FiduciaryVest utiliza @RISK para modelar la distribución de activos

Definición del desafío más importante de una inversión
Las personas responsables de tomar las decisiones de todas las inversiones a largo plazo se enfrentan un desafío fundamental, independientemente de su nivel de sofisticación: la distribución en múltiples años entre las diferentes categorías de activos disponibles para los inversores. Esta decisión es reconocida como el factor principal que determina los resultados de una cartera a largo plazo. Realmente, la administración adecuada de las inversiones dentro de cada clase diferente de activos es una cuestión secundaria. A pesar de todo, la cuestión inherente es: ¿Cómo se puede hacer una distribución de activos con fiabilidad en que los resultados serán apropiados para las necesidades económicas deseadas / esperadas de un cliente determinado? Aquí nos enfrentamos a dos desafíos: (a) A pesar de la simplicidad de esta afirmación de necesidad, la solución adecuada es compleja; sin embargo , (b) la solución debe comunicarse a las personas responsables de tomar las decisiones de una forma sencilla y que se pueda entender siempre.

El desafío se puede superar combinando los siguientes elementos:

1. Un gran volumen de datos históricos de mercado y económicos que esté bien catalogado y tenga suficiente detalle.
2. Conocimiento y experiencia significativa en inversiones.
3. Sofisticados programas de software especialmente diseñados para la identificación de patrones históricos y la previsión de resultados futuros, muestran un formato de probabilidad gráfico de fácil comunicación.

El método de FiduciaryVest

Gregg Buckalew, de FiduciaryVest, y Joe DiNunno, de Insightful Investing, comenzaron a crear modelos de distribución de activos que usaban la capacidad estocástica de @RISK en 1996. Estos socios normalmente creaban modelos para tres tipos de proyectos de inversión de los clientes: Planes de pensiones de beneficios definidos, hojas de balance de hospitales y Fundaciones / Donaciones.

Los modelos de distribución de activos de FiduciaryVest son específicos para cada cliente, y a pesar del alto nivel de sofisticación de estos modelos, sus clientes no necesitan tener o adquirir experiencia en modelación para usarlos. FiduciaryVest establece las preferencias de cada cliente examinando con ellos los siguientes puntos:

1. El límite de tiempo para alcanzar los objetivos de inversión definidos por el cliente.
2. Una serie de objetivos con prioridades de resultados de inversión dentro del límite de tiempo del cliente.
3. Un perfil de la tolerancia al riesgo del cliente, definida como la exposición a “resultados inaceptables” en el límite de tiempo especificado.

4. Para las situaciones que requieren un análisis de activos / deudas, los modelos financieros pueden incluir resultados de liquidez prevista como los siguientes: deudas de planes de pensión, gastos hospitalarios o distribuciones anuales de una fundación. Al añadir las deudas a la ecuación del modelo, los socios de una organización pueden determinar, por ejemplo, (a) la probabilidad de que una fundación pueda cumplir los requisitos de distribuciones, (b) la probabilidad de que un plan de beneficios definido pueda cumplir sus obligaciones de pensiones, o (c) si la combinación de la liquidez de un hospital con sus ingresos de cartera será suficiente para cumplir sus obligaciones financieras durante los próximos cinco años. (Esta análisis opcional puede incluir la colaboración con el actuario de seguros del cliente o un consultor de administración de un hospital).

Por qué acudieron a @RISK

El método tradicional para distribuir activos siempre ha sido el uso de modelos de frontera de eficacia diseñados para calcular una mezcla de cartera óptima que genere el menor nivel de riesgo posible (desviación estándar) para su nivel de resultados (media). Cuando se presupone que los resultados de todas las clases de activos siguen una distribución normal, un modelo de frontera de eficacia genera resultados de riesgo-resultado consistentes con nuestro modelo de simulación durante un periodo de un año. Aunque este método proporciona resultados útiles, todavía deja muchas preguntas sin responder. Es aquí donde intervienen programas como @RISK y la simulación Monte Carlo.

Para empezar, una función de @RISK que DiNunno encontró muy útil para crear modelos financieros es su capacidad para analizar datos históricos y determinar una distribución de probabilidad para cada clase de activo. Normalmente, la distribución normal se ha usado para modelar clases de activos. Usando la función de adaptación de distribuciones de @RISK, DiNunno averiguó, por ejemplo, que los ingresos y resultados totales de los bonos se representan mejor con una distribución lognormal que con una distribución normal.

