Los indicadores adelantados compuestos de la OCDE activan una señal de compra por Sentimentrader

• Un índice de los principales indicadores compuestos de la OCDE activó una señal de compra
• Giros similares en el CLI de la OCDE precedieron excelentes retornos para el S&P 500
• El recuento de señales del modelo de confirmación compuesto de TCTM aumentó al 40 % con la nueva señal CLI

Rebote de los principales indicadores compuestos de la OCDE

La Organización para la Cooperación y el Desarrollo Económicos (OCDE) compila un conjunto de indicadores principales para países de todo el mundo. Al agregar estos indicadores de países individuales en un índice, es posible detectar una reactivación en las tendencias económicas, lo que generalmente crea condiciones favorables para el mercado de valores.

El índice CLI de la OCDE, que rastrea la proporción de CLI que aumentan mes a mes, disminuyó al 0 % en 2022, pero ahora se giró al alza, lo que provocó una señal de compra cuando superó el 60 %.

El recuento de señales del modelo de confirmación compuesto TCTM aumentó al 40 % con la nueva señal de compra de los indicadores principales compuestos.

Lo que nos dice el estudio

A pesar de enfrentar un aluvión de noticias negativas en los últimos nueve meses, el S&P 500 y otros índices desafiaron las expectativas y continuaron subiendo, lo que indica que el mercado ya se han descontado los malos datos que pudieran venir. Ya sea que consideremos indicadores como el modelo de índice macro Sentimentrader o los CLI de la OCDE, la mejora reciente en las tendencias económicas sugiere que la tendencia alcista de las acciones puede continuar.

Datos macroeconómicos: La inversión por Tomás García-Purriños

• La inversión, junto con consumo y exportaciones e importaciones, es uno de los componentes del PIB desde el lado del gasto.
• Artículo publicado en Hispatrading 15.

Es importante no confundir el término económico de inversión con el financiero. De forma muy resumida, podemos entender que desde el punto de vista de la economía, normalmente se entiende por inversión el consumo de las empresas (es decir, los hogares consumen y las empresas invierten). En este sentido, las empresas consumen con el objetivo de producir nuevos productos.

En las economías desarrolladas, la inversión representa en promedio, en torno al 20% del PIB nominal total. La inversión importa, entre otras cosas, porque fijará el potencial de la producción futura. Se espera por tanto que la inversión se convierta en consumo en el futuro.

La inversión es muy dependiente del ciclo económico. Las empresas invierten cuando están operando con un nivel de capacidad elevado y si esperan que la demanda se mantenga. Por otro lado, también el entorno de tipos influye notablemente en la inversión.

Por tanto el comportamiento de la inversión es muy importante para examinar la salud de una economía, especialmente su salud futura.

Normalmente, la cifra de inversión, al igual que la de consumo, se publica junto al PIB. En este contexto, la inversión total se divide en:

• Formación bruta de capital fijo. Bruta porque es un dato antes de amortizaciones; fija porque no incluye existencias; y de capital para distinguirla de la inversión financiera.
• Formación neta de capital fijo. Tiene escaso interés.
• Variación de existencias. Es la diferencia entre los stocks al final y al principio del periodo.

En cuanto a los datos más relevantes para analizar, además de la inversión total y de cómo ha evolucionado la inversión pública y la privada, serán los datos de inversión en construcción y de inversión en bienes de equipo.

Tanto la inversión en construcción como la inversión en bienes de equipo son relevantes por su importancia en el PIB, por ser un termómetro del estado de la economía y por su importancia para adelantar los datos de empleo. Así, inversión en bienes de equipo y creación de empleo privado tienen una correlación cercana al 80%.

Podemos considerar como determinantes de la inversión total:

• Los ingresos que generará en el futuro. Así, como comentamos antes, un determinante muy importante de la inversión es el nivel actual de PIB, o el contexto económico.
• Los costes: que se miden a través de los tipos de interés actuales y, por supuesto,  los impuestos.
• Las expectativas: No cabe descuidar el aspecto psicológico, determinando la confianza de los empresarios. Aunque la situación del PIB no sea la óptima, la expectativa de una mejora puede llevar a los empresarios a aprovechar un entorno de tipos de interés bajos.

