sintética.

Se observa como en 92% de los backtest sobre los futuros de Asia y EEUU, la regla de cobertura (H1) funciona en todos los futuros, obteniendo la cobertura de gaps bajistas (BUY) un mejor resultado que H0 en todas las variables analizadas, incluyendo el tiempo de cobertura medio del gap. Sin embargo, esto no sucede en el mercado europeo donde solo el 29% de los activos siguen un proceso de cobertura lógico de gaps alcistas (SELL) o H1. Solo en el Ibex35 (España), FtseMib40 (Italia), Psi20 (Portugal), Grec20 (Grecia) y el Wig20 (Polonia), H1 obtiene mejores resultados que H0, y por tanto la cobertura de gaps alcistas (SELL) obtienen un mejor comportamiento rentabilidad-riesgo, que la cobertura de gaps bajistas (BUY).

¿Pero por qué esto sucede solo en Europa y no en Asia o EEUU? 

La explicación a ello radica en los solapamientos de los mercados. En cierta manera Europa se encuentra en medio del cierre y la apertura de dos mercados muy diferentes al europeo, en cuanto a importancia de gap y de mercado, y por tanto de diferentes reglas de cobertura. Si ordenamos los mercados tras la apertura de Europa, aún tiene que abrir y cerrar EEUU y Asia, antes de que Europa vuelva a abrir de nuevo, y si en estas dos regiones solo funciona la cobertura de gaps bajistas (BUY), es más que razonable que la cobertura de gaps alcistas (SELL) europeos no sea posible a l/p, ya que los dos mercados que le siguen tienen componentes market alcistas y gaps nulos o algo negativos.

 ¿Es por ello imposible la cobertura de gaps alcistas (SELL) en Europa? 

Sí es posible, siguiendo la lógica anterior este tipo de gaps solo conseguirá cubrirse, si el mercado europeo es capaz de asimilar esa información antes de que abra EEUU o Asia, los cuales siguen patrones de coberturas opuestos a Europa. Este hecho se demuestra, tras aplicar Backtest restringido a 1 sesión bursátil, y obtener un 70% de activos con beneficios en la cobertura de gaps alcistas (Sell).

Observaciones:

1. Todos los backtest, correlaciones entre activos y Macroestructuras analizadas en este estudio, se encuentran disponibles en un archivo Word situado en el siguiente enlace a Google Drive: https://bit.ly/3Djsv3K.

2. Los back test podrían obtener resultados más robustos, si en lugar de usa un enfoque lineal para generar la señal de cobertura, se usase uno dinámico en él se adapte la señal de cobertura a la macroestructura en cada momento de tiempo. Así como una apertura de la operación dentro o fuera del gap, en lugar del precio de apertura.

Conclusiones

Tras analizar 29 Futuros sobre índices bursátiles en el periodo 2010-2021 clasificados por regiones (Asia, Europa y EEUU), se puede concluir:

1. La mayoría de los índices asociados a una región concreta, poseen Macroestructuras muy parecidas y por tanto comportamientos similares en cuanto a contribución del gap y del Market para con la rentabilidad total. Siendo Asia y EEUU muy similares en los conceptos anteriores y opuestos a Europa, aunque con un similar comportamiento la rentabilidad total (alcista).

2. Las aperturas y cierres de los mercados asiáticos, europeos y americanos, junto a las macroestructuras asociadas a esas regiones, son factores clave en los procesos de generación y cobertura de los gaps de apertura.

3. La existencia de 3 regiones bursátiles diferentes pero anexadas, genera una Macroestructura global (cobertura de gaps bajistas (BUY)), que está por encima de la Macroestructura de un activo individual, y la cual es la responsable de los cambios en las reglas de cobertura de los índices europeos. En general solo será posible la cobertura de gaps alcistas (SELL), bajo la restricción de que el gap cubra en la sesión europea 

4. Para finalizar, hay que recordar que estos activos futuros/países europeos donde funciona la cobertura de gaps alcistas (SELL), eran los llamados “PIGS” durante la crisis económica de 2007, países que no han recuperado todavía la caída bursátil de la crisis financiera de 2007 y que poseen mercados más bajistas que sus allegados. Motivo por el cual solo en estos activos funciona este tipo de cobertura a largo plazo y la de la Macroestructura global.

Los inversores son optimistas sobre la economía, los gerentes empresariales no tanto por Sentimentrader

• Durante el año pasado, los inversores han favorecido en gran medida las acciones cíclicas sobre las defensivas.
• Los gerentes corporativos tienen una mala perspectiva económica, divergiendo de la perspectiva de los inversionistas.
• Divergencias similares generalmente precedieron a rachas ganadoras en las acciones, aunque las acciones cíclicas retrocedieron relativamente.

Una división histórica entre inversores y gestores

El último año y medio ha estado lleno de una gran cantidad de fenómenos «nunca antes vistos». A eso, podemos agregar una desconexión histórica entre el sentimiento de los inversores y los gerentes corporativos.

Los inversores han ofertado al alza el precio de las acciones cíclicas frente a las defensivas, mientras que los gestores de la encuesta ISM Manufacturing tienen unas perspectivas negativas.

Lo que nos dice el estudio

Hemos notado muchas veces durante los últimos ocho meses que después de un año como 2022, los inversores se aferrarán a cualquier punto de datos que sugiera una reanudación de una caída. Hemos estado publicando estos estudios a través de algunos de los peores mercados bajistas de los últimos 20 años y ese comportamiento es una de las características definitorias que no ha cambiado. Cuando un gráfico como el primero se difunde en las redes sociales, la opinión inmediata y generalizada es negativa. Tal vez sea así; No se. Solo sé que cuando se dieron circunstancias similares en las últimas siete décadas y media, las acciones aún lograron ganar la mayor parte del tiempo, sin caídas significativas y duraderas.

M-Score te librará de invertir en fraudes por Yuval Taylor

Nota: M-Score se utiliza para identificar a las empresas que se dedican a la manipulación de sus finanzas. He usado seudónimos en este artículo y cambiado ciertos detalles para enmascarar la identidad de las empresas en cuestión.

I. Ser defraudado

No hace mucho tiempo, una empresa de análisis de inversiones expuso una empresa en la que había invertido como lo que era, un fraude. La mayor parte de los ingresos de esta compañía aparentemente provienen de algunas otras compañías que habían adquirido recientemente, pero resultó ser prácticamente imposible verificar que ninguno de esos ingresos realmente existiera fuera de los libros de la compañía.

Basándome en sus estados financieros más recientes, le di a esta empresa una calificación muy alta. Y puse mucho dinero detrás de ello.

Esto duele. No solo dolió financieramente, perdí más de 80 000 dólares, sino que también dolió mi credibilidad como inversor cuantitativo. En el panorama general, podría soportar la pérdida. Pero mi filosofía de inversión se basa en la máxima de que las acciones más seguras son mejores inversiones que las arriesgadas. Y, sin embargo, aposté mucho por una acción que esta empresa de investigación etiquetaría en breve y con razón sería una estafa fácil de detectar con finanzas ficticias.

Una de las razones por las que me pillaron desprevenido es que esta empresa cotiza en el NASDAQ como una empresa estadounidense. Las acciones cotizadas domiciliadas en los EE. UU. son las acciones más seguras del mundo simplemente porque la SEC es mejor para perseguir a los estafadores en el mercado de valores de los EE. UU. que cualquier otro organismo regulador del gobierno.

Sin embargo, la historia del mercado de valores está llena de fraudes. Está en la propia naturaleza de la bestia. Se nos enseña que debemos tener cuidado con las empresas que se dedican a la manipulación de sus estados financieros. Sin embargo, todas las empresas, por la propia naturaleza de los informes financieros, tienen cierto margen de maniobra para construir los estados financieros. Hay cientos de áreas grises al informar sobre las finanzas, que es una de las razones por las que con frecuencia digo que no hay absolutamente nada científico en los datos financieros. Entonces, ¿qué estoy haciendo cuando clasifico las acciones en función de estos datos discrecionales? Bueno, estoy lidiando con probabilidades. Si el flujo de caja libre declarado de una acción es alto, eso no significa que sea un ganador: significa que es más probable que sea una acción ganadora que una acción cuyo flujo de efectivo libre reportado es extremadamente bajo.

Entonces, ¿qué debería haberme avisado de que esta empresa era un fraude? ¿Hay algo basado en los números que deba aprender? ¿Hay alguna regla de detección que pueda aplicar a mis universos para evitar que esto vuelva a suceder?

II. Messod D. Beneish y «La detección de la manipulación de los ingresos»

En 1999, un profesor de contabilidad de la Universidad de Indiana publicó «The Detection of Earnings Manipulation» en Financial Analysts Journal. (Esta fue una revisión exhaustiva de un método que había publicado por primera vez en 1997.) Messod Beneish no fue el primero ni el último en intentar utilizar el análisis de los estados financieros para detectar el fraude. Pero su método se ha mantenido mejor que cualquier otro; en un documento de seguimiento de 2020, «El costo de los errores de predicción de fraude«, demostró que su método tenía una proporción más baja de falsos positivos y verdaderos que cualquier otro método además de uno basado en el aprendizaje automático introducido en 2020.

Beneish llegó a su fórmula examinando 74 empresas que manipularon las ganancias durante un período de seis años y comparándolas con 2.332 empresas similares que no lo hicieron. Se le ocurrió ocho factores cuyos valores más altos parecían indicar una mayor probabilidad de manipulación, siete de los cuales comparan la cifra del último año fiscal con la anterior. De esos ocho, solo cinco eran estadísticamente significativos (y uno de esos cinco, AQI, todavía tenía valores p bastante altos). Usando la regresión probit, se le ocurrió una fórmula que incluía los ocho factores, pero dio un coeficiente negativo a dos de los estadísticamente insignificantes y un coeficiente muy bajo al tercero.

Los ocho factores son los siguientes:

1. Días de venta en cuentas por cobrar (DSRI). Esto compara la relación entre las cuentas por cobrar y las ventas en el año fiscal más reciente con la misma relación en el año fiscal anterior. La relación entre las cuentas por cobrar y las ventas es básicamente el porcentaje de ventas por las que aún no se ha recibido efectivo. Si esa proporción se está haciendo mucho más grande, es una señal de que la empresa puede estar exagerando sus ventas.
2. Margen bruto (GMI). Esto compara el margen bruto de la empresa en el año fiscal anterior con el margen bruto actual de la empresa. Si el margen bruto de una empresa se está deteriorando notablemente, eso le da un fuerte incentivo para manipular sus finanzas.
3. Calidad de los activos (AQI). Esto toma los activos no corrientes de la compañía que no están en la planta, la propiedad y el equipo netos, los divide entre sus activos totales y compara ese número con el del año fiscal anterior. Si este número está aumentando, la compañía puede estar aplazando indebidamente los costos (o puede estar participando en adquisiciones sustanciales; pero Beneish señala que «los manipuladores de muestras llevan a cabo pocas adquisiciones y esas son principalmente bolsas de acciones por acciones que se contabilizan mediante la agrupación de intereses»). Como él dice, «un aumento en el riesgo de realización de activos indica una mayor propensión a capitalizar y, por lo tanto, a diferir los costos».
4. Crecimiento de las ventas (SGI). Esta es una medida simple del crecimiento de las ventas desde el año fiscal más reciente hasta el anterior. Las empresas de alto crecimiento tienen más probabilidades de participar en el fraude de los estados financieros.
5. Depreciación (DEPI). Beneish midió la depreciación comparándola con la suma de la depreciación y la planta neta. Si esta proporción está bajando, eso es una señal de que la compañía ha estado revisando al alza las estimaciones de la vida útil de los activos, aumentando así los ingresos netos de la compañía a través de la manipulación financiera.
6. Gastos de ventas, generales y administrativos (SGAI). Esta es la relación entre SG&A y ventas. En su artículo original, Beneish no está claro por qué siente que si esta proporción está aumentando, es un signo de manipulación financiera. La única justificación que da es que «los analistas interpretarían un aumento desproporcionado en las ventas como una señal negativa sobre las perspectivas futuras de las empresas. Espero una relación positiva entre el SGAI y la probabilidad de manipulación». Hay una contradicción entre esas dos frases. Escritores posteriores han sugerido que el factor está justificado por la idea de que si la eficiencia administrativa y de marketing disminuye, eso podría motivar a los gerentes a manipular las ganancias; del mismo modo, si a los gerentes se les paga mucho más, esa es otra buena señal de fechoría financiera.
7. Apalancamiento (LVGI). Esto compara la relación entre la deuda total y los activos totales entre los dos años fiscales más recientes. Si la deuda está aumentando, hay más incentivos para la manipulación de ganancias, razonó Beneish.
8. Total de devengo a activos totales (TATA). Esta relación no compara los dos años fiscales más recientes, sino que simplemente toma los valores devengados y las divisiones por el total de activos. Beneish al principio midió los valores devengados utilizando el enfoque del balance de Richard Sloan, pero más tarde (en 2013) cambió a un método más ampliamente aceptado basado en el estado de flujo de efectivo, que es simplemente el ingreso neto menos el efectivo de las operaciones.