Otra motivación importante para elegir la simulación Monte Carlo en lugar de las técnicas de optimización más simples de los modelos de frontera de eficacia, es que permite al usuario incorporar de forma realista el efecto de límites de tiempo mayores de un año. Esto es importante por lo siguiente: (1) Si se incluyen activos volátiles (por ejemplo, acciones de bolsa) en el modelo, entonces el resultado de la modelación de un año tiene pocas probabilidades de ser realista. (2) En consecuencia, los usuarios de resultados de modelación que incluyen acciones de bolsa y otros activos volátiles se ven obligados a considerar límites de tiempo de al menos 3-5 años. (3) El resultado de la modelación probabilística de @RISK demuestra a los clientes que los límites de tiempo de múltiples años aumentan los efectos beneficiosos de la diversificación cuando se añaden clases de activos a la mezcla de la cartera.

El método de los bloques de construcción

La utilidad de cualquier previsión (de cualquier cosa) depende en gran medida de la calidad de las presuposiciones utilizadas para producirla. A partir de 1996, Buckalew y DiNunno comenzaron a abandonar las presuposiciones basadas estrictamente en resultados históricos para averiguar el comportamiento futuro a largo plazo de las diferentes clases de activos, en favor del método de los “bloques de construcción”. La base de todos los bloques de construcción es la tasa de interés actual libre de riesgo determinada por el mercado para el periodo siguiente que el cliente identifique como su límite de tiempo de inversión. Comenzando con esa tasa libre de riesgo, se añaden capas sucesivas para reflejar los riesgos históricos conocidos de cada categoría de inversión (que se determinan con el rango y aleatoriedad de sus resultados) y los resultados atribuidos a dichos riesgos. Este método produce características de resultados esperados para cada clase de activo basadas en su patrón histórico de resultados y en la tasa libre de riesgo, lo cual hace que esta presuposición del modelo sea internamente consistente y lógica. Para las dos presuposiciones restantes necesarias para hacer una previsión (la variabilidad de los resultados esperados de cada categoría, es decir, su desviación estándar; y su correlación cruzada con los resultados de las otras dos categorías), Buckalew y DiNunno creen que hay evidencias claras que respaldan la presuposición de que el historial a largo plazo es el factor de predicción más fiable de esos dos factores.

Por lo tanto, las presuposiciones individuales de resultados de cada clase de activo se ven afectadas por la tasa actual libre de riesgo, como sucede también con la previsión de la tasa libre de riesgo del periodo de tiempo de la inversión. Por ejemplo, el “bloque base” del modelo más reciente para generar resultados esperados de todas las clases de activos, determinado en enero de 2009, era una tasa libre de riesgo de 1 a 2%. Por el contrario, la tasa libre de riesgo histórica a largo plazo ha sido de 5 a 6%. El factor riesgo generado para cada clase de activo se añade luego a la tasa libre de riesgo para crear los resultados esperados que se usan en los modelos.

Aunque los socios actualizan regularmente las presuposiciones del modelo de distribución de activos para reflejar las condiciones actuales del mercado, la diferencia más significativa durante los últimos años ha sido el cambio de modelos con 5 o 6 clases de activos potenciales en la cartera de un cliente (por ejemplo, bonos, acciones de grandes compañías y acciones de pequeñas compañías) a modelos que ahora pueden incluir hasta 20 clases diferentes de activos como posibles inversiones (por ejemplo, fondos de alto riesgo, mercados emergentes, etc.). Resulta relativamente sencillo analizar una matriz de correlación para comprender las ventajas de diversificación cuando se añade sólo una clase de activo a una cartera que sólo tiene acciones de bolsa o bonos. Pero cuando se trata de controlar el impacto del aumento de una cartera con 5 o 6 clases de activos de inversión a una cartera con una docena o más, las ventajas de un análisis más profundo resultan inmediatamente evidentes.

