Los gerentes de carteras deben corregir ese punto débil causal que dificulta el uso del “Quant Alpha”.

La promesa del uso de factores en la inversión era la de aportar un mayor nivel de rigor científico a los mercados, y explicar por qué ciertas acciones superan al resto. Sin embargo, durante años, los resultados han sido decepcionantes. El problema fundamental no radica en datos defectuosos o en métodos de análisis inteligentes, sino en una falla fundamental en la construcción de los modelos. Esto provoca que se confunda la correlación con la causalidad. Este es el llamado “efecto óptico de los factores”, y representa una fuente importante de riesgo sistemático para los gestores de carteras.

Los números nos dicen algo claro: el índice Bloomberg–Goldman Sachs US Equity Multi-Factor Index, que monitorea el rendimiento de las rentas de estilo clásico, ha presentado un ratio de Sharpe de solo…0.17 desde el año 2007Estadísticamente, esto no difiere en nada de cero, antes de que se generen costos. Para los inversores institucionales, esto significa años de bajo rendimiento y una pérdida constante de confianza en las estrategias cuantitativas.

La culpa tradicional recae en el sobreajuste de datos o en el “p-hacking”. Aunque eso es parte del problema, no constituye toda la verdad. Un error metodológico más profundo radica en el propio principio de las ecuaciones económicas. La mayoría de los modelos factoriales se construyen utilizando regresiones lineales y pruebas de significancia, lo cual confunde la asociación con la causalidad. El problema radica en una mala interpretación de las relaciones causales: no se distingue entre factores que influyen en la relación causal y aquellos que la interfieren.

Un confundidor es una variable que influye tanto en el factor en cuestión como en los retornos obtenidos. Un colider es una variable que también es influenciada por ambos factores. La inclusión de un colider en un modelo de regresión crea una relación espuria entre los factores involucrados. Por otro lado, la exclusión de un confundidor introduce sesgos en el modelo. Esto puede incluso cambiar el signo del coeficiente del factor en cuestión, lo que significa que el modelo sugiere a los inversores que compren valores que, en realidad, deberían venderse. Incluso con premios de riesgo estables, un modelo mal diseñado puede causar pérdidas sistemáticas.

No se trata de un problema menor en términos de datos. Se trata de una falla estructural en la forma en que se construyen los modelos. El enfoque económico tiende a favorecer aquellos modelos que tienen un valor R² más alto y valores p más bajos. Sin embargo, este enfoque puede llevar a modelos mal diseñados. Esto crea una ilusión de validez en los resultados estadísticos; es decir, un modelo parece ser superior en pruebas anteriores, pero fracasa en operaciones reales. Las ganancias prometidas en los artículos académicos son, en realidad, una ilusión.

Para los gerentes de carteras, esto significa que los retornos ajustados en función del riesgo obtenidos mediante la inversión en factores se ven comprometidos desde el principio. El modelo subyacente se basa en una base causal inestable, lo que hace que sea un mal indicador para la asignación de capital. Esta situación distorsiona los verdaderos factores que influyen en los retornos, lo que resulta en carteras que no solo son ineficientes, sino también vulnerables a correlaciones ocultas con otras estrategias similares pero mal diseñadas. Para obtener mejores retornos ajustados en función del riesgo, es necesario pasar de un enfoque basado en asociaciones a uno basado en razonamientos causales.

Estudios de caso sobre fracasos cuantitativos: lecciones extraídas del campo

Los riesgos teóricos derivados de la mala especificación del modelo y del sobreajuste no son cuestiones abstractas. Se manifiestan en fracasos concretos y costosos en el ámbito de la inversión cuantitativa. Los resultados recientes y las dinámicas del mercado proporcionan ejemplos claros de cómo estos riesgos erosionan el capital de los portafolios y distorsionan los retornos ajustados por riesgo.

El mal desempeño de los fondos de inversión cuantitativa en el año 2025 es un ejemplo claro de un problema estructural, no temporal. No se trató de un evento puntual en el mercado, sino de un período prolongado de bajo rendimiento, lo que reveló la fragilidad de muchas estrategias sistemáticas. Para los gerentes de carteras, esto significa que un componente clave de una cartera diversificada –el alfa cuantitativo– no logró proporcionar los beneficios esperados durante un período crítico. El resultado fue una cartera más concentrada en los riesgos de las acciones tradicionales, en lugar de lo que se pretendía. Se trata de un caso clásico de riesgo de correlación, que se manifiesta cuando menos se espera.