El cálculo de cada uno de estos factores es relativamente fácil. Los primeros siete son cocientes simples: si las cifras comparadas son las mismas de un año a otro, el resultado es 1; para la mayoría de ellos se toma el número del año fiscal más reciente y se divide por el del año anterior y para GMI y DEPI se hace lo contrario. Los acumules también se calculan fácilmente. Cada uno de los factores se gana por los percentiles 99 y 1. (Para aquellos que no están familiarizados con la Winsorización, eso significa que a cualquier factor por encima del percentil 99 se le da ese valor en lugar de su verdadero valor; ayuda a evitar valores atípicos). Por último, si los elementos de AQI, DEPI o SGAI son N/A, el valor se establece en 1.

La M-Score final (M significa manipulación) se calcula utilizando la siguiente fórmula, basada en una regresión probit no ponderada:

–4.84 + 0.92*DSR + 0.528*GMI + 0.404*AQI + 0.892*SGI + 0.115*DEPI – 0.172*SGAI – 0.372*LVGI + 4.679*TATA.

En su artículo original, Beneish admitió que no se demostró que los tres factores con coeficientes bajos y negativos (DEPI, SGAI y LVGI) fueran de valor. Todos tienen valores p relativamente altos. Si bien dio los números de regresión de probit anteriores, no propuso que la M-Score se calculara con ellos. Sin embargo, esa es la forma en que se ha calculado desde entonces, y Beneish desde entonces ha promocionado esta fórmula en sus documentos de seguimiento de 2013 y 2020.

El umbral para saber si es probable que una empresa sea un manipulador es una M-Score de -1,78 o superior, aunque permitió mucho margen de maniobra en este punto. Si la M-Score de una empresa está por debajo de -2, es poco probable que esté manipulando sus finanzas.

Hay muchas versiones en línea de la M-Score de Beneish, y muchas de ellas tienen enfoques ligeramente diferentes. Portfolio123 utiliza el final de doce meses o, para las partidas del balance, cifras trimestrales en lugar de anuales, y no Winsorize. YCharts utiliza números anuales y no Winsorize; para AQI deducen no solo los activos no corrientes y los PPE, sino también las inversiones a largo plazo, y para los valores devengados utilizan los ingresos operativos en lugar de los ingresos netos. Hay una excelente calculadora en línea de la Escuela de Negocios Kelley de la Universidad de Indiana, donde Beneish enseña, que desglosa la M-Score de cualquier empresa por factor y da probabilidades y probabilidades. Es fiel al cálculo original, usando cifras anuales y Winsorizing. Se pueden encontrar otros cálculos en GuruFocus, FinBox, MacroAxis, por ejemplo. Seeking Alpha todavía no ofrece la M-Score.

III. Excavando en la M-Score

Voy a ver un poco más de cerca cómo funciona la M-Score en la práctica, examinando cada uno de sus factores.

Recientemente revisé las M-Score y los ocho factores de unas cuarenta empresas que han recibido informes condenatorios de una empresa de análisis de inversiones que se especializa en irregularidades contables, transacciones de partes relacionadas no reveladas y prácticas ilegales de información financiera. No todas esas empresas se dedican a la manipulación financiera, pero la mayoría de ellas parecen haberlo hecho. Las conclusiones a las que llego a continuación se basan en mi examen de esos informes.

Como ejemplos concretos, voy a ver cinco empresas. Los primeros cuatro manipularon sus estados financieros, mientras que los últimos no parecen sospechosos en lo más mínimo. Los estoy identificando a todos, además de Enron, usando seudónimos y cambiando casi todos los detalles sobre ellos, incluidas las fechas; pero las finanzas que estoy dando no son ficticias. Las empresas son:

• The Argonarm Group, que es la empresa en la que perdí dinero. En el momento en que el informe salió identificándolo como un fraude obvio, la M-Score lo identificó como un posible manipulador. Lo identificó como un probable manipulador antes de eso, pero eso fue antes de que adquiriera las otras empresas, por lo que no estaba realmente en el radar de nadie.
• Miracle Prospect Machinery. Esta empresa fue tomada hace casi una década por un hombre que era buscado en el extranjero por dirigir un esquema ponzi y falsificación. Un año más tarde, la compañía se convirtió en un nuevo segmento de negocio y entró en una empresa conjunta con una empresa cuyo vicepresidente era la esposa de este hombre; esa empresa fue investigada por la SEC, y la mayoría de sus contratos de software no existían. Estaré mirando las finanzas de Miracle, antes de que el precio de sus acciones se derrumbe. La M-Score identificó a esta empresa como segura.
• Neapolis Charter Tools. La SEC golpeó a esta empresa con citaciones hace varios años y de nuevo dos años después. Neapolis admitió la «debilidad» relacionada con sus finanzas y, como resultado, reató algunas de ellas. La compañía tenía una larga historia de prácticas comerciales cuestionables; yo mismo perdí mucho dinero en ello. Estaré revisando sus finanzas entre el año de la citación original y el segundo. La M-Score identificó correctamente a esta empresa como que tenía una alta probabilidad de manipulación de ganancias.
• Enron. Los problemas con las finanzas de Enron comenzaron a verse a finales de 2000, pero no fue hasta octubre de 2001 que estuvieron al descubierto. Fue entonces cuando Enron anunció que las reformulaciones de los últimos cuatro informes anuales (los de 1997 a 2000) eran necesarias para corregir las violaciones contables. Al mes siguiente presentaron documentos ante la SEC que revisaban esas declaraciones para tener en cuenta las pérdidas de 586 millones de dólares. Usando una versión anterior de la M-Score de Beneish, los estudiantes de la Universidad de Cornell identificaron que Enron tenía una alta probabilidad de manipulación de ganancias en 1998, según su informe anual que cubre 1997. Pero si se aplica la M-Score a los informes anuales que cubren los años fiscales 1998 o 1999, indica que la empresa es segura; todo el tiempo, Enron estaba moviendo sus pérdidas operativas a entidades de propósito especial. El informe anual de 2000, publicado en 2001, era una caldera de pescado diferente: la M-Score aumentó a -0,55, y la gente se estaba volviendo extremadamente escéptica sobre lo que había en esos informes. Pero para ese momento, las acciones habían comenzado a descender. Estaré mirando las M-Score de Enron a mediados de 2000 y mediados de 2001.
• Rebria Services. No hay absolutamente ninguna evidencia de ninguna práctica fraudulenta o manipulación de ganancias en Rebria, y nadie parece haber sugerido tal cosa. Estaré revisando sus finanzas actuales. La M-Score identifica a esta empresa como que tiene una alta probabilidad de manipulación de ganancias, solo porque su DSRI es extremadamente alto (debido a la venta de los derechos de comercialización de una de sus tecnologías a otra empresa).

La siguiente tabla muestra cada uno de los factores de la M-Score de Beneish para estas cinco empresas que utilizan datos de Compustat de Portfolio123, con los puntos de winsorization repuntes del sitio web de Kelley School. Tengo dos líneas para Enron para diferentes fechas.

Para los factores, el sombreado rojo indica puntuaciones altas (por encima del percentil 90) y el sombreado verde indica puntuaciones bajas (por debajo del percentil 10); ningún sombreado indica puntuaciones normales (entre los percentiles 10 y 90). Para la M-Score, el rojo se da a las empresas por encima de -1,78 («probable manipulador», según el sitio web de la Escuela Kelley), verde a las empresas por debajo de -2 («no manipulador»), y no hay sombreado a las empresas entre («posible manipulador»).

Una de las cosas sorprendentes de este gráfico es que las tres empresas recientes que han cometido manipulaciones de ganancias tienen puntuaciones extremas (muy altas o muy bajas) en la mayoría de las categorías. Veamos los factores uno por uno y veamos si podemos explicarlo.

