BIENVENIDOS

A FIN520
TEORÍA DE GESTIÓN ACTIVA &
APLICACIONES DE MACHINE LEARNING

Pablo Castañeda, PhD

 TEMARIO DE LA SESIÓN DE HOY 2

Anuncios
– Guía de Ejercicios 2 y Tarea N°3
Contenidos de la sesión de hoy
– Breve Resumen Clase Pasada
– Selección Activa de Cartera
– Machine Learning & Gestión Activa
 3

REPASO
REPASO DE LA CLASE PASADA 4
 5

SELECCIÓN ACTIVA DE
PORTFOLIO
 MODELO DE TREYNOR & BLACK 6

• El resultado final del trabajo de un equipo • A modo de ejemplo, si el equipo de inversión usa un modelo factorial de un solo
de analistas es una lista con el valor de factor, tendremos que
los alfa de las empresas bajo análisis.
• La estimación del componente
sistemático de los premios por riesgo es
relativamente estándar, la verdadera
diferencia para un desempeño superior
está en el análisis macro y de empresas,
que proviene de la estimación de los alfa
de cada activo. • El objetivo natural a considerar es maximizar el ratio de Sharpe del portfolio,
• Suponga que el equipo de inversión tiene
un benchmark y decide realizar un
análisis activo de un sub-conjunto (𝑛) de
los activos que componen el benchmark
(activo 𝑛 + 1).
 MODELO DE TREYNOR & BLACK 7

• Aprovechando la conveniencia analítica del modelo de un factor, • La mejora en el ratio de Sharpe está dada por:
es posible mostrar que el portfolio que maximiza el ratio de
Sharpe es una combinación entre el benchmark (M) y el portfolio Information
activo (A). (similar al caso de un problema con dos activos Ratio
riesgosos). Ver Teorema 12.1 de MUNK

• Si el beta del portfolio activo fuese 1, el peso del portfolio activo • Esto quiere decir que la contribución de la inversión
sería : activa proviene del IR (Information Ratio). Este último se
maximiza si:
Premio x Riesgo del
Benchmark

cuando el beta del portfolio activo NO es igual a 1 se tiene que:

Ver Teorema 12.2 de MUNK
• Con estos pesos se tiene: Ver Teorema 12.2 de MUNK

Ver Teorema 12.1 de MUNK

 MODELO DE TREYNOR & BLACK 8

• El trade-off fundamental del modelo de TB es entre premio por

riesgo adicional (Alfa) y el riesgo NO sistemático adicional.
MODELO DE TREYNOR & BLACK 9
 MODELO DE TREYNOR & BLACK 10

• hh
 MODELO DE TREYNOR & BLACK 11

• hh
MODELO DE TREYNOR & BLACK 12
MODELO DE TREYNOR & BLACK 13
 MODELO DE TREYNOR & BLACK 14

• Una observación de la lámina anterior es

que el aporte de los alfas estimados en el
ratio de Sharpe parece ser muy menor
(apenas 0.019 de aumento en el SR).
• La principal causa de esto son los
pequeños valores de alfa proyectados,
que son mucho más pequeños que los
que usualmente se dan en los reportes de
inversión.
• Para ahondar en este punto, la tabla
muestra los efectos de usar valores de
alfas más representativos de las
cantidades que es posible encontrar en la
práctica.
 MODELO DE TREYNOR & BLACK 15

• Naturalmente, dado que prácticamente todos los portfolio managers deben en donde
seguir cercanamente el benchmark, los pesos que resultan del modelo de
TB no serían apropiados (salvo quizás para un Hedge Fund).
• Al respecto, nótese que:

• Luego, para respetar una restricción de TE (igual a 𝜎0 (𝑇𝐸 )) podemos re-

ponderar los pesos del portfolio activo usando:
 MODELO DE TREYNOR & BLACK 16

• Naturalmente, dado que prácticamente todos los portfolio managers deben en donde
seguir cercanamente el benchmark, los pesos que resultan del modelo de
TB no serían apropiados (salvo quizás para un Hedge Fund).
• Al respecto, nótese que:

• Luego, para respetar una restricción de TE (igual a 𝜎0 (𝑇𝐸 )) podemos re-

ponderar los pesos del portfolio activo usando:
 AJUSTES POR LA PRECISIÓN DE ALFA 18

• Un importante tema pendiente es cómo agregar en el • Para estimar la precisión la empresa puede correr una
análisis la imprecisión que tienen las proyecciones de regresión lineal de la forma:
alfa.
• En caso de contar con registros históricos de
proyecciones pasadas, es posible utilizar esos registros
en donde 𝛼 𝑓 (𝑡) es la proyección de Alfa.
para calcular la precisión (o imprecisión) de las
proyecciones.
• Suponga que un analista entrega proyecciones de Alfa • Luego, podemos usar el modelo:
para una empresa transada en bolsa con cierta
periodicidad (semanal, mensual, etc.). Dichas
proyecciones afectan la cartera recomendada por la
empresa (AGF, corredora de bolsa, etc.).
• Al final de periodo se tendrá: • Este es la mejor estimación lineal insesgada (MELI). Nótese
que 𝑎1 es el R2 de la regresión. Eso quiere decir que las
proyecciones de un analista poco preciso deberían ser
reducidas hacia cero. El parámetro 𝑎0 ajusta los sesgos en
las proyecciones del analista.
 EVIDENCIA EMPÍRICA 19