Esta debilidad en los resultados se ve agravada por la disminución de las oportunidades para utilizar estrategias basadas en la tendencia de reversión histórica. A medida que los mercados se adaptan y más participantes utilizan algoritmos similares, las ventajas que alguna vez permitían obtener ganancias ahora se pierden. Las pruebas sugieren que los rango de cotización se están estrechando, y los movimientos diarios promedio de precios se están reduciendo. Este proceso de maduración del entorno de mercado afecta directamente la base estadística de muchos modelos financieros, que dependen de patrones predecibles de desviación y reversión de precios. Para un gestor de carteras, esto significa que las estrategias basadas en condiciones pasadas ahora enfrentan mayores dificultades para generar ganancias, lo que aumenta el riesgo de una pérdida permanente en sus retornos esperados.

No se trata de un problema menor relacionado con los datos. Se trata de una falla estructural en la forma en que se construyen los modelos. La tradición económica tiende a favorecer aquellos modelos que presentan un valor R² más alto y valores p más bajos. Pero los modelos mal especificados pueden dar resultados incorrectos. Esto crea una ilusión de validez, donde un modelo parece superior en pruebas anteriores, pero fracasa en el trading real. Las ganancias prometidas por los artículos académicos son, en realidad, una ilusión.

La naturaleza insidiosa de los sesgos en los backtests contribuye aún más a estos fracasos. El proceso de desarrollo de estrategias a menudo implica la optimización y el uso de datos futuros para refinar el modelo. Esto crea una ilusión peligrosa de robustez. Como señala un análisis, un backtest puede mostrar altas tasas de ganancia y rendimientos sólidos, pero estos resultados a menudo no son reales, ya que no tienen en cuenta los costos de transacción, las demoras en la ejecución de las operaciones y las limitaciones prácticas relacionadas con la gestión del capital. Cuando tal estrategia se implementa en la práctica, los rendimientos prometidos desaparecen, lo que daña el capital del portafolio y socava la credibilidad de todo el enfoque cuantitativo. En resumen, un modelo puede ser estadísticamente eficiente en un backtest, pero tiene defectos estructurales en la práctica, lo que lleva a que el portafolio sea subestimado en relación con su riesgo.

La consecuencia práctica de esto para la construcción del portafolio es clara: la dependencia de estrategias cuantitativas que no han sido evaluadas adecuadamente introduce un nivel de riesgo sistémico oculto. Estas estrategias no son simplemente otra fuente de retorno; son una posible causa de caídas relacionadas entre sí, lo cual puede socavar el perfil de retorno ajustado al riesgo del portafolio en su totalidad.

Mitigar el riesgo de modelos: Un marco causal para la construcción de portafolios

El camino hacia retornos mejor ajustados al riesgo no consiste en abandonar los métodos cuantitativos, sino en reformularlos. El paso de los modelos basados en correlaciones a aquellos que se basan en la identificación de causas reales es el primer paso fundamental para que los gerentes de carteras puedan desarrollar estrategias sólidas. Esto no es una simple modificación; se trata de un cambio de paradigma que aborda directamente la causa raíz de los efectos erróneos causados por los factores involucrados. Al utilizar herramientas que permiten identificar los factores que interfieren con los resultados y evitar los conflictos entre ellos, los gerentes pueden construir modelos más estables. Esto mejora la robustez del modelo, reduciendo así el riesgo de señales falsas y cambios en los coeficientes que puedan llevar a pérdidas sistemáticas. El objetivo es pasar de modelos que solo describen patrones pasados a modelos que puedan predecir mejor los resultados futuros en condiciones cambiantes.

Este cambio se alinea con una importante tendencia tecnológica: la IA causal. Los analistas han reconocido que esta rama de la inteligencia artificial es una tecnología emergente de gran importancia. Sus principales aplicaciones se encuentran en el sector de la salud, las finanzas y la gestión de cadenas de suministro. Para la construcción de portafolios, la IA causal ofrece una herramienta poderosa para distinguir entre los datos reales y los datos falsos. Su capacidad para identificar relaciones de causa y efecto, en lugar de simplemente asociaciones estadísticas, permite detectar nuevos indicadores que no han sido ya manipulados por otros modelos. Lo más importante es que puede ayudar a eliminar las correlaciones erróneas que caracterizan a los modelos tradicionales, lo que permitirá tener una imagen más clara de lo que realmente impulsa los retornos.