1. DSRI. Si una empresa tiene una puntuación baja, significa que está disminuyendo sus cuentas por cobrar en comparación con las ventas. Eso puede ser algo bueno, pero también podría ser una señal de que la compañía está ofreciendo desesperadamente términos de crédito extendidos a los clientes, haciendo ventas a clientes con baja solvencia, relleno de canales (enviando exceso de inventario a distribuidores o minoristas sin demanda) o, y este es el punto predominante para las empresas que he estado buscando, reconociendo los ingresos prematuramente. En mi investigación he descubierto que las empresas con puntuaciones de DSRI muy altas o muy bajas son sospechosas. Argonarm, Miracle y Neapolis tenían puntuaciones de DSRI anormalmente bajas. Rebria, por otro lado, tenía una puntuación de DSRI anormalmente alta, mayor que el percentil 99, debido a la venta de los derechos de comercialización de una de sus tecnologías, por lo que se valía a 3,12.
2. GMI. Si los márgenes brutos de una empresa están aumentando enormemente, como es el caso de Argonarm, cuyos márgenes probablemente pasaron del 16 % al 68 %, eso es motivo de preocupación. Una de las cosas que alertó a la empresa de investigación sobre el fraude de Argonarm fueron sus márgenes insanos, que eran mucho más altos que los de cualquier otra empresa de su industria. Neapolis también informó de un aumento extremo en su margen bruto, al igual que varias de las otras empresas que examiné.
3. AQI. Este factor depende del equilibrio entre tres cosas: activos corrientes, planta neta y activos totales. Si uno o dos de ellos cambian radicalmente de un año a otro, eso puede ser una señal de advertencia importante. Echemos un vistazo específico a Miracle, por ejemplo. Su balance de 2013 incluyó solo 0,1 millones de dólares en efectivo y 1,9 millones de dólares en activos corrientes, casi todos los cuales estaban en cuentas por cobrar. También tenían 3 millones de dólares en depósitos, por lo que sus activos totales fueron de 5,7 millones de dólares. Sin embargo, en 2014, sus activos totales habían crecido casi diez veces a 53 millones de dólares porque, según se informa, habían aumentado su efectivo a 45 millones de dólares. Su EPP se mantuvo aproximadamente igual (de 0,5 millones de dólares a 0,7 millones de dólares). Es por eso que recibieron un AQI tan absurdamente bajo. Algo similar estaba sucediendo con Argonarm: su efectivo se disparó de 97 millones de dólares a 500 millones de dólares, su planta neta pasó de 0,7 millones de dólares a 855 millones de dólares, y sus activos totales se multiplicaron casi diez veces, de 177 millones de dólares a 1,68 mil millones de dólares. A pesar de las fusiones y adquisiciones inversas, este tipo de cosas merecen una estrecha consideración.
4. SGI. El crecimiento de las ventas reportado extremadamente alto es, de hecho, la bandera número uno para la falsificación de ingresos. Beneish estaba justo en el blanco aquí.
5. DEPI. Argonarm, Miracle y Neapolis obtuvieron una M-Score muy alta en esta medida. Pero es importante señalar que dos cosas pueden hacer que esta proporción funcione: una es una disminución extrema en la depreciación; la otra es un aumento extremo en la planta neta. En el caso de estas tres empresas, parece que sus nuevos activos tenían una vida útil mucho más larga o un costo mucho más bajo que los anteriores. La probabilidad de eso no parece muy alta.
6. SGAI. Un gran aumento en las ventas sin un aumento correspondiente en los gastos de venta y respuestas generales es una clara señal de advertencia de que las ventas pueden estar exageradas, por lo que un SGAI bajo puede ser tan malo como un SGAI alto. Esto es en realidad lo que sugirió el lenguaje original de Beneish en el documento de 1999, y se corresponde con el coeficiente negativo dado a este factor. En mi investigación sobre empresas sospechosas, un gran número de ellas tenían puntuaciones de SGAI extremadamente bajas o extremadamente altas.
7. LVGI. Beneish suponía que un aumento de la deuda sería un signo de manipulación, pero en realidad es al revés. Las empresas que están disminuyendo su relación entre deudas y activos podrían estar pagando sus deudas, pero también podrían estar aumentando su capital vendiendo muchas acciones. Eso es sin duda lo que hizo Argonarm: ¡su relación entre la deuda y los activos se rebajó al 9 % de lo que había sido el año anterior! Uno de los signos más frecuentes de que una empresa participa en actividades fraudulentas es que vende acciones. Argonarm no fue la única empresa que lo hizo: al mismo tiempo que Miracle y Enron. ¡Eso es lo que hace que el fraude valga la pena!
8. TATA. Casualmente, las cinco empresas en cuestión aquí tienen acumulaciones moderadas. En mi investigación limitada, en realidad no encontré mucha correspondencia entre los altos valores devengados y la propensión a la malversación financiera. Pero confío en Beneish en esto: miró a muchas más empresas que yo.

IV. Revisando la M-Score

Tengo algunas objeciones menores con la M-Score, así que me encargué de hacer algunos cambios, a saber:

1. Promediando. Encontré que la M-Score variaba mucho de un año a otro. Cada declaración anual daba una imagen diferente. También me preocupaba que la M-Score no fuera actual. Si el «golpe» de Argonarm, su adquisición de varias empresas similares en el mismo trimestre, hubiera ocurrido entre los informes anuales, su M-Score no habría cambiado. (En este caso, eso habría sido algo bueno, ya que el informe anual del año anterior obtuvo una M-Score extremadamente alta de 0,21.) En cualquier caso, pensé que sería mejor para cada factor promediar la comparación de este año con el año pasado con una comparación del trimestre actual con el mismo del año pasado y, para los elementos que no son de balance, los valores finales de doce meses con los de hace un año.
2. N/As. Beneish dio valores de 1 a tres factores si la información no estaba disponible; hice lo mismo con los otros cuatro factores de año a año, y di un valor de -0,05 si TATA era N/A. Esto mejora la cobertura y nos permite incluir acciones financieras (que Beneish excluyó), a muchas de las cuales no se aplican elementos como los márgenes brutos o los activos actuales. Para protegerse mejor del fraude, es bueno tener un número para todas las empresas.
3. Winsorizing. Beneish ganó el 1 % y el 99 %. Eso permite que un factor domine por completo, como vimos con Rebria. Creo que es mejor ganar al 5 % y al 95 %.
4. Bidireccionalidad. Para cuatro de los factores, pensé que sería mejor dar puntuaciones altas tanto a grandes aumentos como a enormes disminuciones. Esos son DSRI, GMI, AQI y SGAI. Para calcularlos, primero tomé los promedios, luego los gané; después de eso, si el resultado era menor de uno, usé su recíproco en su lugar.
5. Apalancamiento. Encontré un pequeño problema con la forma en que Beneish usó este factor. Digamos que una empresa aumentó su carga de deuda en un 700 %. Debido al Winsorizing, obtendría una puntuación de 3,13 (una empresa que mantiene su deuda igual obtiene una puntuación de 1). LVGI tiene un coeficiente de -0,327. Por lo tanto, una empresa que aumentara significativamente su deuda vería su M-Score bajar (3,13 – 1) x 0,327, o 0,7, lo que la convierte en una apuesta mucho más segura. Eso no tenía sentido para mí. Así que uso el recíproco del factor de apalancamiento (es decir, la deuda del año pasado con los activos dividida por el de este año) y le doy un coeficiente positivo. Ahora una empresa que aumenta su carga de deuda en un 700 % obtiene una puntuación de 0,33, lo que hace que su M-Score disminuya solo (1 – 0,33) x 0,327, o 0,22. En cuanto a una empresa que aumenta radicalmente su capital mediante la venta de una gran cantidad de acciones, la relación deuda/activos de Argonarm se rebajó en un 74 % (su valor es de 0,226). Así que invertirlo le da una puntuación de 3,85, que luego se convertiría en Winsorized a 2,63. Eso aumenta su M-Score en 0,53, lo que parece más apropiado que tener su M-Score elevada en solo 0,24.
6. Aumento de las acciones. Añadí un factor adicional, llamado índice de aumento de acciones (SII), basado en los factores de Beneish, que compara el recuento de acciones completamente diluidas para este año (y el trimestre más reciente) con el del año anterior (y el mismo trimestre del año pasado). Me di cuenta de que muchas de estas empresas fraudulentas emiten muchas acciones nuevas o emiten acciones adicionales del tesoro o venden preferentes convertibles para ganar dinero antes de que sean atrapadas. Y no siempre eran las mismas empresas que aquellas con bajas puntuaciones de LVGI, ya que muchas de ellas emitieron acciones y aumentaron su carga de deuda.
7. Coeficientes. Debido a que cambié la forma en que cuatro de estos factores funcionaban, también tuve que cambiar sus coeficientes, lo que hice comparando el nuevo rango (10o percentil a 90) de los factores con el rango anterior. Le di a mi nuevo factor (SII) un coeficiente que era un promedio ajustado por rango de los ocho factores existentes; también cambié los dos factores con coeficientes negativos a positivos debido a la forma en que cambié esos factores. Al final, alteré cinco de los coeficientes de Beneish un poco, pero mantuve tres de ellos iguales (SGI, DEPI y TATA).
8. Interceptar y cortar. La fórmula de Beneish tenía una intercepción que parecía arbitraria. Es un poco confuso para los novatos tener que lidiar con el hecho de que la mayoría de las puntuaciones M de Beneish, pero no todas, son negativas. Creo que una M-Score de cero significa que la probabilidad de que la empresa sea un manipulador es del 50 %, pero no estoy seguro. En cualquier caso, cambié mi interceptación para que una empresa con todos los valores N/A obtuiera una puntuación de cero. Algunas empresas todavía obtienen puntuaciones negativas, pero la mayoría de ellas obtienen puntuaciones positivas. Dado que aproximadamente el 8,25 % de las empresas que cotizan en bolsa con liquidez razonable obtienen una M-Score de Beneish superior a -1,78, utilicé el mismo percentil para llegar a una puntuación de corte de 1,83.

Mi fórmula final es la siguiente:

–5.384 + 1.312*DSRI + 0.585*GMI + 0.663*AQI + 0.892*SGI + 0.115*DEPI + 0.255*SGAI + 4.679*TATA + 0.288*LVGI + 1.508*SII

donde las diversas fórmulas se alteran como se describió anteriormente.

No he podido volver a probar mi fórmula para ver si funciona mejor que la de Beneish en general. Beneish tuvo acceso a un conjunto de datos bien definido de empresas que definitivamente habían manipulado sus finanzas. Yo no. Pude volver a probarlo para ver si la imposición de límites basados en la M-Score revisada mejoraba los rendimientos cuando se usaban junto con un sistema de clasificación para elegir acciones. Los resultados fueron mixtos: la mayoría de las pruebas de retroceso mejoraron, pero algunas no. Al usarlo, mis propias devoluciones habrían sido mejores y habría evitado comprar Argonarm.

Tal vez mi fórmula no sea una mejora de la de Beneish. Ciertamente, es mucho más difícil de calcular, ya que requiere insumos de ocho informes trimestrales en lugar de dos anuales, y algunos cálculos más complejos con algunos de sus factores.

Aquí están las puntuaciones revisadas de las cinco empresas que examiné anteriormente. Tenga en cuenta que debido a los cambios que hice, DSRI, GMI, AQI y SGAI nunca van por debajo de 1.

Mi fórmula revisada funciona mejor que la original para tres de estas cinco empresas (Argonarm, Miracle y Rebria), pero peor para Enron y más o menos lo mismo para Neapolis. Aquí también hay un sesgo de selección en el trabajo: elegí a estas empresas para ilustrar mis puntos.

He hecho una pantalla pública en Portfolio123 para que puedas ver exactamente cómo se calculan todos los factores tanto para la M-Score de Beneish como para la versión revisada; también puedes introducir tickers para ver sus puntuaciones.

V. Cómo usar la M-Score

Hay dos opciones que me parecen lógicas. El primero es simplemente someter a las empresas con altas M-Score a un mayor escrutinio caso por caso, de forma discrecional. La segunda es simplemente excluir a las empresas cuya M-Score es alta.

Algunas de las empresas en las que he invertido también tienen puntuaciones M bastante altas (tanto Beneish como revisadas). Puedo reconsiderar esas inversiones. Por otro lado, es reconfortante que dos de las empresas contra las que he tomado una posición fuerte (al comprar puts) también tengan M-Score muy altas.

No hay un método simple para detectar el fraude financiero, al igual que no hay un método simple para elegir acciones ganadoras. Sin embargo, prestar atención a ciertos signos de fraude me habría ayudado a evitar el fiasco de Argonarm. Espero que el uso de la M-Score me ayude a mí y a ti a evitar otros en el futuro.

El arte del swing trading por The Trader Chick

Si comienzas a operar, aprenderás varias estrategias que aparentemente prometen alcanzar tus objetivos. Pero una estrategia en la que los operadores principiantes deberían embarcarse es las de tipo swing o el swing trading. Hay varias razones para confiar en este enfoque. Lo mejor es empezar con lo básico.

¿Qué es Swing Trading?

El swing trading es un arte perfeccionado por algunos de los swing traders con más éxito en el que se hacen movimientos rápidos (comprar o vender una acción) en un corto período de tiempo que va de días a semanas o incluso varios meses. Lo ideal es que entres en una operación cuando el mercado esté preparado para iniciar tendencias al alza o a la baja, y las probabilidades de éxito estén claramente a tu favor.

El problema es que debe implementar estrategias de gestión de riesgos adecuadas. Por ejemplo, puede colocar stop loss para protegerse contra el riesgo de giros repentinos en el mercado.