• Kane et al. (2004) tuvieron acceso a una

BBDD con las proyecciones de analistas
por espacio de 37 meses.
• El R2 de las estimaciones fue de
0.001134 (correlación de 0.0337). Esto
quiere decir que una proyección de Alfa
de 12% se hubiera traducido en un valor
predicho de 0.012% mensual (0.14%
anualizado), que es de un orden de
magnitud similar al ejemplo del modelo
de TB original.
• La mala noticia es que un aporte al SR de
19 bps puede poner el riesgo a
subsistencia de un equipo de inversión
con un estilo de inversión activo.
 EVIDENCIA EMPÍRICA 20

• Kane et al. (2004) tuvieron acceso a una

BBDD con las proyecciones de analistas
por espacio de 37 meses.
• El R2 de las estimaciones fue de
0.001134 (correlación de 0.0337). Esto
quiere decir que una proyección de Alfa
de 12% se hubiera traducido en un valor
predicho de 0.12% mensual (0.14%
anualizado), que es de un orden de
magnitud similar al ejemplo del modelo
de TB original.
• La mala noticia es que un aporte al SR de
19 bps puede poner el riesgo a
subsistencia de un equipo de inversión
con un estilo de inversión activo.
 LEY FUNDAMENTAL DE LA GESTIÓN ACTIVA 21

• La llamada Fundamental Law of Active

Management de Grinold y Kahn (1990)
es una aproximación del Information
Ratio (IR) que establece que:

en donde IC es el Information Coefficient

que es una medida de la precisión de las
predicciones, y BR es el Breadth de las
predicciones, las que están relacionadas al
número de predicciones, respecto del
universo de activos invertibles.
 BLACK-LITTERMAN VS TREYNOR-BLACK 22

• Una vez que el problema de optimización se plantea, ambos

modelos son muy similares.
• La principal diferencia entre ambos es la forma en que cada
uno arriba a los insumos necesarios. Luego, es deseable el
uso en simultáneo de los dos modelos (para mayor
consistencia de los supuestos).
• El modelo de TB está más orientado al análisis individual de
activos. No obstante, las visiones entre activos o clases de
activo pueden ser mejor atendidas con el modelo de BL.
• Por otra parte, la precisión de las predicciones es más
claramente atendida en el modelo de TB, y puede ser usado
retrospectivamente para sustentar visiones de analistas sin
un track record previo.
 24

MACHINE LEARNING EN
INVERSIÓN ACTIVA
 MACHINE LEARNING INVERSIÓN ACTIVA 25

• La principal promesa detrás de la aplicación de ML en • Adicionalmente, ML ha sido usada para predecir métricas
inversión accionaria es la obtención de mayores intermedias, conocidas por predecir retornos (ej., utilidades
retornos ajustados por riesgo. Esto, bajo la hipótesis corporativas, caídas de retornos de títulos accionarios en
que estas técnicas, por su naturaleza, deberían problemas, etc.).
destacar en la predicción de retornos accionarios. • El consenso actual es que el mejor desempeño proviene del
• La literatura emergente soporta esta hipótesis. En hecho que ML no está limitado a emplear únicamente
años recientes se han aplicado exitosamente representaciones lineales entre los datos de entrada y salida.
algoritmos de ML para predecir retornos accionarios, y • Otro atractivo de ML es la posibilidad de usar data-mining para
estos han comenzado a ser usados en los modelos de “descubrir nuevas teorías”. La creciente disponibilidad de
inversión cuantitativa. fuentes adicionales de información abre la posibilidad a
• A la fecha, los algoritmos de ML han sido usados en encontrar relaciones o teorías desconocidas a la fecha.
mercados desarrollados y emergentes, acciones • Con todo, el uso de ML en finanzas enfrenta importantes
small-cap y large-cap, y estrategias para uno o varios desafíos adicionales, como el bajo ratio señal-a-ruido, la
países. En general, la conclusión es que el alfa complejidad intrínseca del sistema, escasez de datos, cuotas
obtenido de algoritmos de ML es superior al de de irracionalidad en los agentes, data snooping malicioso, etc.
modelos lineales tradicionales.
 APLICACIÓN #1: PREDICCIÓN DE RETORNOS ACCIONARIOS 26