En principio, un modelo que trate de averiguar el comportamiento de la inversión en el futuro, debe contener indicadores de confianza (como el ISM, el PMI, etc), tipos de interés y también, de crédito. Este último aspecto cobra cada vez más importancia en el momento actual, en el que las condiciones de crédito marcan la posibilidad de tomar decisiones de inversión.

Por otro lado, la relación entre inversión y producción futura no es sencilla. Con todo, cambios en la inversión deben ser utilizados como base para el modelo predictivo del PIB.

Por todo lo anterior, el dato de inversión es muy relevante. La alta correlación entre los datos de inversión y empleo lo convierte en herramienta fundamental para nuestro estudio de la macro de un país. Que se adelante a empleo y a la producción, lo convierten en parte esencial de cualquier modelo.

Los bonos de alto rendimiento muestran más rupturas al alza que a la baja por Sentimentrader

• El diferencial entre máximos y mínimos de 52 semanas en porcentaje de bonos de alto rendimiento superó el 8%
• Niveles de diferencial similares produjeron excelentes rendimientos para un índice de bonos de alto rendimiento y el S&P 500
• Nunca se ha observado un diferencial máximo-mínimo de 52 semanas del 8 % o más durante una recesión o un mercado bajista

Una señal de amplitud alcista de los bonos de alto rendimiento

Tras un período prolongado durante el cual el número de mínimos de 52 semanas para los bonos de alto rendimiento superó los máximos de 52 semanas por un margen considerable, la situación ahora se ha invertido. La semana pasada, el diferencial entre máximos y mínimos de 52 semanas como porcentaje de las emisiones negociadas cruzó la marca del 8 % por primera vez desde septiembre de 2021.

El aumento reciente en el diferencial a un máximo de 18 meses es un movimiento interesante, especialmente a la luz del aumento de los rendimientos del Tesoro y el creciente coro de predicciones de recesión y contracción del crédito. Se plantea la pregunta: ¿Qué implicaciones podemos extraer del comportamiento de los bonos corporativos que exhiben una mayor sensibilidad a las fluctuaciones en el ciclo económico?

Lo que nos dice el estudio

Ya sean acciones o ahora bonos de alto rendimiento, el mensaje del mercado sugiere que la economía no está tan mal como algunos nos quieren hacer creer. ¿Podría eso cambiar en el futuro? Absolutamente. Con más bonos de alto rendimiento registrando máximos frente a mínimos de 52 semanas, la perspectiva para un índice de bonos de alto rendimiento y el S&P 500 parece excelente en un horizonte de medio y largo plazo. Históricamente, los niveles de diferenciales similares son un fuerte elemento disuasorio contra una recesión inminente o un mercado bajista.

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.

¿Cómo ser un genio del trading? por Van K Tharp

• ¿Cómo ser verdaderos genios al hacer trading? Van K. Tharp nos ayudó a reflexionar en algunos aspectos interesantes.
• Publicado en Hispatrading 55.

Uno de los ejercicios clave que aplico con mis Súper Traders es una revisión exhaustiva de toda su vida. El meollo de este ejercicio consiste en documentar la mayor cantidad de recuerdos posible para cada año de su existencia, ahondando en las creencias forjadas durante esos momentos. Al enfrentarse a esta tarea, la mayoría de las personas suele afirmar: «Bueno, no puedo recordar lo que hice o lo que sucedió en 1986». Sin embargo, debo admitir que no comparto la perspectiva de aquellos que se autodenominan «viejos» y aseguran no poder recordar nada. A mis 70 años, personalmente he logrado llevarlo a cabo sin dificultad.

