Teoría del paseo aleatorio vs. teoría del paseo no aleatorio en los mercados financieros

¿Pueden los gestores de portafolios superar los promedios principales? Hace más de cuatro décadas, el economista de Princeton Burton Malkiel escribió su libro clásico “A Random Walk Down Wall Street”, en el que argumentaba que los rendimientos son aleatorios y que los inversionistas no pueden obtener rendimientos superiores a los de los promedios principales.

El libro ha sido revisado muchas veces, con una edición tan reciente como en 2007. La teoría del paseo aleatorio de Malkiel se basa en la noción de que los rendimientos generados por las acciones son impredecibles y aleatorios, y, por lo tanto, un gestor de portafolios no puede generar rendimientos consistentes que superen al mercado en general. Según el libro, usar diferentes tipos de análisis solo llevará a un desempeño inferior, ya que no hay forma de predecir los precios a largo plazo.

La conclusión de Malkiel, basada en su modelo de paseo aleatorio, es que un inversionista está mejor comprando un fondo indexado que replique los rendimientos del mercado en general y utilizando una estrategia de comprar y mantener (buy and hold). Esta es la esencia de la hipótesis del paseo aleatorio de Malkiel.

La teoría del paseo aleatorio sostiene que los rendimientos de los precios de las acciones son eficientes porque toda la información disponible actualmente está reflejada en el precio presente de un valor, y los movimientos se basan puramente en el sentimiento de los traders, el cual no puede medirse de manera consistente.

Cuando se dispone de nueva información, el precio de un valor se ajustará rápidamente y reflejará inmediatamente esa nueva información. Dado que la nueva información es aleatoria e impredecible, hay aleatoriedad en el mercado, y, por lo tanto, los rendimientos asociados con los precios son impredecibles, creando un mercado aleatorio.

Hipótesis de mercado eficiente

La teoría del paseo aleatorio se basa en la noción de que el mercado es eficiente y que, cuando nueva información está disponible para los traders, estos reaccionarán de manera que el precio refleje dicha información. Sin embargo, esta teoría enfrenta ciertos problemas, ya que no todos los participantes del mercado tienen las mismas motivaciones.

Por ejemplo, un tesorero corporativo y un gestor de fondos de cobertura tendrán diferentes razones para decidir cuándo realizar transacciones. Mientras que un gestor de fondos de cobertura podría evitar operar durante un período en el que el precio de un valor está cayendo, un tesorero corporativo podría aprovechar una caída significativa para iniciar un programa de recompra de acciones.

Además, un tesorero corporativo puede usar valores derivados de maneras diferentes. Por ejemplo, si el precio de una acción está cayendo rápidamente y la compañía tiene un programa de recompra, el tesorero corporativo podría emplear una técnica en la que vende opciones put por debajo del mercado para mejorar el programa mediante la obtención de una prima.

En esta situación, si un tesorero vende opciones put por debajo del mercado, puede recibir la prima independientemente de si el precio de ejercicio de la opción se alcanza o no. Este tipo de motivación altera la forma en que opera la teoría de mercado eficiente, ya que el tesorero corporativo ve el mercado de manera distinta a un trader o gestor de portafolios.

Adicionalmente, el horizonte temporal utilizado por los traders puede modificar la eficiencia de un mercado. Los inversores que buscan mantener acciones a largo plazo se comportan de manera diferente a aquellos que intentan operar intradía con un valor. Por ejemplo, si estás aplicando una estrategia de promedio de costos (dollar cost averaging), en la que compras una acción a medida que su precio baja, tu objetivo será diferente al de un trader que busca capturar pequeños movimientos tanto en posiciones largas como cortas.

Los algoritmos mejoran la teoría del mercado eficiente

Los mercados han cambiado considerablemente desde que se publicó la última versión de A Random Walk Down Wall Street en 2007. Hoy en día, los algoritmos desempeñan un papel fundamental en los movimientos a corto plazo de casi todos los mercados de capitales. Un algoritmo es un programa informático que analiza cambios en la información y reacciona inmediatamente comprando y vendiendo valores. Estos valores pueden ser acciones, pares de divisas, bonos o incluso materias primas.

