Introducción al Quantitative Value Investing:
Joel Greenblatt, para mí uno de los padres del Quantitative Value Investing, mostró al mundo las bondades de su Fórmula Mágica en el libro “El pequeño libro que aún vence al mercado”. En el libro, nos expone un estudio realizado entre 1988 y 2009 de los retornos logrados invirtiendo en las 3500 acciones estadounidenses con mejor puntuación en la Fórmula Mágica:
Como podemos ver, la rentabilidad es bastante atractiva y muy superior al S&P 500 durante un largo periodo de tiempo. Si queréis ver un backtest más reciente de la Fórmula Mágica, os dejo el enlace a un artículo de zonavalue donde analizan la rentabilidad en los entre 2003 y 2018 en Europa, USA y Canadá.
En mi opinión, el éxito de la Fórmula Mágica es su simplicidad, ya que usa tan solo dos métricas: bajo EV/EBIT y alto ROIC.
A parte de Greenblatt, hay otros autores como Joseph Piotroski o Susan Levermann que merecen ser estudiados ya que sus modelos factoriales (Factor Investing) han sido muy rentables en el pasado.
Por lo tanto, llegamos a la conclusión de que el Quant ha funcionado en el pasado y es probable que siga funcionando en el futuro. Sin embargo, en mi opinión las estrategias 100% cuantitativas tienen el defecto de ser difíciles de llevar a la práctica debido a la naturaleza psicológica humana. Greenblatt decía que lo más difícil de la Fórmula Mágica era aplicarla cuando había fuertes correcciones. Es en esos momentos donde la gente se pregunta: ¿Habrá dejado de funcionar?
La unión hace la fuerza:
Es aquí cuando nos damos cuenta de que la unión de la máquina y el humano (análisis cuantitativo + discrecional) es más fuerte que el humano o la máquina por separado. Esto ya lo comentaba Michael Maboussin en uno de sus famosos papers, "Lesson from Freestyle Chess: Merging Fundamental and Quantitative Analysis" (mi paper favorito junto con "Measuring the Moat"). Básicamente, en el paper Maboussin comenta la similitud que existe entre la inversión y el ajedrez respecto al papel del hombre y la máquina.
La ventaja de usar máquinas para el análisis es que estas pueden seleccionar entre miles de empresas filtrando por centenares de ratios comparando millones de datos. Esto era impensable en la época de Benjamin Graham y es una ventaja que el inversor del siglo XXI debe aprovechar. Sin embargo, las máquinas no son infalibles: dependen de la calidad de los datos suministrados y no son capaces de llevar a cabo un análisis cualitativo. Aquí es dónde el factor humano puede mejorar a la máquina.
La importancia del backtest:
Cuando usamos esta estrategia (combinar análisis cuantitativo y discrecional) debemos ser muy cuidadosos con los datos que manejamos. Es importante hacer backtest de la parte cuantitativa para ver si ha funcionado en el pasado. Rentabilidades pasadas no garantizan rentabilidades futuras, pero sirven de guía para comprender el comportamiento de la estrategia en los distintos escenarios del mercado.
Es muy recomendable usar más de una plataforma para hacer el backtest y asegurarse de que los resultados concuerdan. A continuación muestro un ejemplo:
n 
En la primera imagen, podemos ver el backtest de una estrategia cuantitativa en Zonavalue. Concretamente, se trata de una estrategia que ordena las acciones de Alemania, España, Italia, Francia y Portugal según su EV/EBITDA (más bajo mejor) y filtra aquellas que tienen Margen Operativo positivo, ROIC > 40% y su capitalización es menor a 10.000M$. Podemos ver que el backtest de esta estrategia desde 2004 hasta 2018 da como resultado un 19,76% CAGR con una volatilidad del 29,71%.
Por otro lado, en la segunda imagen tenemos un backtest de esta misma estrategia en UncleStock para el periodo 2008-2018 en USA, Canadá y toda Europa (Euro y no-Euro). El resultado es un 21% CAGR y por lo tanto, podemos decir que los resultados concuerdan bastante.
Cabe destacar que la rentabilidad del mercado en el periodo 2004-2018 fue del ~8% con una volatilidad del ~25%, así que los resultados de ambos backtests son bastante satisfactorios.
Mejorando el proceso:
Usando la estrategia anterior como ejemplo podríamos pensar, "¿De qué forma puede la intervención humana mejorarla?". La clave está en usar el análisis cualitativo para eliminar las empresas menos atractivas (menor moat, falta de alineamiento de intereses, mala asignación de capital, disrupción tecnológica, regulación...). No se trata de elegir las ganadoras, sino de eliminar las posibles perdedoras y sentirnos cómodos con las empresas que acaben siendo seleccionadas para la cartera.
Aplicando este método, seguimos un proceso semi-sistemático en el que, pese a que existe cierta toma de decisiones, el factor psicológico humano toma menor relevancia.
Además, una ventaja de este método es que permite adaptarse a los distintos estilos de inversión. Si nos sentimos más cómodos invirtiendo en empresas con altos retornos y ventajas competitivas (Inversión en calidad) daremos más peso a ciertas métricas cuantitativas que reflejen esto mismo (alto ROIC o ROCE por ejemplo); si tenemos un estilo de inversión en dividendos crecientes usaremos el Payout, la Rentabilidad por dividendo o el numero de años consecutivos incrementando dividendo; si preferimos un estilo más deep value o net-net, usaremos métricas como el NCAV o el P/Book y así con todos los estilos de inversión que se nos ocurran.
Espero que os haya gustado el artículo y por supuesto, no dudéis en comentar.
