Estrategia de trading: sesgo de múltiples activos por Quantpedia en Hispatrading Magazine

 

Hace algún tiempo, presentamos una estrategia (estrategia # 281) basada en un trabajo de investigación de Fernandez-Perez: The Skewness of Commodity Futures Returns (2015). El equipo de Fernández-Pérez examinó el sesgo en la distribución de los retornos para un grupo de 27 contratos de futuros de materias primas. Tomando como base los resultados obtenidos, los investigadores propusieron una estrategia de trading abriendo posiciones largas en los futuros de materias primas con menor sesgo en los retornos y abriendo posiciones cortas en los futuros de materias primas con mayor sesgo en los retornos.

 

 

El valor de la asimetría representa la medida en que la curva de distribución está distorsionada. Si un conjunto de datos se distribuye simétricamente, el valor de la asimetría es 0. En el caso en que la mayoría de los valores del conjunto de datos se concentra en el lado izquierdo, hablamos de asimetría positiva. El valor medio del conjunto de datos es menor que el valor medio. Por otro lado, cuando la mayoría de los valores del conjunto de datos se concentra en el lado derecho, hablamos de sesgo negativo. Ahora, el valor promedio del conjunto de datos es mayor que el valor medio.

 

Figura 1. Fuente: Wikipedia.

 

 

Hay dos antecedentes teóricos que dan una posible explicación. En primer lugar, y lo más importante, la literatura sobre preferencias por sesgo sostiene que las preferencias de los inversores afectan a la demanda de activos con características de distribución particulares (sesgo). Según la teoría, un tipo específico de inversores tiene una preferencia intrínseca por los activos con sesgo positivo. Este tipo de inversores busca acciones “estilo lotería” que podrían hacerles ganar una fortuna, pero con una probabilidad muy baja. La demanda de este tipo de acciones conduce a su sobrevaloración y a obtener rendimientos más bajos que los activos sesgados negativamente. Incluso si existe la posibilidad de vender en corto, este sobreprecio no se elimina por completo. En el caso de un activo con sesgo positivo, los inversores no están dispuestos a abrir posiciones cortas, a medida que se exponen a la posibilidad de una pérdida significativa. El segundo marco de las teorías de preferencia por sesgo agrega que los inversores sobreponderan la probabilidad de que ocurran los eventos extremos mientras que infraponderan la posibilidad de que ocurran los eventos que tienen más probabilidades de ocurrir.

 

La cobertura selectiva representa el segundo mecanismo, a través del cual la asimetría podría afectar los precios de los activos. Es una técnica en la que la relación de cobertura óptima de los traders se ve influida por sus expectativas de futuros movimientos de precios. Por tanto, sus posiciones de cobertura se convierten más bien en movimientos especulativos. Si este tipo de coberturistas tienen sus preferencias descritas por la teoría de prospectos acumulativos o influenciadas por el sesgo, su objetivo no sería solo minimizar el riesgo, sino también maximizar el sesgo.

 

 

Basándonos en la idea de Skewness in Commodities, hemos decidido seguir los pasos de un documento adicional escrito por Nick Baltas y Gabriel Salinas: Cross-Asset Skew y probar si el efecto Skewness se puede utilizar para beneficiarse también en otras clases de activos y cómo se podría mejorar aún más la estrategia presentada. Entonces, verifiquemos si una estrategia similar también podría aplicarse a las divisas, acciones y bonos.

 

 

Nuestro universo de inversión para probar el efecto de asimetría en monedas consiste en 8 contratos de futuros CME en las siguientes monedas: AUD, GBP, CAD, EUR, JPY, MXN, NZD y CHF. Nuestro conjunto de datos comenzó en diciembre de 2006 y hemos decidido seguir exactamente la misma estrategia, como se propone en el artículo mencionado en primer lugar ( Fernandez-Perez).

 

En primer lugar, la asimetría de los rendimientos debe calcularse para cada día de negociación. En nuestra prueba, hemos calculado la asimetría para el día t en función del rendimiento diario del día t y los rendimientos diarios de los 259 días de negociación anteriores, lo que nos da aproximadamente un período retroactivo anual. Luego, evaluamos los datos de asimetría del último día de negociación en un mes t-1, para crear una cartera en el mes t. Con base en la evaluación, abrimos una posición corta en dos futuros de divisas con la mayor asimetría y una posición larga en dos futuros de divisas con la menor asimetría en el primer día de negociación del mes t. La cartera se pondera por igual y se mantiene hasta el primer día de negociación del mes t + 1 cuando se reequilibra de acuerdo con los nuevos datos de asimetría. Como los primeros datos de asimetría están disponibles al 31/12/2007, nuestra muestra de operaciones comienza en enero de 2008 y finaliza en mayo de 2020.

 

Figura 2.

 

 

Para la renta variable, hemos decidido probar este efecto con el mismo enfoque que para las divisas. Nuestro universo de inversión en acciones está representado por contratos de futuros sobre ocho índices bursátiles diferentes: NASDAQ, DAX, S&P 500, SMI, EURO STOXX 50, CAC 40, FTSE 100 y Nikkei 225. Nuestra muestra de datos comienza en junio de 1999, con el primer sesgo de datos disponibles el 30/06/2000. Por lo tanto, nuestra muestra de operaciones comienza en julio de 2000 y dura hasta mayo de 2020. 