Si bien existen algunas estrategias que pueden ayudar en la tarea de recordar los eventos y sus fechas correspondientes (no es el tema central de este artículo), una de mis recomendaciones fundamentales es registrar puntos de datos significativos para cada año. Estos pueden abarcar aspectos como el valor de los salarios, los precios de las viviendas, los automóviles y otros elementos relevantes a lo largo de cada etapa de la vida. Una excelente fuente de información para esto es el sitio web www.thepeoplehistory.com«.

Aunque ya he realizado una revisión de mi vida en el pasado, actualmente estoy repitiendo este ejercicio para evitar olvidar los detalles. Me está resultando sumamente revelador. Mientras trabajaba en la historia de mi vida, me intrigó analizar los precios de las cosas clasificados por décadas, por lo que he creado la tabla que puede ver en este artículo. La tabla abarca desde el año en que nací hasta el comienzo de cada década hasta el 2017. Si bien estoy seguro del precio de un sello postal y del nivel del S&P 500, no tengo tanta certeza respecto a los demás precios, pero creo que en general son precisos.

La tabla revela algunas conclusiones interesantes. En primer lugar, se puede observar el porcentaje del ingreso anual necesario para realizar compras importantes. El precio de una casa varía entre 2,4 y 4,7 veces el ingreso familiar medio. Los números más altos se han registrado en fechas más recientes, pero también hay que considerar que las casas han aumentado considerablemente su tamaño en comparación con décadas anteriores.

Además, el precio de un automóvil ha oscilado entre alrededor del 40% del ingreso anual promedio de una familia y hasta el 61% en años más recientes. Esto indica que adquirir un automóvil ha representado una proporción significativa del ingreso familiar en diferentes momentos históricos.

Estas observaciones destacan la evolución de los precios en relación con los ingresos familiares a lo largo del tiempo. Las casas y los automóviles han experimentado cambios significativos en términos de asequibilidad y proporción del ingreso requerido para adquirirlos.

Decidí examinar el aumento absoluto de los precios en los últimos 70 años y los resultados son reveladores. El ingreso familiar promedio ha experimentado un incremento del 2 331%. En contraste, el precio de la gasolina y el costo de un sello postal no han aumentado tanto, rondando alrededor del 1600%. Aunque personalmente considero que el precio de un sello postal en la actualidad resulta bastante elevado.

Los datos demuestran que los incrementos en los precios de la gasolina no han representado una carga económica relativa significativa para nosotros. Resulta interesante destacar el incremento en los precios de los automóviles, que han aumentado un poco más que los salarios. No obstante, este fenómeno puede estar relacionado con la disponibilidad de vehículos de lujo en el mercado actual. Por ejemplo, mi Tesla tiene un costo aproximadamente cuatro veces superior al precio promedio de un automóvil en 2017.

Ahora, centrémonos en dos aspectos que podrían considerarse como generadores de riqueza: la propiedad de vivienda y el mercado de valores. En primer lugar, el precio promedio de una casa ha experimentado un aumento superior al 4,000%. Este incremento ha superado ampliamente los aumentos salariales, a pesar de que hubo pocos cambios en los precios de las viviendas en las décadas de 1990 a 2000 y de 2010 a 2017. Imaginemos que adquiriste una casa en 1946 por $5,600 y pagaste, por ejemplo, el 20% ($1,020) como enganche. En tan solo cuatro años, habrías visto cómo el valor de tu casa aumentaba a $8,450, lo que se traduce en una ganancia de $2,850 sobre tu inversión inicial de $1,020. ¡No está nada mal! Si en cambio hubieras invertido en el S&P 500 durante ese mismo periodo, habrías perdido dinero.

Sin embargo, echemos un vistazo a los siguientes 10 años, cuando el precio de una casa aumentó un 50% y el S&P 500 creció un 244%. Es cierto que hubo algunas décadas difíciles para el S&P 500, como los años 2000 a 2010, pero en la mayoría de las décadas, este índice bursátil ha mostrado un crecimiento. En última instancia, el precio promedio de una casa se ha incrementado en 42 veces en los últimos 70 años, mientras que el valor del S&P 500 ha aumentado más de 132 veces durante el mismo período.