Durante el swing trade, debe ejercer mucha paciencia y confianza en su estrategia, ya que las operaciones podrían ir en su contra en períodos más cortos. Sin embargo, dado que las operaciones de swing suelen tener objetivos más grandes, los spreads o comisiones no afectarán en gran medida a sus ganancias.

El swing trading es muy ventajoso en términos de uso de capital y los altos rendimientos que aporta. Es ideal para aquellos traders que no tienen el lujo de tener tiempo para monitorear los gráficos durante todo el día, pero que solo pueden dedicar unas pocas horas cada día. Las herramientas principales que puede utilizar en el swing trading son de análisis técnico y fundamental que detectan rápido la trayectoria de una bolsa en particular.

Excelentes enfoques de swing trading

Las estrategias de swing trading son las más adecuadas para los inversores que buscan capitalizar los movimientos fuertes que traen la ganancia más rápida de todas las estrategias de alto marco. Por supuesto, hay un sinfín de estrategias que puedes emplear en tu swing, pero estas tres son las que se consideran más tradicionales.

Rupturas

Una ruptura es cuando el precio de una acción se mueve fuera de un cierto límite que podría ser (soporte o resistencia). Por lo tanto, realiza operaciones de ruptura cuando el impulso está claramente a su favor. La desventaja de este tipo de negociación es que el impulso podría ser falso, obligarte a comprar alto solo para que después la tendencia se gire.

Opciones

Aprender las complejidades de las opciones puede darte rendimientos atractivos. Además, tratar con derivados puede permitirle colocar contratos en muchos activos o acciones. Por ejemplo, puedes comprar contratos contra el precio del oro y el ganado; la lista es interminable.

Si desea obtener tales ganancias más allá del mercado de valores habitual, puede utilizar opciones de derivados para acceder a dichas operaciones. En otras palabras, una opción es un contrato que le otorga el derecho de comprar o vender una cierta cantidad de activos subyacentes a una prima o precio en particular.

El único problema de esto es que usted, el portador de la opción, debe ejercer su derecho dentro de una fecha estipulada, después de lo cual la opción deja de existir.

Ruptura a la baja

Aquí, puede tomar una posición al determinar el comienzo de un mercado que se mueve a la baja. Se da principalmente cuando el precio alcanza un cierto nivel de soporte, lo que resulta en movimientos dramáticos de precios a la baja.

Conclusión

El swing trading es uno de los mejores estilos para que los traders aficionados comiencen en el mundo del trading. No solo es menos exigente que el day trading, sino que también puede ayudarte a obtener rendimientos de mercado significativos con relativa facilidad si planificas y te preparas bien.

Cómo avanzar en su desarrollo como trader: ideas clave por Brett N. Steenbarger, Ph.D.

Hace poco participé con Mike Bellafiore de SMB Capital en una excelente conferencia organizada por TraderLion. El tema de nuestra presentación, que se puede ver en este vídeo, fue el desarrollo de los traders: las mejores formas de mejorar nuestro rendimiento en los mercados financieros. Aquí hay algunas ideas clave que mencionamos en la sesión:

1) Tu nicho en los mercados tiene que ser descubierto: solo experimentando en diferentes mercados, en diferentes marcos de tiempo, con diferentes fuentes de información puedes averiguar qué tiene sentido para ti y en qué eres bueno. En la escuela de medicina, los estudiantes pasan por varios servicios clínicos, como medicina interna, cirugía, psiquiatría y medicina familiar, para experimentar esas especialidades de primera mano. Es solo después de experimentar todas las áreas principales de la medicina que los estudiantes toman la decisión de especializarse en un área en particular durante su formación de residencia. Del mismo modo, si estás aprendiendo mercados, quieres probar varias «especialidades» y descubrir tu potencial nicho. Muchas veces, los traders en desarrollo están tan ansiosos por ganar dinero que ponen su capital en riesgo de inmediato y tratan de emular lo que escuchan de los aspirantes a gurús. Así no es como funciona el desarrollo de la experiencia. Operar de varias maneras en modo demo y con un tamaño pequeño le permite descubrir quién es usted y qué funciona para usted antes de arriesgar su capital. Debido a que los mercados siempre están cambiando, debemos seguir nuestro desarrollo como traders y volver al modo de descubrimiento y aprendizaje.

2) Aprender a operar es un deporte de equipo – Hay una razón por la que las empresas de trading de éxito, como las pymes, y esencialmente todos los fondos de cobertura exitosos están organizados en estructuras de equipo. Un líder de equipo es un trader experimentado y exitoso que crea un grupo de traders más jóvenes para ayudar en el proceso de aprendizaje de trading. Los miembros junior aportan habilidades únicas al equipo y hacen un seguimiento de las oportunidades a medida que surgen. El líder del equipo se beneficia de la aportación de los miembros del equipo y les sirve como mentor, mostrándoles en tiempo real cómo sus ideas se traducen en oficios y se gestionan como posiciones. Como resultado, el aprendizaje más importante se produce en el escritorio, viendo los mercados y las ideas y operando en tiempo real. El dicho en la facultad de medicina es «cada uno enseña a uno». En un equipo de éxito, todos aprenden unos de otros. ¿Y si eres un trader independiente? Su desafío es establecer contactos con otros traders independientes que están atravesando sus curvas de aprendizaje. Aquí es donde las comunidades de trading y las conferencias de trading pueden ser particularmente útiles. Comparte tus mejores ideas en línea y descubrirás que otros con buenas ideas se pondrán en contacto contigo. Ese es el comienzo del tipo de trabajo en equipo que acelera el aprendizaje y el desarrollo.

3) Aprende de tus fortalezas – Particularmente si eres un trader experimentado que busca desarrollar tu experiencia, quieres estudiar lo que mejor haces y de dónde han venido tus éxitos. La investigación en psicología apunta al «estado de flujo» como un estado único de conciencia que ocurre cuando estamos inmersos en actividades que proporcionan un desafío e interés óptimos. Es en el estado de flujo donde somos más productivos, y el estado de flujo alimenta nuestra creatividad, ampliando nuestra percepción y ayudándonos a detectar oportunidades únicas. El ejercicio de nuestras fortalezas crea la experiencia de flujo, de modo que cuando estamos absortos en el trading de maneras gratificantes y significativas, lo más probable es que estemos aprovechando lo mejor de nosotros. Cuando trabajamos en equipo con otros que tienen diferentes fortalezas, pero que también aprovechan sus modos de flujo, encontramos que el trabajo es energizante e inspirador, no algo que nos queme.

Lo que hacemos con frecuencia, lo absorbemos. Si perseguimos el trading de la manera equivocada y creamos frustraciones, absorbemos una mentalidad frustrada. Si nos involucramos en el trading como una aventura, una oportunidad para descubrir quiénes somos y qué hacemos mejor, nuestro trading puede enriquecer nuestras vidas de muchas maneras y proporcionar una experiencia duradera de realización.

Combinando oro, bonos y acciones de baja volatilidad para reducir el riesgo por Quantpedia

A pesar de que el oro es generalmente un activo volátil, a menudo se considera un diversificador clave, que protege contra la inflación o durante momentos de incertidumbre económica. Según los autores (Pim van Vliet y Harald Lohre), en tiempos de eventos macroeconómicos extremos, incluyendo la guerra, la hiperinflación o las grandes recesiones económicas, la inversión en oro es ampliamente considerada como un refugio seguro. Sin embargo, el uso del oro como cobertura tiene el costo de rendimientos más bajos. Los autores exploraron la importancia del oro en las carteras de inversión y su capacidad para reducir el riesgo de pérdidas combinadas con bonos y acciones. En comparación con muchos estudios existentes, también tienen en cuenta un plazo más largo y el impacto de la inflación.

En primer lugar, comenzaron con una cartera de bonos de acciones 50/50, aumentando gradualmente la asignación al oro en un 5 por ciento. Descubrieron que la cartera de riesgo mínimo comprende un 45 % de acciones, un 45 % de bonos y un 10 % de oro. Esta cartera reduce la volatilidad a la baja al 3,7 %, en comparación con la cartera original de bonos de acciones 50/50 con una volatilidad a la baja del 3,9 %. En segundo lugar, los autores reemplazaron el mercado de valores con acciones defensivas de baja volatilidad. Crearon una cartera de mezcla defensiva, asignando el 45 % a acciones de baja volatilidad, el 45 % a los bonos y el 10 % al oro, reduciendo la volatilidad a la baja al 2,6 %. Este cambio aumentó significativamente la defensiva sin renunciar a los rendimientos. En resumen, encontrar la combinación perfecta de refugios seguros es un desafío. Sin embargo, una mezcla de acciones de baja volatilidad, bonos y una pequeña asignación de oro puede ser beneficiosa para minimizar las posibles pérdidas de capital.

• Autores: Pim van Vliet y Harald Lohre
• Título: La regla de oro de la inversión
• Enlace: https://papers.ssrn.com/sol3/papers.cfm? abstract_id=4404688

Resumen:

Si bien el oro es un activo volátil, a menudo se considera un refugio seguro que ofrece protección durante los mercados bajistas. Estudiamos esta hipótesis de refugio seguro analizando una asignación estratégica al oro para un inversor reacio a las pérdidas con un horizonte de evaluación de 1 año. De hecho, una asignación modesta al oro ayuda a reducir el riesgo a la baja de las asignaciones tradicionales de bonos de valores, sin embargo, dicha reducción del riesgo se produce a costa del rendimiento. Por el contrario, las acciones de baja volatilidad son más efectivas para reducir las pérdidas sin renunciar a los rendimientos. Como resultado, una asignación de acciones, bonos y oro se beneficia considerablemente de la adopción de acciones de baja volatilidad, y permite aumentar la asignación de capital a expensas de los bonos. En particular, la eficacia de esta cartera defensiva de activos múltiples aumenta con el horizonte de inversión.

Como siempre, presentamos varias cifras interesantes:

Citas notables del paper:

«Los hallazgos clave de nuestro estudio empírico que comenzó en 1975 utilizando rendimientos reales de 1 año se resumen en la Figura 2. Una modesta asignación de oro en una mezcla tradicional de acciones y bonos reduce el riesgo de pérdidas de capital en alrededor del 10 por ciento en una amplia gama de asignaciones de bonos de renta variable. Aún así, la adición de oro también reduce el rendimiento, lo que lleva a un pequeño aumento en la relación Sortino, que mide el rendimiento por unidad de volatilidad a la baja. Es importante destacar que el riesgo a la baja se puede reducir aún más adoptando un estilo de baja volatilidad en la inversión de renta variable y dejando que esta asignación defensiva de renta variable reemplace parte de la asignación de bonos. Esta asignación de acciones defensiva a expensas de los bonos aumenta el rendimiento, lo que lleva a una relación rendimiento/riesgo significativamente más alta en comparación con la adición de oro. Aún así, una mezcla defensiva que aumenta la cartera de esta última, una modesta asignación al oro, tiene un riesgo a la baja significativamente menor que una cartera tradicional de bonos de renta variable, con mayores rendimientos que conducen al mayor aumento en la relación Sortino. Por lo tanto, esta estrategia defensiva es efectiva para adherirse a la regla de oro de la inversión, a la vez que sigue ofreciendo un crecimiento de capital a largo plazo.»

«Para arrojar más luz sobre la dinámica subyacente, la Figura 3 muestra las correlaciones anuales entre las acciones, el oro y los bonos durante un período de 5 años. Si bien estas correlaciones están alrededor de cero durante todo el período de la muestra, muestran una variación significativa en el tiempo. La correlación entre el oro y el capital muestra menos fluctuaciones que la correlación entre el bono y el capital.»

