Nuestro reciente informe, que lleva por título «Multi-Asset Portfolios with Active and Passive Funds: A Robust Portfolio Optimization Framework» [Carteras multiactivos con fondos activos y pasivos: un marco sólido para la optimización de carteras], introduce un enfoque práctico y escalable para construir carteras multiactivos, que combina fondos activos y pasivos. El marco ha sido diseñado para ayudar a los gestores, los inversores institucionales, los distribuidores y los asesores automatizados o roboadvisors a poner en práctica sus perspectivas de inversión de forma eficiente, al tiempo que gestiona las limitaciones e incertidumbres del mundo real.
Limitaciones en la construcción tradicional de carteras
Los enfoques tradicionales de construcción de carteras, como la optimización de la varianza media, resultan insuficientes en el contexto actual de personalización masiva, digitalización y proliferación de vehículos de inversión activos y pasivos.
Nuestro enfoque aborda dichas carencias:
- incorporando de manera explícita perspectivas de inversión tácticas y temáticas
- gestionando la incertidumbre en las previsiones de rentabilidad y en la generación de alfa de los fondos
- teniendo en cuenta las comisiones de los fondos y las restricciones relativas al error de seguimiento (tracking error)
- resolviendo las discrepancias entre los índices utilizados para expresar perspectivas de inversión, la asignación estratégica y los índices de referencia de los fondos
Los elementos principales de nuestra metodología
Nuestro sólido marco de optimización se basa en la construcción de carteras de última generación, que adapta a las realidades prácticas de las carteras multiactivos:
- Alineación por capas: se utilizan regresiones Lasso [1] para descomponer las exposiciones al riesgo de los fondos frente a sus índices de referencia, y de sus índices de referencia frente a los principales índices empleados para expresar las perspectivas tácticas y temáticas, con el fin de garantizar la coherencia entre la ejecución y las perspectivas de inversión.
- Modelo de riesgo: un modelo de riesgo estadístico basado en el análisis de componentes principales (ACP) [2] captura tanto los riesgos sistemáticos como los idiosincráticos, incluidas las exposiciones a divisas, con el fin de identificar las fuentes de riesgo independientes a nivel individual dentro del universo de índices disponibles.
- Sólida optimización: se incorpora de manera explícita la incertidumbre relativa a las perspectivas de inversión con el objetivo de que las carteras sean menos sensibles a los errores de estimación, de manera que puedan utilizarse directamente, sin necesidad de imponer restricciones de inversión adicionales más allá de las estrictamente necesarias, como la ausencia de apalancamiento y de posiciones cortas.
- Asignación activa frente a pasiva: una novedad importante es la capacidad de utilizar el grado de confianza del inversor en la previsión de rentabilidad relativa (alfa) neta (es decir, una vez descontados los costes recurrentes) de los fondos de gestión activa y contrastarlo con la incertidumbre relativa a las perspectivas de inversión tácticas o temáticas. Estos elementos se emplean como parámetros para determinar el sesgo más adecuado de la cartera entre fondos activos y pasivos.
Consecuencias prácticas
En ausencia de perspectivas tácticas o temáticas, el marco de optimización trata de equilibrar dos objetivos:
- La minimización del error de seguimiento en relación con la asignación estratégica de activos, utilizando los fondos activos y pasivos disponibles.
- La maximización de la previsión de rentabilidad relativa neta de los fondos activos en función del grado de confianza del inversor en dicha previsión.
Se da preferencia a los fondos pasivos por su capacidad para reproducir fielmente la asignación estratégica de activos, aunque presentan un alfa negativo como consecuencia de las comisiones recurrentes. Los fondos activos no solo se incluyen por las expectativas de generación de un alfa neto positivo, sino también cuando sus exposiciones de riesgo pueden contribuir a reducir el error de seguimiento, aunque se prevea un alfa cero o negativo.
El procedimiento de optimización determina cuál es la combinación óptima de fondos activos y pasivos, con sujeción a restricciones (sin posiciones cortas, sin apalancamiento y con inversión total en los fondos seleccionados).
A medida que aumenta el nivel de confianza en la generación de alfa de los fondos activos, la cartera se inclina en mayor medida hacia aquellos fondos activos con la previsión de generación de alfa más elevada (véase el gráfico 1):
- Con máxima confianza en la generación de alfa: la cartera puede llegar a invertirse casi en su totalidad en estos fondos activos.
- Sin confianza en la generación de alfa: el procedimiento de optimización selecciona la combinación de fondos activos y pasivos que mejor reproduce la asignación estratégica de activos, independientemente del alfa.