El resultado esperado de este marco causal es un entorno de inversión más estable y predecible. Con modelos menos propensos a las errores de estimación, los premios por factores deberían ser más consistentes, lo que reduce la volatilidad de las fuentes de rendimiento. Esta estabilidad mejora directamente la diversificación del portafolio. Cuando los factores se rigen por mecanismos económicos reales, en lugar de por artificios estadísticos, sus estructuras de correlación entre las diferentes categorías de activos se vuelven más fiables. Esto es crucial para la cobertura de riesgos: el gerente de portafolios puede tener más confianza de que una operación de tipo “long-short” se desarrollará como se espera, incluso en mercados con altas presiones. En resumen, se reduce la incertidumbre relacionada con las caídas en los valores de los activos, algo que ha sido un problema constante en las estrategias de inversión en los últimos años. Al construir sus portafolios basándose en principios de causalidad, los gerentes de portafolios pueden crear una base más resistente para generar retornos ajustados al riesgo.

Catalizadores y controles de seguridad: Lo que hay que tener en cuenta para una estrategia sólida

La transición de los modelos basados en correlaciones a marcos causales no es un ejercicio teórico. Es una evolución necesaria para los gerentes de carteras que buscan retornos ajustados al riesgo de manera sostenible. El factor clave que impulsa esta adopción es el fracaso constante y costoso de las estrategias tradicionales basadas en factores. El Índice Multifactorial de Acciones de Estados Unidos, desarrollado por Bloomberg-Goldman Sachs, presenta un ratio de Sharpe de apenas…0.17 desde el año 2007El caso económico es claro. El problema no se reduce simplemente al sobreajuste en los resultados de las pruebas de retroalimentación, sino a un defecto estructural más profundo: una incorrecta especificación causal de los datos. Esto requiere un replanteamiento fundamental de los métodos de validación de modelos y los controles de riesgos. Es necesario pasar de la importancia estadística a la plausibilidad causal de los modelos.

Los gerentes de carteras deben estar atentos a evidencia concreta de que las técnicas causales conducen a precios más estables para los factores involucrados, especialmente en contextos difíciles. Los recientes cambios en el mercado impulsados por la inteligencia artificial constituyen un caso de prueba importante. Como se mencionó anteriormente, el auge de la inteligencia artificial ha…Cuestionaron los factores relacionados con el valor y la calidad de las acciones de EE. UU.Se trata de un impacto convencional, de carácter especulativo en el mercado. Un modelo causal intentaría identificar si se trata de un cambio temporal en el régimen actual, o de un cambio estructural en los factores que influyen en dichos procesos. El éxito se mediría por la capacidad de un factor para mantener su poder predictivo incluso en medio de tales turbulencias, en lugar de ser eliminado debido a cambios en las percepciones del mercado. El objetivo es encontrar premios basados en mecanismos económicos reales, y no en artificios estadísticos que desaparecen cuando cambian las percepciones del mercado.

La implementación de este cambio requiere medidas de control rigurosas. En primer lugar, los gerentes deben incorporar el análisis de gráficos causales en la fase de modelado previo. Esto implica identificar explícitamente los posibles factores de confusión y los elementos que podrían influir negativamente en los resultados del modelo, antes de realizar cualquier regresión. Los consejos establecidos por la literatura económica sobre la importancia de incluir cualquier variable relacionada con las rentabilidades deben ser reemplazados por un proceso de verificación causal: ¿esta variable realmente debe formar parte del modelo, o acaso introducirá sesgos en los resultados? En segundo lugar, los tests de estrés deben evolucionar. Además de los indicadores tradicionales como el ratio de Sharpe, los modelos también deben someterse a pruebas para detectar posibles interrupciones en las relaciones causales, como ocurre en el caso de las revalorizaciones de las acciones valoradas por sistemas basados en IA. Esto significa pasar de una evaluación de la robustez estadística a una evaluación de la robustez causal.

En resumen, gestionar el riesgo relacionado con los modelos en la era cuantitativa significa gestionar el riesgo causal. Las normas a seguir son claras: es necesario validar la estructura causal de los modelos desde el principio, y realizar pruebas de estrés para evaluar la posibilidad de que esa estructura se rompa. Solo construyendo estrategias basadas en la causalidad, los gestores de carteras pueden lograr que las inversiones sean eficaces y cumplan con las expectativas del inversor.