«Para tener una idea de la relevancia del oro en un contexto de activos múltiples, a continuación consideramos una simple cartera de bonos de renta variable 50/50 a la que se agrega secuencialmente incrementos de asignación de oro del 5 por ciento hasta que uno esté completamente invertido en oro. […] La figura 4 traza el rendimiento promedio realizado frente a la volatilidad a la baja (también conocida como semidesviación, de nuevo con la inflación como umbral objetivo). La «nariz» de la frontera eficiente muestra que la cartera de riesgo mínimo se componga de 45/45/10 en acciones, bonos y oro, respectivamente. Esta cartera lleva la volatilidad a la baja al 3,7 % en relación con la cartera original de bonos de acciones 50/50 (3,9%). La asignación de más del 20 por ciento al oro conduce a carteras de mayor riesgo y menor rendimiento que son claramente ineficientes.»

«La tabla 2 muestra el rendimiento, los tres momentos parciales más bajos, la relación Sortino, así como el rendimiento mínimo en las diferentes combinaciones de cartera (de nuevo utilizando la inflación como umbral), donde el oro se agrega en incrementos del 5 por ciento hasta el 50 por ciento (reemplazando la mezcla equilibrada existente en cada paso). Dependiendo de la elección de la medida de riesgo, la asignación óptima de oro varía entre el 10 y el 20 por ciento.»

«Amplíamos nuestra búsqueda de una cartera de riesgo mínimo reemplazando el mercado de valores con el estilo de acciones defensivo de baja volatilidad e investigamos una amplia gama de posibles combinaciones de acciones, bonos y oro de baja volatilidad en la Tabla 5. Desde una perspectiva de riesgo a la baja, también hay un papel para el oro en las acciones defensivas y la mezcla de bonos. Una asignación de oro del 10% conduce a la menor volatilidad a la baja para una cartera de bonos de renta variable 50/50. La recomendación de Black (1993) de asignar más a las acciones defensivas a expensas de los bonos también es evidente en la Tabla 5, con el área más verde de volatilidad a la baja óptima desplando a la derecha en relación con la Tabla 3. La volatilidad a la baja más baja en la Tabla 3 es del 3,3 % para una asignación de bonos de renta variable 30/70 junto con el 10 por ciento de oro. Esta volatilidad a la baja se puede reducir aún más al 2,6 %, con una mayor asignación a las acciones de baja volatilidad y una menor asignación a los bonos. Por lo tanto, la cartera defensiva de múltiples activos consiste en una asignación de 45/45/10 a bonos, acciones de baja volatilidad y oro, respectivamente«.

Los contrarians suelen estar equivocados por Ben Carlson

Tengo una idea que se ha estado precalentando en el horno durante un tiempo. Ahí va:

The Big Short de Michael Lewis ha hecho perder a los inversores más dinero que los últimos 3 mercados bajistas combinados.

Permíteme explicarte.

Todos hemos leído (o visto la película) sobre la banda de inadaptados que hicieron una apuesta contraria contra el mercado de la vivienda e hicieron una fortuna.

Desafortunadamente, creo que mucha gente tomó las lecciones equivocadas del libro de Lewis.

Pocas personas vieron venir la Gran Crisis Financiera. El libro hizo que pareciera tan obvio en retrospectiva que un grupo de inversores decidieron que podían hacer lo mismo si solo se les daba otra oportunidad.

¡Yo también puedo ser el próximo John Paulson o Steve Eisman!

Todo el mundo quería encontrar el próximo Big Short y convertirse en un héroe financiero inesperado.

El problema de encontrar operaciones únicas en la vida es que solo llegan una vez… en la vida.

John Paulson hizo miles de millones en corto en el mercado de hipotecas de alto riesgo. ¿Sabes lo que le pasó a Paulson después de hacer el mejor negocio de la historia?

En realidad no mucho.

La gente le estaba tirando dinero al tipo, había un fondo de cobertura denominado en oro justo cuando el oro estaba alcanzando su punto máximo y, finalmente, decidió correr todos los miles de millones que ganaba y cerrar la tienda.

El rayo no golpeó dos veces.

El fondo de dotación para el que solía trabajar invirtió en un fondo de cobertura que hizo una pequeña apuesta con el corto de alto riesgo de Paulson, pero era una pieza tan pequeña de su cartera que no ayudó mucho a sus rendimientos generales durante la crisis.

Pero se dieron una idea de lo que era ganar el premio gordo en ese tipo de apuesta, así que crearon un nuevo fondo que tenía la tarea de encontrar las operaciones más grandes y mejores. Se quedaron cortos en los bonos del gobierno japonés y un montón de otras cosas que no salieron bien. Ese fondo también cerró.

Por mucho que a algunas personas les gustaría ver arder el mundo, no tenemos una crisis financiera global todos los años.

La lección que la gente debería haber sacado de la debacle de 2008 es que los mercados pueden ser un lugar humillante.

En cambio, muchas personas asumieron que la conclusión es que ser contrarian es la mejor manera de ganar dinero en todo momento. Ser contrarian se sentía como una postura más cómoda de tomar.

No me malinterpretes, ir contra la corriente en los momentos oportunos puede ser una estrategia maravillosa. Las mejores oportunidades de inversión casi siempre ocurren cuando hay sangre en las calles.

El problema es que no puedes ser un contrarian en todo momento. La mayoría de las veces la tendencia es correcta y luchar contra ella es una estrategia perdedora.

Warren Buffett es famoso por ser codicioso cuando otros tienen miedo. ¿Adivina cuál es la mayor participación de Buffett ahora? Apple. Literalmente, la empresa más grande del mercado de valores de EE. UU.

La Gran Crisis Financiera rompió tantos cerebros que en lugar de admitir el error de sus caminos, muchos de estos recién descubiertos contrarios se meten en los talones.

No me equivoco, ¡solo llego temprano!

¡Habría tenido razón si no fuera por la Reserva Federal!

Escucha, el sistema aún no se ha colapsado, pero estaba cerca.

Si ninguna de esas excusas funciona, entonces empiezas a cuestionar los datos.

Seguro que no soy yo el que está mal. ¡Es el dato económico!

Escucha, realmente no digo que Michael Lewis sea personalmente responsable de todos los que están perdiendo dinero por ir en contra del mercado desde la crisis de 2008.

No es su culpa que haya creado historias tan maravillosas sobre las personas que apostaron contra la industria de la vivienda y ganaron.

Creo que muchos inversores se perdieron uno de los mercados alcistas más grandes de la historia y estarán constantemente en busca del próximo gran corto en su propio detrimento.

La vida de ser un permanente bajista se parece a esto:

Incorrecto.

Incorrecto.

Incorrecto.

Incorrecto.

Correcto. ¡Te lo dije!

Incorrecto de nuevo.

Incorrecto.

Incorrecto.

Todavía está mal.

Me atrae tratar de apostar contra el sistema para encontrar fama, gloria, ganancias y Steve Carell o Ryan Gosling interpretándote en la versión de la película.

Crucemos los dedos, tal vez algún día ganes la lotería.

Pero, ¿es esa realmente una estrategia que da la mayor probabilidad de éxito?

Llámame loco, pero prefiero apostar por el big long en lugar de tratar de encontrar el próximo big short.

Las novedades del sector por Hispatrading

• Por si se las han perdido, aquí tienen condensada las novedades más destacadas que se han producido en el sector a largo del último trimestre.
• Artículo publicado en Hispatrading 55.

Tensión en el Criptomercado

Hace un mes los mercados de criptomonedas volvían a teñirse de rojo, con caídas superiores en algunos casos al 15%, tras las acusaciones realizadas por parte del regulador estadounidense a dos de los mayores exchanges, así como la decisión tomada por Robinhood de dejar de cotizar tres criptomonedas tan importantes como son Cardano, Solana y Polygon. 

En particular, la Securities and Exchange Commission (SEC) acusaba el pasado 5 de junio a Binance de 13 cargos contra el exchange y contra su CEO, Changpeng Zhao. Entre las acusaciones, se encuentran la de operar plataformas de negociación ilegales, ofrecer valores de criptoactivos no registrados, e incluso de mezclar los fondos de los clientes con los de la compañía. 

Un día después, la SEC presentaba cargos también contra Coinbase, acusando a la compañía de Brian Armstrong de operar ilegalmente un mercado de valores, actuar como broker y liquidador de operaciones sin estar registrado un corredor de bolsa y una agencia de compensación, y ofrecer 13 tokens que deberían haber sido registrados, entre otros cargos. Dichos tokens serían los correspondientes a Solana, Cardano, Polygon, Filecoin, Sandbox, Axie Infinity, Chiliz, Flow, Internet Computer, Near, Voyager, Dash y Nexo.

Precisamente por este motivo no es de extrañar que unos días después el broker Robinhood retirara de cotización los tres primeros de esa lista, en lo que parece un movimiento claramente dirigido a evitar problemas con el regulador.

Todo esto parece apuntar a que el regulador de las Bolsas americanas parece haber iniciado una cruzada contra los mercados de criptomonedas que seguramente tendrá consecuencias bastante negativas para todo el sector y empujará a muchos traders a moverse a los exchanges descentralizados, en los que el margen de maniobra de los reguladores es mucho más pequeño.

Ante este ataque frontal a dos de los principales exchanges de criptomonedas, la cuestión ahora es ver si realmente la SEC está tratando de proteger a los traders de un nuevo FTX, o si se trata realmente de una cruzada contra la industria de las criptomonedas, sobre todo si tenemos en cuenta que hace poco más de dos años la SEC daba el visto bueno a la salida a Bolsa de Coinbase, algo que sin duda resulta como poco paradójico.

Ser la NVidia de Todos

Sin lugar a duda, vivimos en tiempos de inteligencia artificial, por lo que cualquier negocio que sea capaz de posicionarse y destacar en este nuevo frenesí de las máquinas con capacidad de aprendizaje tendrá la bendición del mercado. 

Precisamente por este motivo, todos los analistas permanecían muy atentos el 24 de mayo a la presentación de resultados de Nvidia. Si bien haya sido posiblemente más conocida en el pasado por sus tarjetas gráficas para videojuegos, lo cierto es que esta compañía se ha convertido en un referente del sector, ya que sus chips para GPU tienen una capacidad más que suficiente para afrontar la computación intensiva que requieren los algoritmos de inteligencia artificial, superando a los de competidores de la talla de Intel o AMD.

Los resultados presentados por Nvidia no decepcionaron a los inversores, por cuanto superaron en un 50% las previsiones de Wall Street, algo bastante poco habitual. Y todo ello a pesar de una reducción interanual del 38% en los ingresos del área relacionada con videojuegos. 

Pero lo mejor de todo fueron las previsiones de la compañía, indicando que espera obtener unos ingresos en el segundo trimestre de este año de 11.000 millones de dólares, muy por encima de las estimaciones de los analistas, que situaban esta cifra en 7.100 millones de dólares. Ello se debía en buena medida a la enorme demanda que deberá abastecer Nvidia en los próximos meses: solo para cubrir la demanda de servicios basados en ChatGPT se requieren unos 30.000 chips.

Todas estas excelentes cifras situaban a Nvidia en el top 10 de compañías con mayor capitalización del mundo, acariciando el billón de dólares y colocándose tan solo por detrás de Apple, Alphabet, Microsoft y Amazon, tras revalorizarse más de un 150% en lo que llevamos de año.

