Ganar exposición al mercado de renta variable americano pero con un enfoque de retorno absoluto. Esa es la estrategia que sigue el BSF Americas Diversified Equity Absolute Return Fund (ADEAR), una de las grandes apuestas de BlackRock en gestión alternativa. Se trata de un fondo con Sello FundsPeople 2020, con la calificación Blockbuster, que se basa en la combinación del análisis fundamental y la gestión cuantitativa, los dos grandes pilares que definen la filosofía del producto. O, dicho de otro modo, la fusión entre la inteligencia humana y la artificial porque este producto, a diferencia de otros muchos englobados dentro de su categoría, se apoya en el big data para generar señales de inversión que permitan crear valor.
En primer lugar, es importante resaltar que (tal y como explica David Wright, uno de los gestores a los mandos del producto) el ADEAR es una estrategia market neutral panamericana. “Queremos ofrecer rentabilidades positivas independientemente de la dirección del mercado. Y lo queremos hacer a través de la selección de valores, no solo en Estados Unidos, sino también en Canadá y Latinoamérica. El fondo está basado en una diversificación que afecta al ámbito geográfico, pero también a otros factores clave para que esa diversificación sea efectiva, como el tamaño de las compañías o el horizonte temporal de las inversiones”, revela.
La cartera se divide en cinco subcarteras. Cuatro de ellas siguen una aproximación multimensual, lo que significa que revisan todo el universo de renta variable estadounidense de gran capitalización, small caps americanas, compañías canadienses y latinoamericanas cada cuatro semanas. La quinta subcartera sigue una estrategia multidiaria, centrándose en invertir en las empresas estadounidenses más líquidas. “Todo lo que hacemos viene conducido por los datos. Creemos que los mercados no son eficientes. Existen ineficiencias que hacen que, en muchas ocasiones, los valores no estén en precio, algo que podemos aprovechar con sistemas de inteligencia artificial y big data”, manifiesta.
A lo que concretamente se refiere Wright es a la capacidad de BlackRock para obtener información a partir del Scientific Active Equity, un equipo formado por más de 90 profesionales que se reparten entre San Francisco y Londres dedicado a la generación de ideas a partir de un proceso cuantitativo, cuyo objetivo es pronosticar y obtener rentabilidad tanto a largo como a corto plazo, y en el que los datos están en el epicentro de todo.
“Este equipo se pasa la mayor parte del tiempo buscando e identificando nuevas ideas, factores o señales cuantitativas. Estas pueden dividirse en muchas categorías: algunas pueden darnos información sobre los fundamentales de una compañía; otras sobre su vinculación con el entorno macroeconómico… En los más de 30 años de historia que tiene el Scientific Active Equity hemos generado cientos de miles de señales cuantitativas de este tipo, todas ellas basadas en muchas fuentes de datos. En crear esa librería de ideas y aplicarlas en las distintas subcarteras es la manera en la que trabajamos”, señala.
Según Wright, algunas de las ideas identificadas funcionan mejor en las compañías estadounidenses de gran capitalización que en las small caps; otras pueden servir en el universo de US Large Caps y no en el mercado latinoamericano… “Los datos no son los mismos en todas las regiones. Si buscas datos sobre las transacciones comerciales, estos podrían estar disponibles en Estados Unidos pero no en Latinoamérica”, indica. Por ese motivo, los datos deben estar adaptados a las peculiaridades de cada mercado, cada sector e, incluso, cada compañía.
Evolución del modelo
Las fuentes de las que se nutren son distintas. Pueden escrutar internet para saber en tiempo real qué tipo de productos están demandando los consumidores. O utilizar herramientas automatizadas de procesamiento de lenguaje para leer artículos que aporten información sobre el sentimiento que existe en torno a una compañía… Todo con el objetivo de obtener datos que posteriormente puedan cruzar para extraer conclusiones.
“El modelo ha evolucionado hacia un sistema que hemos probado a través de un back testing de combinación de señales que varían en función de las compañías de las que hablemos. Para cada valor tenemos incluso una expectativa de rentabilidad esperada”.
Las herramientas en las que se apoyan están en permanente evolución. Las últimas mejoras introducidas giran en torno a cómo las compañías están interrelacionadas. “El ecosistema de Google te ofrece mucha información sobre los vínculos que existen entre ellas. Si buscas en el navegador a Cristiano Ronaldo, te aparece la Juventus de Turín, Nike, Georgina Rodríguez… En el mundo de las inversiones esto significa que, si conoces estas conexiones, puedes construir un mapa sobre cómo interactúan entre sí, lo que te permitirá disponer de mucha más información sobre cómo una cosa puede afectar a otra”. El modelo es simétrico.
“Todo lo que es válido para la pata larga, también lo es para la corta. La única diferencia es el coste. En la corta necesitas tener una convicción más fuerte a la hora de construir las posiciones. Podemos estar cortos en un valor y, para compensar esa posición, estar largos en una cesta de compañías tecnológicas. Es más eficiente hacerlo así que utilizando un índice, dado que este se basa en una mera cuestión de capitalización de mercado”, asevera.
En cuanto al periodo medio de tenencia en cartera, para las compañías estadounidenses de gran capitalización la media está entre los tres y los seis meses; en Latinoamérica se mueve en la horquilla de los 6-12 meses. “Eso no significa que el peso de la compañía vaya a seguir siendo el mismo durante este tiempo. Si el modelo se vuelve más positivo en torno a un valor, aumentamos la posición y, si es negativo, se va reduciendo. Eso sí: el peso máximo en cartera nunca puede superar el 3% del valor liquidativo, tanto si se trata de una posición larga o corta”.
Uno de los aspectos que más parametrizan es el hecho de ser neutrales al mercado. “El fondo presenta una correlación cero con la renta fi ja y también con las materias primas. En renta variable, también muestra una baja correlación con factores tradicionales como momentum, value, size o mínima volatilidad. Esta baja correlación es para nosotros muy importante, ya que nos permite proporcionar rentabilidades diferentes a las del mercado. Nuestro alfa es diferente”, concluye.