 

Utilizando exactamente la misma estrategia con una posición larga en dos instrumentos con la menor asimetría y corta en dos instrumentos con la mayor asimetría, el inversor lograría un rendimiento anual de 0, 96% con cartera igualmente ponderada. La volatilidad anual alcanzó el 11,34%.

 

Figura 3.

 

 

Finalmente, hemos decidido probar la misma estrategia también para los activos de renta fija. En nuestra prueba, los activos de renta fija están representados por siete futuros de bonos a 10 años diferentes. Nuestra muestra de datos comienza en septiembre de 2009, lo que significa que los primeros datos de asimetría que se utilizarán están disponibles el 29/10/2010. Nuestra muestra comienza en noviembre de 2010 y termina en mayo de 2020. Dado que nuestro universo consta de solo 7 instrumentos diferentes, la división en cuartiles no se pudo seguir exactamente. Aún así, decidimos utilizar el mismo principio: abrir posiciones largas en los dos futuros de bonos con la menor asimetría en los rendimientos y abrir posiciones cortas en los dos futuros de bonos con la mayor asimetría. Esta vez, la estrategia nos daría una rentabilidad anual del 1,62% con una cartera igualmente ponderada. Con la volatilidad anual anual en 4,78%, la estrategia proporciona un ratio de Sharpe de 0,34.

 

Figura 4.

 

 

El efecto de sesgo en las otras tres clases de activos tiene resultados positivos (aunque el sesgo en la renta variable registró una molesta caída en los últimos 12 meses), pero los índices Sharpe individuales resultantes están lejos de ser satisfactorios. No obstante, miremos más a fondo, ¿cómo se correlacionan los rendimientos mensuales de las carteras de activos particulares basados en el efecto de sesgo entre las clases de activos?

 

Tabla 1.

 

La correlación promedio entre nuestras carteras de cuatro clases de activos fue solo de 0,03. Dado que casi no existe correlación entre los rendimientos mensuales de las carteras, es razonable combinar las cuatro clases de activos en una sola cartera. Por lo tanto, podemos intentar verificar una estrategia de activos múltiples basada en el efecto de sesgo, que contendría las cuatro clases de activos.

 

El conjunto de datos compilado que incluye datos de negociación para las cuatro clases de activos comienza en noviembre de 2010 y finaliza en mayo de 2020. Uno de los pasos más cruciales en nuestra prueba fue asignar las ponderaciones a las clases de activos particulares en nuestra cartera de activos múltiples. Dado que todos los activos mostraron diferentes volatilidades en diferentes momentos, hemos decidido seguir el principio de volatilidad inversa. Durante los primeros 12 meses de negociación, la cartera se pondera por igual en todas las clases de activos, ya que los datos de volatilidad no están disponibles. Luego, a cada cartera de clases de activos se le asigna una ponderación inversa a su volatilidad en los rendimientos mensuales de los últimos 12 meses. La estrategia con tal ponderación logró una relación de Sharpe de 0,49. Sin embargo, el rendimiento anual alcanzado fue de solo 1,99% con una volatilidad anual del 4,06%.

 

Figura 5.

 

Dado que utilizamos futuros como nuestros instrumentos de negociación, podemos establecer fácilmente un objetivo de volatilidad apalancando nuestras posiciones. En nuestra muestra, hemos fijado nuestro objetivo de volatilidad en 15%. Durante los primeros 12 meses de negociación, donde no hay datos de volatilidad disponibles, hemos aplicado un apalancamiento de 1: 4. Hemos utilizado este valor, ya que más tarde resultó ser aproximadamente un promedio de apalancamiento utilizado durante todo el período de la muestra. Después del primer año, apalancamos la posición cada mes en función de la volatilidad de los retornos (no apalancados) de los últimos 12 meses para alcanzar nuestro objetivo de volatilidad. Entonces, si la volatilidad de los últimos 12 meses de la estrategia sin apalancamiento en el mes  t-1 es del 5%, utilizamos un apalancamiento de 1: 3 en el mes t. La estrategia con el uso de dicho principio de apalancamiento obtendría un rendimiento anual del 7,67% desde noviembre de 2010 hasta mayo de 2020. Con una volatilidad anual del 15,57%, el índice de Sharpe ha sido de 0,49.

 

Figura 6.

 

 

Lo que mejor puede hacer todo investigador cuantitativo es intentar comprender fundamentalmente las anomalías y explorar su funcionamiento, además de analizar los trabajos de investigación académica. El objetivo de este artículo era buscar inspiración y explorar más a fondo el efecto de asimetría: la tendencia de los activos con asimetría más baja a superar a los activos con asimetría más alta. Parece que esta anomalía está presente no solo en las materias primas sino también en las divisas, la renta fija y la renta variable. La estrategia de trading que explota el efecto de la asimetría en el entorno de múltiples activos obtendría un rendimiento anual del 7,67%, cuando se apalancara, con una volatilidad del 15%.