Moraleja de esta historia: a pesar de que posiblemente las condiciones económicas no sean desde luego las mejores, con la amenaza de la inflación y la guerra en Ucrania, probablemente veamos en los próximos meses unos índices bursátiles impulsados al alza de la mano de esta nueva revolución industrial que llevará la productividad hasta cotas nunca antes conocidas.

China Pierde Fuelle

Y mientras que la inteligencia artificial ha dado en los últimos meses una cierta esperanza al crecimiento económico mundial, hace unas semanas se publicaba un dato que causaba cierta inquietud: las exportaciones de en mayo China caían un 7,5% en tasa interanual, llegando incluso a marcar caídas de dos dígitos con EE. UU., Japón, el Sudeste Asiático, Francia o Italia. Por su parte, las importaciones también disminuían un 4,5%, aunque la caída llegaba a más del 20% en el caso de Taiwán y Corea del Sur, en lo que parece una clara señal de debilidad en la demanda mundial de dispositivos electrónicos.

Esta caída en las exportaciones, junto con la contracción de la actividad manufacturera y la desaceleración en la venta de viviendas en el país asiático, han puesto en el foco a las autoridades monetarias chinas, que seguramente tendrán que activar medidas de estímulo como una reducción en el coeficiente de reservas obligatorias de los bancos, o incluso una rebaja en los tipos de interés. 

No obstante, no todo es negativo en el balance comercial chino: las exportaciones de automóviles  aumentaron hasta los 9.000 millones de dólares, gracias en buena medida al impulso de las ventas de vehículos eléctricos chinos en el extranjero.

Asimismo, los datos de comercio publicados en junio mostraron un incremento de casi el 76% de las exportaciones chinas hacia Rusia, situándose el volumen de intercambios entre ambos países en su nivel más alto desde el inicio de la guerra con Ucrania en febrero de 2022, en lo que parece una clara señal de que Pekín trata de apoyar a un aliado fuertemente golpeado por las sanciones de los países occidentales.

Sin embargo, todo ello no compensa el saldo negativo con EE.UU. y Europa, principales clientes de China que se encuentran en riesgo de entrar en recesión (de hecho, Alemania ya lo ha hecho) ante la presión de la elevada inflación y las subidas de tipos de interés.

Es hora de volver a poner las materias primas en el radar, parte I por Sentimentrader

• Durante los últimos 90 años, las acciones han superado a las materias primas en aproximadamente 4 a 1. Sin embargo, no siempre se han comportado mejor.
• Un ciclo nuevo ciclo a largo plazo sugiere que los inversores y traders deben abrir sus mentes a la posibilidad de observar más de cerca las materias primas, particularmente durante los próximos 15 años.
• Comienza un nuevo ciclo al cierre del 30-06-2023

El ciclo de 30 años

Antes de presentar cualquier evidencia, pongamos la idea subyacente sobre la mesa. La idea es esta:

• Hay un ciclo de 30 años en los mercados de materias primas.
• Durante los primeros 15 años, las materias primas se comportan significativamente mejor en términos absolutos y superan significativamente al mercado de valores en términos relativos.
• Durante los segundos 15 años, las materias primas no se comportan tan bien en términos absolutos y tienen un rendimiento significativamente inferior al del mercado de valores en términos relativos.

Como verá en breve, la buena noticia es que la historia confirma este patrón, y el ciclo más nuevo comienza el 2023-06-30. La mala noticia es que no hay garantía de que estas tendencias continúen, y no se infiere que el comportamiento de los precios de las materias primas mejorará automáticamente solo cuando llegue julio.

El ciclo en sí

Mirando los últimos 90 años de comportamiento de acciones y materias primas, el ciclo funciona así:

A partir del 30 de junio de 1933, el rendimiento favoreció a las materias primas durante los siguientes 15 años y luego a las acciones durante los 15 años siguientes. Las fechas de patrón y período aparecen en la siguiente tabla.

Lo que nos dice el estudio

Si bien los resultados históricos han sido relativamente consistentes, lo que implica esto NO es que todos deban vender todas sus acciones y acumular materias primas durante los próximos quince años el 1 de julio. El propósito real es abrir la mente de los inversores a oportunidades potenciales. Si la historia demuestra ser una guía precisa, las personas que obtengan exposición a las materias primas como una clase de activo durante los próximos quince años pueden superar con creces a quienes se apeguen exclusivamente a las acciones. En las siguientes entregas, analizaremos más de cerca el rendimiento del ciclo intradiario de las materias primas y las acciones y destacaremos algunas formas de aprovechar potencialmente la naturaleza de ida y vuelta a largo plazo del rendimiento de estas dos clases de activos.

Machine learning aplicado al trading por Juanma Almodovar

• Mediante Machine Learning podemos encontrar estructuras y patrones tan complejos y enterrados entre el ruido de los mercados que ningún ojo humano los podría detectar. Veremos cómo obtener ventaja aplicando técnicas de Machine Learning en nuestra operativa.
• Artículo publicado en Hispatrading 16.

Con el auge de los gigantes de la tecnología de la información (Google, Facebook, Apple, etc) la ciencia de la Inteligencia Artificial ha empezado a renacer. Con nombres tan futurísticos como Machine Learning, Metaheuristics o Data Mining se engloba toda una serie de algoritmos y tecnologías orientadas a procesar la hiperabundante información y transformarla en conocimiento explotable.

La cuestión central que estudia el Machine Learning es la siguiente: ¿cómo podemos diseñar sistemas computacionales que automáticamente mejoren con la experiencia y cuáles son las leyes fundamentales que gobiernan este proceso de aprendizaje? 

Con Machine Learning podemos construir sistemas que aprendan de los datos. Un ejemplo típico es el sistema que reconoce el spam de nuestro buzón de correo, para ello se entrena al sistema con miles de emails de spam a modo de ejemplo para que posteriormente clasifique nuestro correo entrante según lo que ha aprendido.

En general se trata de conseguir que una computadora aprenda a reconocer patrones y características de una serie de datos o bien que encuentre y nos muestre una posible estructura oculta en los datos imperceptible a nuestros ojos. En definitiva enseñamos al ordenador a clasificar y predecir información para nosotros.

Por otra parte, los mercados financieros son la mayor fuente de datos de alta frecuencia y por tanto perfectos candidatos para experimentar con estas tecnologías. ¿Podemos aplicar Machine Learning para mejorar nuestro trading? Para responder a esta pregunta veamos antes la diferencia entre los sistemas automáticos clásicos basados en reglas lógicas y los nuevos sistemas basados en modelos de Machine Learning.

Sistemas de trading basados en reglas y basados en modelos

Los sistemas de trading automático clásicos se basan en conjuntos de reglas predefinidas por un trader. Estas reglas dan forma a la estrategia que el trader ha desarrollado a lo largo del tiempo con su experiencia negociando en los mercados. Hablamos de las reglas de compra y venta a la señal de una combinación de indicadores o de la rotura de un precio de soporte o resistencia, de filtros de volatilidad y tendencia mediante indicadores como el ATR y el Momentum, etc.

Los sistemas basados en modelos son diferentes. En vez de buscar reglas para operar lo que hacen es utilizar un modelo que analiza información buscando un patrón que con alta probabilidad continúa en determinado movimiento del mercado. Por ejemplo podemos introducir en nuestro modelo los valores del RSI de las últimas 3 sesiones y programar al sistema para que aprenda la relación (si la hubiera) entre estos datos y la volatilidad de la próxima sesión.

La tabla 1 es un ejemplo de valores para entrenar el modelo. Los tres primeros valores (RSI D1, RSI D2, RSI D3) son las entradas y el último (VOLATILIDAD) representa el objetivo a predecir. Cada fila de la tabla contiene los valores de la sesión. Entrenaremos a nuestro sistema introduciéndole los datos con esta información (por ejemplo de 300 sesiones) y finalmente le daremos los valores de entrada de la sesión actual (tabla 2) para que prediga el valor del objetivo (VOLATILIDAD).

Esta información podría sernos muy valiosa de forma que componiendo modelos que clasifican y predicen el mercado construyamos un sistema de trading automático.

Diferencias entre los sistemas basados en reglas y basados en modelos

Se puede obtener sistemas automáticos basados en reglas que sean realmente predictivos si se hace bien, es decir, sometiendo al sistema a un riguroso análisis estadístico. De hecho, la clave del trading automático reside en saber medir correctamente mediante el análisis estadístico la probabilidad de que el rendimiento pasado de nuestro sistema no sea debido a la suerte sino a que está detectando y explotando a su favor una ineficiencia real del mercado.

Pero los sistemas automáticos clásicos siempre dependerán de la experiencia y conocimiento del mercado que posea el trader para encontrar ineficiencias que explotar.  Aquí es donde las técnicas de Machine Learning pueden ayudarnos muchísimo y puede ser la mayor diferencia entre ambas técnicas de desarrollo de sistemas.

Mediante Machine Learning podemos hacer que el ordenador busque estructuras y patrones tan complejos y enterrados entre el ruido de los mercados que ningún ojo humano los podría detectar. Además de ésto los elementos que componen este tipo de sistemas nos permiten aplicar técnicas de análisis estadístico avanzado de manera más sencilla que con los sistemas basados en reglas.

Una última ventaja, no poco importante, de los sistemas basados en modelos es que al no ceñirse a una señal fija de compra o venta sino a una probabilidad de acierto en la predicción nos permiten ajustar el espectro de riesgo y beneficio del sistema y construir carteras más agresivas o conservadoras en función de nuestro perfil inversor.

Vamos a ver con dos ejemplos cómo podemos aprovechar estas dos características de los modelos de Machine Learning. Para la clasificación de estructuras en la información podemos utilizar el algoritmo o modelo k-means clustering y tanto para la predicción como para el ajuste de riesgo veamos un sistema de trading basado en una red neuronal simple.

El algoritmo k-means clustering para seleccionar parámetros en conjuntos multidimensionales

Uno de los pasos fundamentales en el diseño de sistemas de trading es la reoptimización periódica de sus parámetros. Cuando optimizamos un sistema estamos probando miles de combinaciones posibles en el histórico de datos para saber qué combinación daba los mejores resultados.

Uno podría cometer el error de elegir directamente el conjunto de parámetros que más beneficio hubiese dado, lo que nos garantizaría seguramente un problema. Con toda probabilidad este conjunto será fruto de una sobreoptimización y operar con él en forwardtest nos llevará a la ruina.

Es mucho mejor buscar un conjunto de parámetros positivo que tenga otros conjuntos cercanos de similares características, es decir buscar «vecinos parecidos» para asegurarnos que estamos en un «buen barrio».

Cuando optimizamos dos parámetros es relativamente fácil hacerlo de manera visual, por ejemplo en la figura 1 se ve claramente una buena zona paramétrica para seleccionar:

Cuando tenemos más de dos parámetros no podemos guiarnos visualmente pero podemos utilizar el algoritmo k-means clustering para que clasifique en grupos (clusters) todos los conjuntos de parámetros . De esta forma se obtienen conjuntos muy robustos que en forward test arrojan mejores resultados que otros conjuntos elegidos mediante métodos menos rigurosos.

Sistemas basados en Redes Neuronales

La Wikipedia define las redes neuronales como un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de conexión de neuronas que colaboran entre sí para producir un estímulo de salida.

Las redes neuronales son uno de los modelos de Machine Learning más comunmente aplicados.