Las estrategias de trading algorítmico de alta frecuencia utilizan algoritmos que operan miles de veces al día, intentando influir en el mercado y capturar ineficiencias. Los traders de alta frecuencia incursionaron por primera vez en los mercados de valores gracias a nuevas regulaciones que permitieron que las bolsas electrónicas compitieran entre sí, abriendo la puerta para que estos traders buscaran discrepancias en los precios.

Actualmente, los algoritmos emplean datos recopilados de múltiples fuentes. Escanean sitios web y plataformas como Twitter en busca de palabras clave para determinar cómo deben operar. Términos simples como “Aumento de la Tasa de la Reserva Federal” pueden desencadenar una cascada de transacciones, lo que puede resultar en movimientos volátiles en el mercado. Muchos de los recientes flash crashes (caídas repentinas del mercado) han sido provocados por algoritmos que compran y venden valores rápidamente, generando un efecto bola de nieve cuando se dispone de nueva información del mercado.

Los algoritmos también alteran la distribución de los rendimientos de las acciones. En general, los rendimientos reflejados en los mercados de capitales no se distribuyen de manera normal. ¿Qué significa esto? Por ejemplo, si midieras el peso de 100 niños de escuela y graficaras la distribución, probablemente obtendrías una curva clásica en forma de campana. El peso más frecuente sería el central, y los pesos restantes se distribuirían a ambos lados. Aproximadamente el 68 % estaría dentro de una desviación estándar del centro y el 95 % dentro de dos desviaciones estándar.

Sin embargo, numerosos estudios han demostrado que los rendimientos de los valores no se distribuyen de forma normal, y que estas distribuciones tienen colas gruesas. Esto significa que habrá un alto número de rendimientos que se encuentran fuera de la distribución normal. Algunos podrían ser más bajos y muchos otros significativamente más altos.

Dado que los algoritmos están diseñados para aprovechar la nueva información, su rápida reacción a esta genera rendimientos que no se distribuyen de manera normal. Están programados para no actuar cuando no hay nueva información, lo que ofrece poca liquidez, pero reaccionan de forma explosiva cuando aparece nueva información, generando condiciones de mercado volátiles.

Un artículo interesante relacionado con este tema es el siguiente: La eficiencia en el mercado

Teoría del Paseo No Aleatorio

Aunque la teoría que Malkiel plantea tiene mérito en el sentido de que puede argumentar que los precios son aleatorios, ha habido muchos gestores de portafolios que han superado los rendimientos de los mercados generales. Esto significa que una metodología de comprar y mantener no es necesariamente la mejor manera de lograr rendimientos ajustados al riesgo.

Por ejemplo, en los últimos 20 años, Berkshire Hathaway ha logrado un retorno sobre el capital del 613 % en comparación con el índice S&P 500 (excluyendo dividendos), que presenta un rendimiento del 190%.

También se han escrito varios artículos y documentos que refutan los argumentos de Burton Malkiel, afirmando que el mercado no es aleatorio. Existe una colección de artículos titulada “A Non-Random Walk Down Wall Street” que presenta evidencia de que el precio de una acción proporciona información valiosa.

Los datos empíricos utilizados consistieron en una serie de modelos econométricos que probaron la aleatoriedad de los precios. A Non-Random Walk fue compuesto por Andrew Lo, un defensor del mercado no aleatorio, quien concluyó que existen muchas técnicas que pueden utilizarse para superar los índices principales, aunque la pregunta sigue siendo: ¿por cuánto tiempo pueden estas metodologías ser exitosas?

Lo afirmó: “Cuanta más creatividad aportes al proceso de inversión, más gratificante será. Sin embargo, la única manera de mantener el éxito continuo es innovar constantemente.” Su razonamiento sobre cómo superar los mercados a largo plazo era cambiar constantemente la metodología para ajustarse a las condiciones del mercado.