Estos datos destacan la importancia de considerar la inversión en vivienda y en el mercado de valores como posibles vías para generar riqueza a largo plazo.

En medio de mercados alcistas fuertes todos parecemos auténticos genios. Como resultado, aquí hay algunas creencias de Tharp Think que podrían convertirte en ese genio:

1. Antes de entrar en una operación, siempre conozca su punto de riesgo inicial que le indica cuándo está equivocado. Tenga una orden de stop loss sobre ese riesgo inicial (que yo llamo R para abreviar).
2. En un mercado alcista tranquilo, asuma que podría durar un tiempo y desea que sus recompensas, si es posible, sean varias veces el tamaño de su riesgo. Así que sea paciente y deje que la tendencia genere sus ganancias. En un mercado alcista no se puede saber hasta dónde llegará.
3. Compra lo que sube. Es bastante simple.
4. Si obtienes un promedio de, digamos, 2R por posición durante el próximo año, aumentará un 50%. Y eso probablemente superará a la mayoría de las personas.

Si el trading es realmente tan fácil, ¿por qué la mayoría de las personas no son precisamente unos genios en el mercado? Veamos dos creencias Tharp Think más para intentar sacar una explicación.

1. Un error al hacer trading es cuando no sigues tus reglas. Digamos que cometes 2 errores cada mes y que cada error te cuesta 2R. Si tiene una ganancia de 50R al final del año, pero comete 24 errores de 2R cada uno, entonces su resultado neto será solo de +2R al final del año. Habrá perdido el 96% de su beneficio potencial a causa de sus errores. Algunas personas repiten el mismo error una y otra vez. Lo llamo autosabotaje.
2. Finalmente, hay al menos seis tipos de mercado, cada uno de los cuales tiene un componente de dirección y un componente de volatilidad. Las direcciones del mercado son: hacia arriba, hacia los lados y hacia abajo, mientras que las condiciones de volatilidad son tranquilas o volátiles. Si aplica el conjunto completo de creencias de Tharp Think a cualquier tipo de mercado en particular, se vuelve bastante fácil diseñar un gran sistema de trading. Sin embargo, esperar que un sistema de trading funcione bien en todos los tipos de mercado es una locura. Por lo tanto, necesita una forma diferente de aplicar las creencias en el contexto de diferentes tipos de mercado.

Dicho esto, ¿cuál es el tipo de mercado más fácil para que alguien gane dinero invirtiendo? Obviamente, es un mercado alcista tranquilo. Ahí es donde entra en juego comprar y mantener. Y mi versión de comprar y mantener es 1) comprar lo que sube y 2) continuar con un stop de venta del 25 %. Luego, minimice su riesgo arriesgando solo alrededor del 1% en cada operación, lo que significa que puede invertir completamente con alrededor de 25 posiciones diferentes. Solo hay otra regla y es permanecer totalmente invertido hasta que el mercado vuelva a soportar al menos la volatilidad normal. Mire primero la volatilidad y luego, a medida que aumenta, tenga cuidado con el mercado bajista.

Entonces, ¿por qué estoy diciendo esto? Porque cuando tengamos un mercado alcista tranquilo, podría pensar que es un genio simplemente comprando lo que sube con un stop loss dinámico del 25%. Mantenga posiciones hasta que se alcance el stops loss o hasta que cambie el tipo de mercado. No arriesgue más del 1% por posición, lo que significa que tendrá hasta 25 posiciones diferentes.

Y con todo el dinero que comience a ganar, comience a invertir en usted mismo para estar listo cuando cambie el tipo de mercado, ya sea dentro de un mes o dentro de una década.

Esto no es una predicción. Encuentre 25 acciones diferentes que estén subiendo y quédese con las principales empresas sólidas en las que usted confíe.

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.