Gráfico 1
A medida que aumenta la confianza en la generación de alfa, la cartera se va inclinando hacia los fondos activos de alfa elevado
La cartera puede invertir en una selección de 35 fondos de renta fija, renta variable, materias primas y mobiliarios cotizados, algunos de gestión activa y otros de gestión pasiva. Fuente: BNP Paribas Asset Management
Con perspectivas tácticas direccionales sobre la clase de activo (por ejemplo, renta variable estadounidense), las carteras reaccionan aumentando o reduciendo la asignación a fondos pasivos de dicha clase de activo (véase el gráfico 2):
- El procedimiento de optimización da preferencia a los fondos pasivos para expresar perspectivas direccionales, ya que ofrecen una exposición más «pura» (con un error de seguimiento menor) a la clase de activo correspondiente.
- Los fondos activos de la misma clase de activo tienden a mantener una asignación relativamente estable, salvo que las perspectivas tácticas sean muy negativas, en cuyo caso se reduce la asignación de los fondos activos y de los fondos pasivos a la clase de activo.
- El error de seguimiento aumenta a medida que las perspectivas tácticas se vuelven más extremas, lo que refleja una mayor desviación de la cartera con respecto a la asignación estratégica de activos.
Gráfico 2
Una perspectiva táctica positiva en renta variable estadounidense se traduce en un aumento de la asignación a fondos pasivos estadounidenses; la asignación a fondos activos se mantiene estable salvo que las perspectivas sean muy negativas
Misma lista de fondos seleccionados que en el gráfico 1 y con un nivel medio de confianza en la rentabilidad relativa neta del fondo; fuente: BNP Paribas Asset Management
Con perspectivas temáticas, las preferencias por determinadas temáticas de inversión (por ejemplo, la tecnología disruptiva) se ponen en práctica mediante una reasignación desde exposiciones pasivas amplias (como fondos pasivos de renta variable global o estadounidense) hacia fondos activos especializados en dicha temática (véase el gráfico 3):
- A medida que aumenta la convicción en la perspectiva temática, se incrementa la asignación al correspondiente fondo activo temático. Al mismo tiempo, disminuye la asignación a fondos pasivos de la misma clase de activo, así como a otros fondos activos de la misma clase de activo, pero no relacionados con la temática concreta.
- El procedimiento de optimización garantiza que los sesgos temáticos no comprometan la diversificación ni el perfil de riesgo de la cartera.
Gráfico 3
Una perspectiva positiva en tecnología disruptiva se traduce en una reasignación desde fondos pasivos de renta variable estadounidense (y, en menor medida, fondos activos de esta misma clase de activo) hacia un fondo activo de renta variable global con enfoque en tecnología disruptiva
Misma lista de fondos seleccionados que en el gráfico 1 y con un nivel medio de confianza en la rentabilidad relativa neta del fondo; fuente: BNP Paribas Asset Management
Demostraciones analíticas para lograr una mayor transparencia
En el anexo el informe, ofrecemos demostraciones analíticas que respaldan los resultados de los que venimos hablando. Esta capa adicional de transparencia muestra el funcionamiento del marco de optimización de carteras, con y sin perspectivas tácticas o temáticas, así como su evolución a medida que va cambiando el nivel de confianza en la previsión de rentabilidad relativa neta de los fondos.
Al mostrar de manera explícita los fundamentos matemáticos, garantizamos que los resultados derivados de la aplicación de este marco resulten predecibles y sean plenamente comprensibles, lo que permite eliminar la posibilidad de sorpresas en el comportamiento de la cartera y proporciona a los inversores la confianza necesaria en la solidez y fiabilidad del enfoque.
Razones para adoptar este enfoque
Las principales ventajas del marco propuesto son:
- Transparencia: la descomposición del riesgo en componentes sistemáticos e idiosincráticos permite una atribución precisa y una mejor comunicación con los grupos de interés.
- Flexibilidad: los inversores pueden equilibrar las exposiciones estratégicas, el alfa activo y las convicciones tácticas, ajustando la asignación a medida que van cambiando las preferencias o las condiciones del mercado.
- Escalabilidad: el enfoque resulta adecuado para la personalización automatizada de carteras a gran escala, lo que respalda las necesidades tanto de los inversores institucionales como de las plataformas de asesoramiento digital.
[1] Las regresiones LASSO (Least Absolute Shrinkage and Selection Operator) son un tipo de regresión lineal que incorpora un término de penalización con el objetivo de evitar el sobreajuste y mejorar la precisión y estabilidad de los modelos estadísticos.
[2] El análisis de componentes principales (ACP) es una técnica empleada en el análisis de datos y el aprendizaje automático que contribuye a reducir el número de características de un conjunto de datos, conservando al mismo tiempo la información más importante.