Las lecciones de la debacle financiera de 2008

La crisis financiera de 2008 convenció a Gregg y Joe de que había llegado el momento de considerar en profundidad el uso de la distribución normal para modelar la probabilidad de los resultados de la inversión en acciones. Aunque la distribución normal asigna aproximadamente 1 probabilidad entre 1000 de que el mercado de valores experimente un declive de 3 puntos de desviación estándar, como el que experimentó en 2008, la realidad es que un movimiento de esta magnitud se produce con más frecuencia. Si miramos los datos históricos, un movimiento de 3 puntos o más de desviación estándar hacia arriba o hacia abajo, en un periodo de 6 meses a un año, se produce más de 1 vez cada 100 periodos de tiempo. Entonces, el problema es el siguiente: ¿Cómo se añaden 'extremos gruesos' (sucesos fuera del rango normal que se producen con más frecuencia en la realidad de lo que predice la distribución normal) a la distribución del modelo para dar al mercado de valores teórico una probabilidad más realista de experimentar uno de estos sucesos 'Cisne Negro? La solución resultó ser el uso de una combinación de distribuciones estándar que crea una distribución simulada que se asemeja más a la realidad y explica mejor los casos de 'extremos gruesos'.

Otra revelación de la debacle financiera de 2008 fue el hecho de que las correlaciones entre la mayoría de las clases de activos era mucho mayor de lo esperado, al menos temporalmente. Por otro lado, algunas de las clases de activos que históricamente tenían una correlación baja con las acciones de bolsa generaron resultados positivos durante el año, algo que tiene sentido. Teniendo en cuenta esto, Gregg y Joe analizaron con más detalle el cambio que han experimentado a lo largo del tiempo las correlaciones entre las diferentes clases de activos. Aunque algunas relaciones eran relativamente constantes, otras han variado mucho durante los últimos 20 – 50 años. Como una de las mayores motivaciones para usar la modelación en finanzas es tener mayor control sobre la reacción de la cartera cuando el sistema financiero se ve sometido a grandes presiones, Gregg y Joe usaron un método más conservador para establecer las correlaciones, lo cual resultó en el uso de correlaciones mayores de las esperadas entre algunas clases de activos.

Práctica actual

La semana de los acontecimientos de 2008, Buckalew y DiNunno iniciaron el proyecto de inversión de cada cliente con tres premisas importantes:

Premisa 1: La previsión de resultados de los mercados de capital es: (a) inútil e imposible, porque los mercados muestran habitualmente una aleatoriedad extrema de resultados y ausencia de consistencia en las correlaciones, o (b) un ejercicio razonable cuando la previsión se hace para un periodo futuro útil suficientemente largo como para permitir una reducción de la aleatoriedad a corto plazo.

Premisa 2: Los traumas exógenos de rápida evolución del mercado, tanto si son provocados por un acto internacional de terrorismo como si se trata de un repentino fallo sistémico del sistema del mercado de capital, no reducen la utilidad de los resultados de una modelación de media y varianza de múltiples años.

Premisa 3: Aunque los acontecimientos del mercado de 2008 se encontraban dentro del rango de la distribución del resultado de la modelación previa de FiduciaryVest, no está dentro de la capacidad y propósito del modelo tratar de prever el momento de los casos con muy pocas probabilidades (es decir, de los resultados previstos en los “extremos” de la distribución del modelo). Sin embargo, Buckalew y DiNunno han creado recientemente otros programas con este propósito.

Las presuposiciones de clases de activos de inversión de FiduciaryVest tienen una tendencia de previsión muy fuerte en favor de la tendencia central, ajustada para la etapa cíclica actual en el momento de la creación de la cartera. El resultado es una serie internamente constante de presuposiciones que se aplican en un contexto de modelación del mundo real para producir resultados previstos que no sólo son sólidos, sino que también son prácticos para la comprensión y consideración de un cliente responsable de tomar una decisión.

Incorporando límites de tiempo más largos y funciones de probabilidad asociadas a clases de activos, estos socios pudieron usar @RISK para responder a las preguntas que no se pueden resolver usando modelos financieros estáticos u optimizados:

1. ¿Cuál es la probabilidad de un resultado negativo durante un periodo específico de 1 año, 3 años, 5 años o 10 años?
2. ¿Cuál es la probabilidad de que los clientes de la cartera alcancen (o no alcancen) los resultados objetivo en un periodo de tiempo determinado?
3. ¿Cuál es el valor en riesgo de una cartera de inversiones?
4. ¿Cuál es la probabilidad de cumplir las obligaciones financieras de un cliente sin tener que acudir al capital principal de una cartera?

DiNunno señala: “El uso de @RISK para responder a este tipo de preguntas nos ayuda a ofrecer al cliente una visión real de lo que deben esperar de su cartera. Además, los modelos ofrecen a nuestros clientes una indicación clara del impacto que tiene cada uno de los componentes de la distribución y diversificación de activos en términos de sus necesidades específicas de resultados futuros de las inversiones y de administración de riesgos”.

» @RISK
» Insightful Investing