¿Cómo puede un coche situado en un aparcamiento de un Walmart cualquiera de EE.UU suponer un hito para la gestión de activos? Goldman Sachs AM ha dedicado innumerables recursos de análisis en los últimos años para desarrollar un potente modelo de procesamiento de grandes cantidades de datos – técnica conocida como big data- para encontrar información que suponga una ventaja competitiva en el análisis de compañías. En este caso concreto, se cruzaron datos sobre volumen de coches aparcados en los Walmart de todo el país obtenidos a través de imágenes por satélite con datos sobre el tráfico de la web de Amazon, para determinar cuál de las dos compañías podría representar una oportunidad de inversión más interesante en el segmento de ventas minoristas.
El equipo está constantemente perfeccionando su modelo – lo actualizan entre dos y cuatro veces al año-, que aplica a la gestión de su gama CORE Equity. Uno de estos productos, el GS Global Core Equity Portfolio, ha sido distinguido con el premio Morningstar a Mejor Fondo de Renta Variable Global. Se trata de un fondo cuantitativo de renta variable global de todas las capitalizaciones que ha batido a sus competidores en la categoría de renta variable global durante los últimos cinco años naturales; así, también cuenta con la calificación Consistentes Funds People.
El fondo cuenta con una cartera ampliamente diversificada, compuesta por alrededor de 300 valores que deben reunir una serie de características: un modelo de negocio sólido, sostenible y de alta calidad, valoraciones atractivas, sentimiento positivo en torno a la compañía y exposición a temas de inversión que sean tendencia en los mercados. “Pretendemos crear carteras con características de estilo, riesgo y capitalización similares a las del índice, pero posicionadas para generar potencialmente un rendimiento superior a través de una selección de valores bottom up y una selección de países top down”, resume Osman Ali, responsable del equipo de Estrategias Cuantitativas de GSAM y gestor de la gama CORE Equity.
Profundizando en el método cuantitativo de Goldman Sachs AM
El experto comenta que el equipo ha mantenido sin cambios su filosofía de inversión desde el lanzamiento del producto pero ha sido capaz de ir ampliando las fuentes de datos que utiliza para su análisis, de manera que ahora son capaces de procesar grandes masas de datos desorganizados y que no son fáciles de cuantificar, procedentes de un amplio número de fuentes, incluyendo el lenguaje, imágenes y, por primera vez, discursos. Estos datos suelen ser de acceso público, como por ejemplo los resultados trimestrales publicados por las empresas cotizadas o datos presentes en el mercado, como cotizaciones, retornos o volúmenes.
“Con el crecimiento y disponibilidad de fuentes de datos no tradicionales como el tráfico en internet, registro de patentes e imágenes por satélite, hemos estado usando más datos matizados y a veces poco convencionales para ayudarnos a ganar una ventaja informacional y tomar decisiones de inversión más informadas”, explica Osman.
El modelo se ha actualizado recientemente mediante la introducción de nuevas señales dentro de la temática Rentabilidad, para poder identificar a aquellas compañías mejor posicionadas para beneficiarse del incremento del consumo. La primera señal, aplicada en EE.UU., busca predecir la tendencia de crecimiento de las ventas no sólo para el próximo trimestre, sino para múltiples trimestres mediante el análisis de las tendencias subyacentes. La segunda señal, también aplicada en EE.UU., analiza la rentabilidad de los minoristas mediante la evaluación del tráfico en el local físico, ese famoso coche aparcado en frente del supermercado. Finalmente, la tercera señal busca predecir la rentabilidad de las empresas de mercados desarrollados fuera de EE.UU. mediante un mapeo de datos sobre gasto del consumidor estadounidense en varios segmentos de compañías no estadounidenses expuestas a esos segmentos de negocio, ya que uno de los hallazgos del equipo es que el comportamiento del consumidor tiende a estar correlacionado en los países desarrollados.
Como resultado de este proceso cuantitativo de selección, las mayores sobreponderaciones del fondo son actualmente en los sectores de real estate, salud, energía y consumo discrecional, mientras que las mayores infraponderaciones se localizan en finanzas, consumo básico, telecomunicaciones y consumo básico (datos a 28 de febrero). Por países, las mayores apuestas se encuentran en EE.UU. y, de manera más moderada, en Japón, España y Suecia, mientras que las infraponderaciones más acentuadas son Francia, Suiza, Reino Unido y Alemania.
El active share del fondo se ha situado en torno al 75% en los últimos años, mientras que el tracking error bruto ha sido del 2,18% en los últimos tres años y del 2,59% desde el lanzamiento. El experto aclara que el active share suele ser menor para los fondos cuantitativos que para los fundamentales, porque los primeros tienden a tomar un gran número de apuestas pequeñas y los segundos, un número pequeño de grandes apuestas. “Creemos que la combinación de active share con la rotación de la cartera permite una comprensión más apropiada del riesgo activo asumido por el gestor”, indica el experto. En los últimos tres años la rotación de los activos en cartera ha sido del 145%, con una duración media de valores en cartera de entre seis y doce meses.
Caso práctico
El desplome de los mercados en febrero supuso un buen momento para testar el modelo cuantitativo del equipo gestor, al producirse una virulenta escalada de la volatilidad. Ali indica que, durante los días que duró la corrección, “prestamos mucha atención a nuestras señales de sentimiento y momento, en un esfuerzo por determinar si el incremento de la volatilidad estaba motivado por un cambio en el posicionamiento inversor o por una corrección técnica”. La conclusión a la que llegaron es que se trataba del segundo caso, más que por un cambio en la visión sobre los fundamentales.
Durante esta fase de corrección, el experto afirma que el fondo se portó de una forma aceptable en términos de riesgo y retorno: “No esperamos que nuestras estrategias se comporten de forma diferente en periodos de alta volatilidad frente a periodos de baja volatilidad. Creemos que, para añadir alfa con éxito – y para gestionar efectivamente el riesgo en cartera- el optimizador debería reconocer los riesgos asociados a cualquier posición sobreponderada o infraponderada y ser capaz de responder rápidamente a las condiciones cambiantes del mercado”.
El equipo gestor de la gama CORE Equity ha desarrollado un modelo propietario de gestión del riesgo que actualizan con datos a diario, asignando más importancia a la información más reciente. “Confiamos en nuestro proceso de selección de valores, puesto a prueba a lo largo del tiempo, para guiarnos a través de diferentes condiciones del mercado, como nos ha guiado en el pasado”, sentencia Osman Ali.
