Uso de estrategias de inversión cuantitativa en renta fija extranjera para una AFP

Abstract

La Administradoras de Fondo de Pensión o AFP están encargadas de administrar el ahorro previsional obligatorio, lo que realizan a través de cinco multifondos con distintos niveles de riesgo y retorno. Al 31 de Diciembre del 2018 las AFP administraban un patrimonio de MMUS$ 193.110, siendo el actor más importante del mercado chileno. De este total el 60% corresponde a instrumentos de Renta Fija. Por otro lado, las últimas tendencias en el mundo muestran un considerablemente aumento en el uso de tecnologías en la industria de inversiones producto de avances en el poder de computo y en la cantidad información disponible (el 90% de los datos fueron generados en los últimos dos años). Esto se refleja en el fuerte incremento en la inversión en fondos cuantitativos y la inversión en tecnología por parte de las administradoras para mejorar y actualizar sus procesos de inversión. Considerando lo anterior, esta memoria propone desarrollar e implementar estrategias cuantitativas, mediante el uso de Machine Learning, en el contexto de Renta Fija extranjera con el objetivo de incorporar nueva información a la toma de decisiones, mejorando así la rentabilidad de la AFP. Para esto, se utiliza una metodología de data mining fundamentada en el proceso KDD (selección de datos, limpieza, entrenamiento de modelos y evaluación) junto con el método de Black-Litterman para la construcción de portfolios. El criterio para la selección de predictores utilizados se basa en literatura asociada al tema, junto con el comportamiento de las distintas clases activos dependiendo de la fase del ciclo económico en que se encuentre la economía. Luego del tratamiento de los datos, se entrenan distintos modelos de Machine Learning y un modelo basados en distintos momentum. La evaluación de las predicciones de los distintos modelos no entrega resultados concluyentes, por lo que deben ser evaluadas mediante el uso de backtests. Usando las predicciones de retornos, se construyen portfolios para dos distintos benchmark (Fondo C y portfolio Risk-Parity) utilizando Black-Litterman. La metodología genera excesos de retornos importantes (entre 1.00% y 1.60% al año), pero infactibles en la práctica, producto de rotaciones extremas. Dado lo anterior, se implementan dos soluciones alternativas (reglas de construcción y optimización con restricción de tracking error) las que logran mejoras importantes en la rotación. Finalmente, se analiza la sensibilidad de las soluciones propuestas a los costos de transacción y el día de rebalanceo. Del análisis se obtiene que la mejor estrategia es la basada en reglas Long-Only y 5.00% de tilt. Esta se implementa fuera de la muestra generando retornos cercanos a 0.60%. A modo de conclusión, se dan recomendaciones de como tratar la rotación ya que es el factor más relevante para la factibilidad de las estrategias y se analizan las causas de los resultados obtenidos. A su vez se da cuenta de que, si bien puede que las soluciones encontradas no sean implementables, las señales y direcciones que entregan sirven de insumo para mejorar la toma de decisión.