Como los otros modelos la red neuronal necesita una serie de datos de entrada que podrían ser por ejemplo: la variación de los precios de cierre las últimas sesiones, los puntos de pivote diario, el volumen operado, etc. Además de estos datos le proporcionaremos si la sesión cerró alcista o bajista y con esto la entrenaremos.

Después le daremos una nueva serie de datos de sesiones donde no le decimos si cerró al alza o a la baja pero sí los otros datos (precios de cierre, puntos pivote, volumen, etc), la red tratará de predecir cómo fue el cierre de sesión y nos dará por cada sesión un valor de confianza para la predicción alcista y otro para la predicción bajista. Tomando el valor más alto tendremos la predicción.

En la figura 3 se muestra la curva de balance de un sistema de redes neuronales para el EURUSD en velas de 1 hora. Para cada predicción con una confianza mayor de 0,5.

Como se ve, una red neuronal bien entrenada puede ofrecer muy buenos resultados. Este sistema logró unos 6000 pips en unos 20 días de trading aproximadamente.

Pero como decíamos la segunda característica de los modelos de Machine Learning es que al ofrecer niveles de predicción sus señales pueden ser filtradas y no operar a menos que se supere determinado umbral. Veamos en la figura 4 lo que sucede cuando exigimos al modelo que su predicción alcista o bajista tenga un valor de confianza mayor a 0,55 para abrir una nueva posición, cerrando además cualquier posición abierta cuando la nueva predicción no supere este nivel.

Como era de esperar hemos reducido el número de trades, pero además aumentado el beneficio y disminuido el tamaño de los retrocesos.

De esta forma un mismo modelo puede aplicarse de diferentes formas en función del perfil de riesgo de un inversor determinado.

Conclusión

Los sistemas basados en modelos de Machine Learning dotan al trader de nuevo arsenal para la batalla en los mercados y le ofrecen una ventaja excepcional frente a los otros traders que no utilizan esta tecnología.

Ganancias y pérdidas del mercado de valores de EE.UU. en cifras por Ben Carlson

El S&P 500 ha subido más del 14 % este año.

No está mal.

Estaba hablando con un reportero de noticias financieras esta semana (no para presumir) que me pidió algunas ideas sobre dónde irá el mercado a partir de este punto en cuanto al rendimiento para el resto del año:

¿Qué crees que es más probable a partir de aquí: las acciones terminarán a la baja en el año o subirán un 20 %?

Mi capacidad para predecir los movimientos del mercado a corto plazo no es muy confiable, pero nadie puede predecir de manera confiable lo que el mercado de valores hará a continuación.

Si bien nadie puede predecir el futuro cuando se trata del mercado de valores, puede utilizar los rendimientos históricos para proporcionar algo de contexto en torno a una amplia gama de resultados.

El rendimiento pasado no es indicativo del rendimiento futuro y todo eso, pero los rendimientos históricos pueden ayudar cuando se trata de establecer expectativas sobre cómo se comporta el mercado de valores en general.

Por ejemplo, cuando se trata de la pregunta que me hicieron esta semana sobre el mercado de valores de si terminará a la baja o subirá un 20 % en el año, la historia dice que subir un 20 % es una apuesta de mayor probabilidad.

Analizando los números del S&P 500 de 1928 a 2022 se ve así:

Aquí hay un resumen rápido:

• Casi 6 de cada 10 años en el mercado de valores han visto ganancias superiores al 10 %.
• Un poco más de 1 de cada 3 años ha sido un rendimiento del 20 % o más.
• Casi 1 de cada 5 años fue un 30 % o más.
• Menos de 1 de cada 10 años ha tenido un año natural con ganancias en el rango del 5 % al 10 %.
• Alrededor de 1 de cada 4 años ha terminado el año a la baja.
• Aproximadamente 1 de cada 8 años ha sido un año bajista de dos dígitos.

El mercado de valores de EE. UU. ha tenido más probabilidades de terminar el año con un aumento del 20 % o más. Ese es un historial bastante bueno.

¿Significa esto que deberíamos empezar a abrir las botellas de champán preparándonos para un año de más del 20 % en 2023?

No.

El mercado de valores no es un casino.

No puedes llevar las probabilidades históricas al banco. Pero sigo pensando que puedes usar los rendimientos históricos para darte una gama de posibilidades, incluso si el futuro se complica.

Si bien las grandes ganancias han sido una apuesta de mayor probabilidad históricamente de lo que la mayoría de los inversores probablemente imaginan, caídas importantes también ocurren con más frecuencia de lo que algunas personas suponen.

Aquí hay una lista actualizada de los rendimientos divididos por años naturales desde 1928 junto con las caídas máximas durante esos años naturales:

El promedio de caída intraanual desde 1928 es del -16,4 %. Las cosas eran francamente desagradables en la década de 1930, pero incluso si nos entenemos en los números desde 1950, todavía estamos viendo un promedio de caída intraanual del -13,7 %.

El mercado de valores de EE. UU. es un buen negocio este año (en lo que va hasta ahora), algunos inversores podrían sorprenderse al saber que ya hemos experimentado una caída de casi el 8% este año (en febrero y marzo).

¿Podría ser peor que eso a partir de los niveles actuales?

Por supuesto que podría.

Casi el 60 % de todos los años naturales han terminado con ganancias del 10 % o más, pero 6 de cada 10 años también han experimentado una caída de máximo a mínimo del 10 % o más.

Por lo tanto, debe esperar ver ganancias de dos dígitos y pérdidas de dos dígitos en la mayoría de los años.

Esos años no siempre se han superpuesto, pero esta es una de las razones por las que invertir en acciones puede ser tan difícil.

Tanto las grandes ganancias como las grandes pérdidas son parte del curso, lo que significa que el mercado de valores está constantemente jugando con tus emociones.

Honestamente, no sé qué pasará después a partir de aquí.

Pero la historia muestra que debemos esperar la posibilidad tanto de grandes ganancias como grandes pérdidas.

Sé que eso no es tan útil si estás tratando de adivinar lo que viene después, pero es importante recordarte a ti mismo en ocasiones cómo funciona el mercado de valores en general.

Invertir por industrias o por países no es rentable por Quantpedia

La selección de sector/industria o de país puede ser un estilo de operativa rentable, pero por lo general es mucho más complicado de lo que parece a primera vista. Construir un buen modelo de trading requiere mucha investigación y dedicación. Desafortunadamente, debido al número limitado de industrias y países, clasificarlos por características agregadas puede eliminar importantes variaciones transversales en las características y conducir a carteras concentradas propensas a rendimientos más inestables.

En su nuevo artículo de investigación de Dimensional Fund Advisors, Dong, Huang y Medhat (2023) hablan sobre si los inversores deben enfatizar sistemáticamente ciertas industrias o países para aumentar los rendimientos esperados. Su visión general proporciona nuevas ideas sobre si los inversores probablemente estarán mejor buscando primas en la sección más grande de valores individuales y manteniendo una amplia diversificación en las secciones transversales más pequeñas de industrias y países.

El apéndice 1 proporciona un resumen sencillo de los resultados. Muestra los rendimientos anormales de FF6 en las estrategias de tamaño long-short, valor, rentabilidad e impulso a nivel de la industria (panel A) y a nivel de país (panel B). Para las estrategias de la industria, solo la estrategia de impulso 1-1 en los mercados emergentes genera un rendimiento anormal positivo y fiable. La exposición 2 desarrolla los resultados para los tipos de la industria. Informa de estadísticas resumidas para los lados largos y cortos de las estrategias de la industria junto con sus diferenciales en los EE. UU. (Panel A), los mercados desarrollados no estadounidenses (Panel B) y los mercados emergentes (Panel C). Para el tamaño, el valor y la rentabilidad, solo la clasificación de rentabilidad de EE. UU. genera un diferencial de rendimiento promedio positivo de forma fiable (0,30%/mes con una estadística t de 2,72), y ninguno de los diferenciales de retorno anormales es positivo de forma fiable. El Anexo 3 muestra los resultados detallados para los tipos de país. Para los mercados emergentes, ninguna de las estrategias de países a largo plazo obtiene rendimientos promedio positivos y fiables o rendimientos anormales. Para los mercados desarrollados, las clases de rentabilidad y el impulso 12-2 generan diferenciales de rendimiento promedio positivos de forma fiable, sin embargo, solo la estrategia de rentabilidad obtiene un rendimiento anormal positivo fiable.

Las pequeñas secciones transversales a nivel de la industria y del país también pueden causar dificultades considerables en la captura de interacciones premium. Varios otros documentos destacan la importancia de tener en cuenta las interacciones entre el tamaño, el valor y las primas de rentabilidad en la búsqueda de mayores rendimientos esperados (Novy-Marx, 2013; Fama y French, 2015; Dai, Saito y Watson, 2021). Hacer hincapié en acciones más pequeñas, más profundas y más rentables dentro del universo de inversión de una estrategia comúnmente requiere una clasificación de tres vías. Con un pequeño número de entidades para clasificar a nivel de la industria y del país, puede ser difícil evitar posiciones demasiado concentradas.

Autores: Audrey Dong, Mia Huang y Mamdouh Medhat

Título: Few and Far Between: Why Pursuing Premiums at the Industry and Country Levels Does Not Add Value (Por qué perseguir las primas a nivel de industria y de país no agrega valor)

Enlace: https://papers.ssrn.com/sol3/papers.cfm? abstract_id=4398439

Resumen:

Estudiamos el tamaño, el valor, la rentabilidad y las primas de impulso a nivel de la industria y del país en los mercados desarrollados y emergentes. Si bien la clasificación de industrias y países con características agregadas ha producido algunos diferenciales de rendimiento promedio confiables, los rendimientos anormales correspondientes en relación con los factores de nivel de seguridad son en su mayoría poco fiables o de corta duración. Tomar posiciones en industrias y países basadas en características agregadas puede conducir a concentraciones injustificadas por un aumento en los rendimientos esperados y no es adecuado para capturar interacciones premium. El uso de tipos de nivel de seguridad junto con consideraciones de diversificación parece ser un enfoque más viable para perseguir mayores rendimientos.

Presentamos varias figuras y tablas interesantes:

Citas notables del documento de investigación académica:

«La idea de etiquetar industrias o países enteros como, por ejemplo, valor o crecimiento, tiene algún mérito intuitivo. La agregación, se piensa habitualmente, puede mitigar el ruido a nivel de seguridad no relacionado con las diferencias en los rendimientos esperados. Por otro lado, debido a que hay muchas menos industrias y países que valores, la agregación puede eliminar una importante variación transversal en las características y dar lugar a posiciones concentradas. Mirando la literatura, encontramos evidencia no concluyente sobre la eficacia de las estrategias sistemáticas a nivel de la industria y de los países»

«Encontramos que las estrategias de la industria y los países son, en general, inferiores a sus contrapartes de nivel de seguridad para capturar el tamaño, el valor, la rentabilidad y las primas de impulso tanto en los mercados desarrollados como en los mercados emergentes. En cuanto al tamaño, el valor y la rentabilidad, encontramos en su mayoría primas poco fiables, la mayoría de las cuales están subsumidas por factores de nivel de seguridad. Para el impulso, encontramos que cualquier rendimiento anormal confiable requiere una alta rotación y desaparece con un reequilibrio menos frecuente, lo que plantea dudas sobre su eficacia en las estrategias del mundo real. Nuestra principal implicación para los inversores es que el uso de tipos de nivel de seguridad junto con consideraciones de diversificación sensatas es un enfoque más viable para construir estrategias sistemáticas.»