Prueba de Aleatoriedad del Mercado

Existen varias pruebas que pueden realizarse para determinar si una serie de datos es aleatoria. Por ejemplo, una RUNS test (prueba de secuencias), nombrada en honor a Abraham Wald y Jacob Wolfowitz, es una metodología estadística que evalúa la aleatoriedad de una serie temporal de dos o más elementos.

La prueba de secuencias puede determinar si existen tendencias en un mercado y con qué frecuencia ocurren. Se asume la hipótesis nula, lo que significa que no hay dependencia ni tendencia, y que las poblaciones son idénticas por naturaleza. La prueba de secuencias clasifica los valores y, en función de los resultados, confirma la hipótesis nula o sugiere la existencia de una tendencia.

Análisis de Regresión

Otra forma de determinar si una variable depende de otra es realizar un análisis de regresión. Una fórmula de regresión designa una variable independiente y una variable dependiente, así como un valor de R-cuadrado, que describe el grado de dependencia de una variable con respecto a la otra.

El análisis de regresión más simple utiliza una variable predictora y una variable de respuesta. Los puntos de datos se representan utilizando el método de mínimos cuadrados. Si hay valores atípicos en la serie de datos que son sospechosos, se pueden utilizar métodos resistentes para ajustar el modelo. Un R-cuadrado de 1 indica que la variable dependiente se mueve en perfecta sincronía con la variable independiente.

Análisis de Correlación

Otra técnica utilizada para determinar la naturaleza no aleatoria de los valores es el análisis de correlación. La correlación es similar a la regresión en el sentido de que se utilizan múltiples series temporales para determinar si los rendimientos se mueven al unísono.

El análisis evalúa los rendimientos de una serie temporal en relación con otra y proporciona un coeficiente de correlación que varía entre 1 y -1. Un coeficiente de correlación de 1 significa que los rendimientos de las dos series temporales se mueven en perfecta sincronización. Un coeficiente de correlación de -1 indica que los rendimientos de las dos series se mueven en direcciones opuestas. Al evaluar la relación, es importante analizar los rendimientos en lugar de los precios.

Aunque la correlación no implica que el movimiento de un valor dependa de otro, sí muestra que los movimientos de ambos valores están relacionados entre sí.

Cuanto mayor sea el coeficiente de correlación, más estrechamente se relaciona el rendimiento de los dos activos. Coeficientes de correlación de 70 o -70 indican una correlación significativa o una correlación negativa significativa entre los activos.

Un ejemplo de cómo usar la correlación es identificar un activo que pueda influir en otro. Por ejemplo, un país como Canadá cuenta con un número significativo de empresas petroleras que emplean a millones de personas. La economía canadiense depende en gran medida de estas empresas, y estas empresas dependen considerablemente del precio del petróleo para garantizar su rentabilidad. Cuando el precio del petróleo cae drásticamente, como ocurrió durante la primera mitad de 2015, las economías de países como Canadá enfrentan obstáculos importantes.

Se puede realizar un análisis de correlación en diferentes períodos. Es posible efectuarlo durante un período prolongado, como un año, o en períodos móviles. El número obtenido en un período de un año incorporará la correlación agregada, pero no mostrará los matices de cómo varía la correlación en horizontes temporales específicos. Por ejemplo, el par USD/CAD podría tener un coeficiente de correlación de -0.80 durante un año, pero este coeficiente podría variar entre -1 y -0.20 en distintos períodos de 20 días a lo largo del año.

Análisis Técnico: Un Caso para los Mercados No Aleatorios

El análisis técnico se utiliza ampliamente para determinar la dirección futura de un valor. Se ha realizado algún trabajo empírico que sugiere que el análisis técnico puede utilizarse para superar al mercado en general.

Muchos técnicos creen que pueden predecir los futuros movimientos de precios utilizando puntos de datos históricos. Por ejemplo, los analistas técnicos creen que toda la información disponible está actualmente reflejada en el precio de un valor.

Con esto como contexto, solo se puede determinar el precio futuro utilizando estudios o patrones, ya que la acción pasada del precio pronostica los movimientos futuros del precio. Al menos, el análisis técnico puede utilizarse como una profecía autocumplida.

