Desarrollo de un modelo de asset allocation para fondos multiactivos

Abstract

En el 2020, Bloomberg publicó un artículo donde se consultaba a 16 altos ejecutivos de empresas de inversión, como JP Morgan, BlackRock y AQR, sobre sus perspectivas para la próxima década en este ámbito. Todos coincidieron en que el análisis cuantitativo se convertiría en una herramienta esencial para la creación de valor, tanto a nivel global como en el ámbito de las inversiones. En la actualidad, se genera una vasta cantidad de información a cada segundo, disponible de forma prácticamente instantánea. Esta situación propicia que los mercados sean cada vez más complejos y competitivos. Ya que la información está al alcance de todos. Por lo tanto, la capacidad de extraer insight’s de esos datos se convierte en una ventaja competitiva fundamental en la generación de valor. Es en este contexto que la empresa donde el alumno desarrollo su proyecto de título buscaba desarrollar un modelo cuantitativo que apoyara la toma de decisión de los portfolio managers en el asset allocation de los fondos multiactivos que administran. Por esta razón se formuló el siguiente objetivo general; “Desarrollar un modelo de asset allocation global que genere un vector de recomendación suma cero para fondos multiactivos a partir de data macroeconómica y de mercado, maximizando el information ratio”. El modelo se basa en la metodología CRISP-DM, un proceso iterativo de seis etapas propio de la ciencia de datos. El plan consistió en construir una amplia base de datos con información macroeconómica y de mercado, la cual serviría para generar una asignación de activos global (renta variable (RV), renta fija (RF) y Caja) a partir de la construcción de un puntaje o "scoring" que reflejara el nivel de convicción del modelo sobre si sobreponderar, subponderar o mantener la posición de un activo. Para posicionar los activos dentro del fondo desde el enfoque global, se siguió una estrategia de tipo "top-down". Los resultados del modelo fueron positivos. Mediante el uso de componentes principales, se logró capturar de manera adecuada la variabilidad de la base de datos original, reduciendo su dimensión de 263 variables a 14 componentes principales. Esto permitió generar un alfa positivo y, en consecuencia, un information ratio de 0,97, superando las expectativas iniciales de la empresa, que se ubicaban entre 0,4 y 0,6. Si bien el modelo buscaba ser explicativo, la utilización de componentes principales dificultó esta tarea, ya que estos reducen la dimensionalidad de la base de datos captando relaciones algebraicas complejas. Para abordar esta limitación, se probaron sin éxito dos estrategias: correlacionar componentes con clases de variables y calcular componentes principales por clases de variables. Siendo las clases de variables macrocategorías como: cíclicas, de condiciones de mercado, sentimiento, técnicas, entre otras.