«La muestra de EE. UU. consiste en todas las acciones ordinarias que se negocian en las bolsas NYSE/AMEX/Nasdaq con datos de mercado y contabilidad disponibles de CRSP y Compustat. La muestra abarca desde julio de 1974 hasta diciembre de 2021, donde la fecha de inicio está determinada por la inclusión de acciones de Nasdaq. La muestra no estadounidense consiste en acciones ordinarias con datos de mercado y contabilidad disponibles de Bloomberg. La muestra no estadounidense abarca desde julio de 1994 hasta diciembre de 2021, donde la fecha de inicio está determinada por la disponibilidad de datos.»

«Construimos las estrategias de la industria por separado para tres regiones: los EE. UU., los mercados desarrollados no estadounidenses y los mercados emergentes. La separación de los mercados desarrollados y emergentes es común en la literatura y separar aún más a los EE. UU. de otros mercados desarrollados nos permite utilizar el período de muestra más largo para los EE. UU. Clasificamos las industrias dentro de un país según una característica agregada dada y formamos tres carteras de industrias específicas de cada país que corresponden a niveles bajos, neutrales y altos de la característica. Para las regiones fuera de los EE. UU., agregamos las carteras de la industria específicas de cada país por las capitalizaciones de mercado de sus países a las carteras de la industria regional. Este procedimiento mejora la diversificación y elimina las apuestas de cualquier país para las carteras de la industria no estadounidense. En los EE. UU., utilizamos las 49 industrias definidas por Fama y French (2007), y las tres carteras de la industria siempre contienen 15, 19 y 15 industrias (de modo que las carteras bajas y altas contienen aproximadamente el 30 % del número de industrias).»

«Utilizamos las carteras bajas y altas para construir estrategias de tamaño long-short, valor, rentabilidad y impulso a nivel de la industria o del país. Los lados largos de las estrategias son, respectivamente, las industrias o países con el tamaño más pequeño, el precio relativo más bajo, la mayor rentabilidad y el rendimiento pasado más fuerte, por lo que esperamos que tengan rendimientos promedio positivos.»

«[…] Para las estrategias de los países, solo la estrategia de rentabilidad en los mercados desarrollados genera un rendimiento anormal positivo y fiable. Por lo tanto, incluso antes de un análisis más profundo, la Prueba 1 sugiere que cualquier beneficio para perseguir las primas a nivel de la industria y del país es poco y está muy lejos.»

«[…] Si bien la teoría de la valoración sugiere que deberíamos ver diferenciales de rendimiento promedio positivos de los tipos de tamaño, valor y rentabilidad a nivel de la industria, los resultados presentados aquí muestran que la mayoría de estos diferenciales de rendimiento no son estadísticamente confiables. Esto sugiere que la agregación del número relativamente grande de valores al número relativamente bajo de industrias tiende a eliminar una importante variación transversal en las características y conducir a carteras más concentradas propensas a rendimientos realizados con más ruido.»

«La prueba 4 ilustra esto mostrando los rendimientos anormales de las estrategias de impulso de la industria 1-1 en función de la frecuencia de reequilibrio para las tres regiones. Además del reequilibrio mensual estándar, también consideramos el reequilibrio semestral y anual. Para evitar que estos últimos resultados sean impulsados por la elección del mes de reequilibrio, las carteras se reequilibran de manera escalonada. Específicamente, al final de cada mes, una doceava parte de la cartera reequilibrada anualmente y una sexta parte de la cartera reequilibrada semestralmente se reequilibran.»

«Nuestros resultados hasta ahora sugieren que las apuestas de la industria y el país no aumentan los rendimientos esperados para un inversor que ya está buscando las primas a nivel de seguridad. Sin embargo, las asignaciones implícitas a las industrias y países que vienen con la búsqueda de primas de nivel de seguridad todavía pueden conducir a concentraciones no deseadas. Esto se debe a que algunas industrias y países tienden a aparecer con una frecuencia desproporcionada en un extremo del espectro cuando se clasifican en las características».

Los mayores desafíos del psicotrading – III: La Mentalidad por Brett N. Steenbarger, Ph.D.

Todo sobre los resultados o ganancias empresariales del SP500 por Ed Yardeni

Ganancias I: El pasado. La temporada de ganancias del primer trimestre ha terminado, y los números finales están en marcha. Fueron mejores resultados de lo esperado, lo que no es sorprendente cuando la economía está creciendo. Los resultados peores de lo esperado tienden a ocurrir cuando la economía está cayendo en una recesión. Que la economía caiga en una recesión ha sido una preocupación generalizada, pero no desde nuestra perspectiva, como saben. Hasta ahora, todo bien.

Hoy, revisemos los resultados y luego volvamos al futuro actualizando nuestras previsiones para los ingresos por acción del S&P 500, las ganancias por acción y el margen de beneficio para 2023, 2024 y 2025. Terminaremos hablando de las perspectivas de las ganancias a plazo por acción, el P/E a plazo y el índice de precios de las acciones del S&P 500.

(1) Ingresos. Los ingresos por acción de las empresas del S&P 500 disminuyeron durante el primer trimestre desde el máximo histórico del cuarto trimestre, pero aún así aumentaron un 9,1% año (Fig. 1 e Fig. 2). La inflación impulsó la tasa de crecimiento, ya que el deflactor de precios del PIB aumentó un 5,3%; pero el aumento ajustado a la inflación seguía siendo una ganancia sólida.

(2) Ganancias. Las ganancias por acción del S&P 500 fueron planas en comparación con el resultado del cuarto trimestre, pero aún así bajó un 3,0 % a/a (Fig. 3 y Fig. 4).

(3) Margen de beneficio. Podemos calcular el margen de beneficio del S&P 500 dividiendo las ganancias del índice por los ingresos (Fig. 5 e Fig. 6). El margen bajó hasta el 11,8 % desde el 111,5 % durante el cuarto trimestre, pero todavía estaba por debajo del máximo histórico del 13,7 % durante el segundo trimestre de 2021.

La recesión de las ganancias ha sido bastante modesta hasta ahora, con dos trimestres consecutivos de modestas disminuciones sobre una base de año. Hasta ahora no ha habido una recesión de ingresos. La debilidad de las ganancias de los últimos trimestres se ha atribuido en su totalidad a la disminución del margen de beneficio. Esto sugiere que, si bien los ingresos de las empresas siguieron el ritmo de la inflación de los precios, las ganancias se verían presionadas por el rápido aumento de los costos. La inflación salarial ha sido alta, y la productividad ha sido débil debido a la rotación inusualmente alta en el mercado laboral, con renuncias y ofertas de trabajo récord en los últimos trimestres.

Ganancias II: El presente. Las ganancias reales por acción del primer trimestre de las empresas del S&P 500 resultaron haber bajado un 3,0 % a/a, lo que fue mejor que el -7,5% esperado por los analistas de la industria colectivamente al comienzo de la temporada de ganancias (Fig. 7 y Fig. 8). Actualmente (desde la semana del 8 de junio), los analistas de la industria proyectan que las ganancias del S&P 500 caerán un 8,1 % a/a y anualmente durante el segundo trimestre, seguidas de las ganancias del tercer y cuarto trimestre al año del 0,4 % y el 9,1 %. Al igual que la economía, las ganancias han experimentado un aterrizaje suave hasta ahora.

Actualmente, los analistas de la industria esperan las siguientes tasas de crecimiento de los ingresos y ganancias interanuales: para 2023 (1,9 %, 0,4 %) y para 2024 (1,6 %, 11,4 %) (Fig. 9 y Fig. 10).

Las previsiones de margen de beneficio del S&P 500 implícitas en las estimaciones de ingresos y ganancias de los analistas han estado disminuyendo para 2023, 2024 y 2025 desde el comienzo de este año (Fig. 11). Las proyecciones pueden estar tocando fondo ahora, con las últimas lecturas para los tres años en el 12,0%, 12,8% y 13,6%. Un suelo en las estimaciones de margen implícitas de los analistas de la industria sugeriría que creen que la mini recesión de las ganancias atribuible al debilitamiento de los márgenes de beneficio ha terminado. Estarán en lo cierto si los márgenes dejan de caer.

Como saben, Joe y yo somos grandes fans de los ingresos semanales a plazo del S&P 500 por acción y de las ganancias a plazo por acción como grandes indicadores coincidentes de la serie trimestral real para los ingresos por acción y las ganancias por acción del S&P 500 (Fig. 12 y Fig. 13). (Los ingresos y las ganancias posteriores son el promedio ponderado por el tiempo de las estimaciones de los analistas para el año en curso y el año que viene). Los ingresos a plazo aumentaron a otro máximo histórico durante la semana del 1 de junio, mientras que las ganancias a plazo tocaron fondo durante la semana del 23 de febrero y han subido un 3,0 % desde entonces hasta la semana del 1 de junio. El margen de beneficio a plazo se elantó durante la semana del 1 de junio al 12,5 % (Fig. 14).

Ganancias III: El futuro. Ahora echemos un giro a una actualización de nuestras perspectivas para los ingresos colectivos, las ganancias y el margen de beneficio de las empresas S&P 500.

Dado que las ganancias han tenido un aterrizaje suave hasta ahora en lugar de uno difícil, esperamos una recuperación de ganancias en forma de U, en lugar de una en forma de V. Si nos sorprende, es probable que sea porque la recuperación es más sólida de lo que estamos proyectando. Si es así, eso sería atribuible a mayores márgenes de beneficio, impulsados por las ganancias de productividad impulsadas por la tecnología. Pensemos en el futuro:

(1) Ingresos. Estamos proyectando que los ingresos por acción aumentarán un 4,0 % este año a 1.823 $ y un 4,0 % en 2024 a 1.896 $ (Fig. 15). (Nuestras estimaciones anteriores eran aproximadamente las mismas en 1.825 y 1.875 dólares).

(2) Ganancias. Estamos proyectando que las ganancias por acción serán de 225 dólares este año y 250 dólares el año que viene (Fig. 16). Ese ha sido nuestro pronóstico desde el verano pasado. (El recuento final para 2022 fue de 218 $. Habíamos estado proyectando 220 $.)

(3) Margen de beneficio. Nuestras proyecciones implican que el margen de beneficio caerá del 12,4 % en 2022 al 12,3 % en 2023 y volverá a subir al 13,2 % en 2024 (Fig. 17).

(4) Ganancias a plazo. Estamos proyectando que las ganancias a plazo del S&P 500 por acción serán de 250 $ a finales de este año y de 270 $ a finales del próximo año (Fig. 18). Eso es lo que esperamos que las expectativas de ganancias consensuadas de los analistas sean para 2024 y 2025. (A finales de año, las ganancias a plazo coinciden con las proyecciones de los analistas para el próximo año).

(5) Rangos de valoración y S&P 500. Ahora apliquemos rangos de P/E a plazo de 16.0-20.0 a nuestras proyecciones de ganancias a plazo para derivar rangos objetivo para el S&P 500 (Fig. 19). El rango para 2023 es de 4000 a 5000 y para 2024 es de 4320 a 5400 (Fig. 20). Nuestras estimaciones de puntos de fin de año son 4600 a finales de este año y 5200 a finales de 2024.

Reconocemos que nuestros rangos múltiples de valoración son altos. Sin embargo, reflejan nuestras expectativas de que las acciones de MegaCap-8 (es decir, Alphabet, Amazon, Apple, Meta, Microsoft, Netflix, Nvidia y Tesla) seguirán representando una parte significativa de la capitalización de mercado del S&P 500 y que seguirán siendo muy apreciadas por los inversores.