Si muchas personas utilizan el análisis técnico para determinar los futuros movimientos de precios, es importante que comprendas el análisis técnico para saber lo que los demás podrían estar pensando. En la siguiente sección, discutiremos algunos tipos básicos de herramientas técnicas que los traders utilizan para predecir el movimiento futuro.

Niveles de Demanda y Soporte

El valor de un valor está basado en cambios en la oferta y la demanda de ese valor. Cuando un inversor cree que el precio de un valor es barato en relación con las expectativas del mercado, comprará el valor con la esperanza de que suba de valor. A medida que aumenta la demanda de la acción, el precio encontrará un punto de pivote donde las caídas adicionales serán inalcanzables. Esto se considera soporte.

Existen muchas formas de utilizar el análisis técnico para determinar el soporte. Muchos traders utilizan líneas de tendencia que conectan los mínimos oscilantes para determinar el soporte de la tendencia. Las líneas de tendencia ascendente que conectan mínimos más altos son una forma muy popular de encontrar niveles de soporte en un mercado alcista.

Niveles de Oferta y Resistencia

La resistencia es lo opuesto al soporte. Es un área de oferta que refleja la acción del precio del mercado donde los precios tienen dificultades para moverse al alza. La oferta acumulada se construye en la resistencia. Al igual que con el soporte, hay varias formas de determinar los niveles de resistencia utilizando el análisis técnico. Puedes usar líneas de tendencia que conectan los máximos oscilantes, o puedes usar una línea de tendencia horizontal que también conecta los máximos pivote.

Promedios Móviles

Otra metodología técnica que se utiliza con frecuencia para determinar la dirección futura de un valor es el uso de promedios móviles para suavizar la acción del precio y ayudar a describir una trayectoria. Un promedio móvil es un promedio de un número específico de días. Cuando se registra el siguiente precio, se elimina el primer precio del cálculo.

Por ejemplo, si estás calculando el promedio móvil de 10 días de un valor, promediarías los primeros 10 días. En el día 11, eliminarías el primer día, lo que generaría un nuevo punto de datos.

Cruce de Promedios Móviles

Los promedios móviles pueden ayudarte a determinar la dirección futura utilizando la metodología popular del cruce. El cruce de promedios móviles te ayuda a determinar si hay una nueva tendencia emergente en el valor que estás negociando. Si buscas un cambio en un plazo corto, lo mejor es utilizar promedios móviles a corto plazo.

Uno de los ajustes más populares es el cruce del promedio móvil de 5 días por encima o por debajo del promedio móvil de 20 días. Esto abarca un período de 1 semana y 1 mes y es muy útil para captar tendencias a corto plazo. Si buscas un período más largo, podrías considerar los promedios móviles de 20 y 50 días.

Un cruce de promedios móviles a largo plazo, como el promedio móvil de 50 días y el de 200 días, es muy popular y se conoce como “cruce dorado” cuando el cruce es hacia arriba, y “cruce de la muerte” cuando el cruce es hacia abajo. El cruce de promedios móviles es una forma robusta de definir una tendencia.

Conclusión

Como analista técnico, no creo que los mercados sean aleatorios, y es bastante evidente que hay individuos que tienen historiales de rendimiento superiores al de los mercados más amplios a largo plazo. El rendimiento de Warren Buffet ha superado fácilmente al índice S&P 500 por un 423% en los últimos 20 años. Si bien Buffet utiliza un enfoque fundamental para seleccionar empresas, existen numerosos ejemplos de traders exitosos que utilizan modelos estadísticos, así como análisis técnico, para generar rendimientos robustos y consistentes.

También existen varias herramientas estadísticas como la prueba de rachas, la regresión y la correlación, que muestran que existe dependencia y correlación entre activos. La premisa de que toda la información disponible ya está reflejada en el precio de un valor tiene mérito, y también es claro que existe un nuevo paradigma, en el que los algoritmos operan con información ubicua, incluida la información disponible en redes sociales como Facebook y Twitter.

Al final del día, aunque los defensores del modelo aleatorio vs no aleatorio continúen su debate, espero que el analista técnico informado que tenga una estrategia de expectativa positiva siga superando al mercado.