Metotodología Hay 5 resultados consistentemente mencionados por practicantes y

académicos.
– Universo Invertible: [Link]., Mercados Internacionales y
Emergentes 1. Hay una mejora en desempeño que es estadística y
económicamente significativa versus los modelos lineales
– Algoritmo ML: random trees + forests, neural networks
tradicionales (Gu et al., 2021)
con capas, y ensamblajes de estos
2. La mejora en desempeño proviene de que los algoritmos de ML
– Características: métricas financieras típicas, como pueden probar combinaciones e interacciones no lineales de las
ratios (value), rentabilidad (quality), y retornos pasados características (Lasso + Ridge son superados por árboles y redes
(momentum) neuronales)
3. Los practicantes han encontrado que el conjunto de
características es notablemente consistente entre distintos
• Al usar un conjunto muy acotado de características, el
algoritmos de ML (short-term reversal, acción y sector return
“inversionista ML” está usando su conocimiento
momentum, volatilidad, y tamaño).
experto del área, y adicionalmente impone estructura
4. Los algoritmos de ML simples superan a los sofisticados. Esto es
sobre el algoritmo de ML para reducir los problemas
posiblemente por lo limitado de la data disponible
comunes en predicción.
5. El desempeño es creciente a la cantidad de data disponible
DESEMPEÑO OUT-OF-SAMPLE DE PORTFOLIO OLS VS ML 27
 APLICACIÓN #2: PREDICCIÓN DE CRASHES 28

Metotodología
– Universo Invertible: [Link]., Mercados
Internacionales y Emergentes
– Algoritmo ML: regresión logística, random
forest, gradient boosted tres, y
ensamblajes de estos
– Características: variables de estrés
financiero (distance-to-default, volatlity,
markect beta, además de métricas
financieras fundamentales

• El setup es similar al anterior, siendo la

principal diferencia la función objetivo a
utilizar y el conjunto de características a
utilizar.
 APLICACIÓN #3: PREDICCIÓN DE VARIABLES FUNDAMENTALES 29

Metotodología
– Universo Invertible: Acciones [Link]., excluyendo
Utilitiess y Financials. Periodo: 1975-2019
– Algoritmo ML: 3 ML lineales (OLS, LASSO, RIDGE), 3 no
lineales (random forest, gradient boosting regression y
neural networks), y ensablajes de estos
– Características: 28 partidas de los EEFF y sus 1ras
diferencias (56 en total)

• Los resultados se muestran en las tablas de la

derecha.
 APLICACIÓN #4: NLP PARA FOROS DE DISCUSIÓN 30

• Otro tipo de problema interesante (distinto de la

predicción) es la compresión y análisis de “lenguaje
natural”.

Metodología
– Descargar y procesar blogs de inversión activos del mercado
– Aplicar algoritmo NLP y entrenar el modelo en la data
– Buscar palabras asociadas a “diccionarios de sentimiento
de mercado estándar” para crear nuevo “diccionario” con
lenguaje coloquial

• Chen et al. (2020) aplicaron un modelo de NLP para

entender el lenguaje coloquial empleado en los foros de
conversación por los inversionistas chinos, en el mercado
chino de acciones tipo A (para extranjeros).
REFERENCIAS BIBLIOGRÁFICAS DE LA CLASE 31

• Avramov, D., S. Cheng, and L. Metzker. 2022. “Machine Learning vs. Economic Restrictions: Evidence from Stock
Return Predictability.” Management Science (29 June).
• Birge, J., and Y. Zhang. 2018. “Risk Factors That Explain Stock Returns: A Non-Linear Factor Pricing Model.” Working
paper (9 August).
• Cao, K., and H. You. 2021. “Fundamental Analysis via Machine Learning.” Emerging Finance and Financial Practices
eJournal.
• Chen, M., J. Lee, and G. Mussalli. 2020. “Teaching Machines to Understand Chinese Investment Slang.” Journal of
Financial Data Science 2 (1): 116–2
• Gu, S., B. Kelly, and D. Xiu. 2020. “Empirical Asset Pricing via Machine Learning.” Review of Financial Studies 33 (5):
2223–73.
• Hanauer, M., and T. Kalsbach. 2022. “Machine Learning and the Cross-Section of Emerging Market Stock Returns.”
Working paper (5 December).
• So, E. 2013. “A New Approach to Predicting Analyst Forecast Errors: Do Investors Overweight Analyst Forecasts?”
Journal of Financial Economics 108 (3): 615–40.
• Swinkels, L., and T. Hoogteijling. 2022. “Forecasting Stock Crash Risk with Machine Learning.” White paper, Robeco.
 Modelo de Treynor & Black
APRENDIZAJES DE Ley Fundamental de Gestión
ESTA CLASE Activa
Relación entre modelos de BL
vs TB
Aplicaciones de ML en Gestión
Activa
TEMA: EVALUACIÓN DE DESEMPEÑO PRÓXIMA CLASE
• Objetivos

• Medidas Tradicionales

• Análisis de Estilo

• Descomposición del Desempeño

 34

MUCHAS GRACIAS

NOS VEMOS LA PRÓXIMA CLASE