“Modelamiento predictivo de aportes y rescates de fondos mutuos de renta fija local”

Abstract

El mercado de renta fija en Chile juega un papel fundamental en el sistema financiero, ofreciendo a los inversionistas acceso a una amplia variedad de instrumentos de deuda. Dado esto, comprender y anticipar los flujos de aportes y rescates en fondos mutuos de renta fija es clave para mejorar la gestión de activos, la planificación de emisiones de deuda y oportunidades de inversión. Este trabajo desarrolla y evalúa un modelo predictivo que busca anticipar estos flujos a partir de datos históricos de aportes y rescates y sus respectivas rentabilidades pasadas. El estudio aplicó un enfoque mixto, combinando modelos estadísticos (ARIMA y SARIMAX) y técnicas de machine learning (GRU, LSTM, Decision Tree, Random Forest, SVM y XGBoost), donde se consideraron los últimos 15 años de datos de aportes y rescates con sus rentabilidades asociadas y considerando un periodo de evaluación de out of sample de 6 meses, evaluando el desempeño predictivo para distintos horizontes temporales y categorías de fondos. Los resultados de los modelos ARIMA mostraron que, en general, estos capturan bien la media histórica de los flujos, tuvieron limitaciones para anticipar cambios estructurales, especialmente en fondos de corto plazo (<365 días), caracterizados por alta volatilidad y bandas de confianza amplias. En contraste, los fondos de mayor duración (>365 días), denominados en UF o en pesos, exhibieron menor dispersión histórica, permitiendo predicciones más estables y con menor incertidumbre. El modelo SARIMAX, que incorpora variables exógenas como las rentabilidades pasadas, mostró un desempeño heterogéneo al compararse con ARIMA. Si bien en ciertos contextos, como en fondos de duración corta, obtuvo mejores resultados en horizontes muy inmediatos —por ejemplo, reduciendo el RMSE de 0.059 (ARIMA) a 0.0014 (SARIMAX) en el horizonte de 1 día—, esta mejora no se sostuvo en plazos más largos, donde el error tendió a incrementarse significativamente. En categorías de largo plazo, especialmente aquellas denominadas en UF con duraciones superiores a 3 años, ambos modelos mostraron desempeños similares, aunque ARIMA mantuvo menores errores en varios horizontes extensos. En general, los resultados no evidencian una mejora sistemática por parte de SARIMAX, cuya efectividad parece depender del horizonte de predicción y la estructura interna del fondo. En la evaluación de modelos de machine learning, XGBoost destacó como la herramienta más robusta para la predicción multihorizonte de flujos. Mostró bajo error promedio y alta estabilidad en fondos de deuda de mediano y largo plazo, con rentabilidades promedio proyectadas entre 0.43 y 0.50 para fondos <365 días en pesos, y cerca de 0.49 en fondos >365 días en pesos. Modelos como Random Forest y Decision Tree también ofrecieron un desempeño sólido y consistente, especialmente en fondos con baja volatilidad. Redes neuronales como GRU y LSTM demostraron buena capacidad en series más largas y estables, aunque con desempeño más variable en 7 series altamente volátiles. SVM, por su parte, fue más efectivo en fondos de corto plazo y categorías con menor complejidad estructural. En conjunto, los resultados confirman que la elección del modelo predictivo debe ser sensible al perfil del fondo. Mientras ARIMA puede servir como línea base para capturar inercia histórica, SARIMAX al incluir variables exógenas no mejora la capacidad predictiva al incluir factores de rentabilidad. Para fines operacionales y estratégicos, se recomienda el uso de modelos de machine learning como XGBoost, dada su capacidad de adaptarse a diferentes estructuras de fondos y de reducir de manera consistente el error de predicción. Este trabajo entrega una herramienta concreta para anticipar flujos de aportes y rescates en fondos mutuos de renta fija, contribuyendo a la toma de decisiones informadas en la asignación de activos, estrategias de emisión de deuda y oportunidades de inversión. Su implementación podría permitir a bancos y gestores de fondos reducir riesgos asociados a la liquidez y optimizar la gestión financiera en un mercado dinámico y sensible a factores macroeconómicos, así como también a múltiples inversores en la búsqueda de oportunidades de compra de cartera de renta fija.

The fixed-income market in Chile plays a fundamental role within the financial system, offering investors access to a broad range of debt instruments. Given this, understanding and anticipating the contribution and redemption flows in fixed-income mutual funds is key to improving asset management, debt issuance planning, and investment opportunities. This study develops and evaluates a predictive model aimed at forecasting these flows based on historical data of contributions, redemptions, and their respective past returns. The analysis adopts a mixed approach, combining statistical models (ARIMA and SARIMAX) with machine learning techniques (GRU, LSTM, Decision Tree, Random Forest, SVM, and XGBoost). The model leverages 15 years of historical contribution and redemption data along with associated returns, using a six-month out-of-sample period to assess predictive performance across various time horizons and fund categories. The ARIMA models generally capture the historical average behavior of flows, yet show limitations in anticipating structural changes—particularly in short-term funds (<365 days), which are characterized by high volatility and wide confidence bands. In contrast, longer-duration funds (>365 days), denominated in either UF or pesos, exhibit lower historical dispersion, allowing for more stable and less uncertain forecasts. The SARIMAX model, which incorporates exogenous variables such as past returns, showed mixed performance compared to ARIMA. While it outperformed ARIMA in certain contexts—such as short-duration funds at immediate horizons (e.g., reducing RMSE from 0.059 to 0.0014 at the 1-day horizon)—this advantage diminished at longer horizons, 8 where forecast errors increased significantly. In long-term categories, particularly UFdenominated funds with durations over three years, both models yielded comparable results, though ARIMA often showed lower errors across extended horizons. Overall, the inclusion of exogenous variables did not lead to consistent predictive improvements, and SARIMAX's performance appears to depend on both the forecast horizon and the internal characteristics of the fund. In evaluating machine learning models, XGBoost emerged as the most robust tool for multi-horizon forecasting of flows. It demonstrated low average error and high stability in medium- and long-term fixed-income funds, achieving projected average returns between 0.43 and 0.50 for short-term peso-denominated funds (<365 days), and around 0.49 for long-term peso-denominated funds (>365 days). Models like Random Forest and Decision Tree also performed strongly and consistently, particularly in low-volatility funds. Neural networks such as GRU and LSTM showed solid performance in longer and more stable series, albeit with more variability in highly volatile data. SVM performed better in short-term funds and categories with lower structural complexity. Overall, the results confirm that the choice of predictive model must be tailored to the profile of each fund. While ARIMA can serve as a solid baseline to capture historical inertia, SARIMAX does not consistently enhance predictive capacity through the inclusion of return-based exogenous variables. For operational and strategic purposes, machine learning models—particularly XGBoost—are recommended due to their adaptability to different fund structures and their consistent ability to reduce forecast error. This study delivers a practical tool for anticipating contribution and redemption flows in fixed-income mutual funds, supporting more informed decision-making in asset allocation, debt issuance strategies, and investment planning. Its implementation may enable banks and fund managers to reduce liquidity-related risks and optimize financial management in a dynamic market environment influenced by macroeconomic factors, while also offering opportunities to investors seeking exposure to fixed-income portfolios.