Por qué los rendimientos de las acciones pueden ser predecibles solo en ventanas breves

Los rendimientos de las acciones pueden ser predecibles, pero solo en ventanas breves

Los inversores han pasado décadas buscando indicadores que predigan de manera fiable los rendimientos de las acciones. Las ratios de valoración, las tasas de interés, los diferenciales de crédito, la inflación, la volatilidad del mercado y las medidas de actividad económica han mostrado promesa en algún momento. La dificultad radica en que un indicador puede parecer útil en un período y volverse ineficaz en el siguiente.

Un nuevo estudio publicado en el Journal of Econometrics¹ sostiene que esta inestabilidad puede ser una característica definitoria de la predictibilidad del mercado más que un defecto en los datos. Los rendimientos de las acciones podrían ser predecibles, pero solo durante episodios temporales creados por recesiones, choques financieros, cambios de política o variaciones en la forma en que los inversores procesan la información.

Los investigadores desarrollaron procedimientos estadísticos de monitoreo destinados a detectar estos episodios a medida que emergen. Su trabajo replantea la cuestión práctica. En lugar de preguntar si una variable predice los rendimientos a lo largo de toda una muestra histórica, los inversores deberían preguntar si recientemente ha comenzado a contener información útil.

Por qué los señales permanentes del mercado son tan difíciles de encontrar

La investigación predictiva tradicional a menudo estima una única relación a lo largo de décadas de datos. Por ejemplo, un analista podría probar si los rendimientos de dividendos predicen la prima de capital, es decir, el retorno que generan las acciones por encima de un activo libre de riesgo. Esto asume que la relación se mantiene suficientemente estable durante toda la muestra.

Los mercados rara vez cooperan. Los cambios en la política monetaria, la evolución de las regulaciones y la difusión de estrategias atraen capital. Una señal puede fortalecerse durante una crisis y desaparecer una vez que los inversores la reconocen. Un modelo de período completo puede, por lo tanto, diluir un episodio útil con muchos años en los que no existía ninguna relación.

Esto ayuda a explicar por qué las variables financieras pueden parecer estadísticamente significativas en un estudio y fallar en otro. El desacuerdo no implica necesariamente que un resultado sea incorrecto. Los estudios pueden haber examinado diferentes regímenes de mercado.

El desafío se vuelve más difícil porque muchos predictores comunes son altamente persistentes. Los rendimientos de dividendos, las ratios libro-valor y las medidas de tasas de interés pueden permanecer elevadas o deprimidas durante largos períodos. También pueden moverse junto con los mismos choques que afectan los rendimientos. Las pruebas estadísticas convencionales pueden confundir esas características con poder predictivo.

Cómo el monitoreo en tiempo real cambia el problema

El artículo propone monitorear los datos entrantes de forma secuencial después de establecer un período de entrenamiento inicial sin detectarse predictibilidad. Su enfoque preferido utiliza un proceso de suma acumulada, o CUSUM, construido a partir de condiciones de variables instrumentales IVX.

En términos más simples, el sistema rastrea si la relación entre un indicador candidato y los rendimientos posteriores se está desviando lo suficiente de su referencia histórica como para justificar una señal. Está diseñado para funcionar sin que el usuario tenga que saber de antemano si el predictor es débilmente persistente, cercano a una raíz unitaria o se encuentra entre esos casos.

El marco de monitoreo aborda varios problemas simultáneamente:

• Las relaciones predictivas pueden comenzar y terminar sin advertencia.
• Las pruebas repetidas pueden generar falsas alarmas incluso cuando no existe señal.
• Los cambios en la volatilidad pueden hacer que pruebas ordinarias detecten relaciones que no son reales.
• Los predictores pueden ser persistentes y estar correlacionados con rendimientos de mercado inesperados.

El ajuste de volatilidad es especialmente importante. Un gran choque del mercado genera observaciones más amplias, lo que puede empujar una estadística de monitoreo más allá de un umbral incluso si la relación predictiva subyacente no ha cambiado. Esto está relacionado con el problema más amplio de que los indicadores familiares pueden capturar solo una parte del entorno de riesgo, como se discute en el examen de Securities.io sobre por qué el VIX no captura completamente el riesgo del mercado de valores.

Qué encontraron las simulaciones

Los autores probaron sus métodos en mercados simulados con diferentes niveles de persistencia del predictor, trayectorias de volatilidad, relaciones de endogeneidad y fechas de inicio de los episodios predictivos. Varios procedimientos CUSUM propuestos mantuvieron tasas de falsos positivos razonablemente controladas en muchas de estas condiciones.

Los métodos más robustos generalmente detectaron la predictibilidad antes que los procedimientos de ventana móvil competidores, particularmente cuando el predictor era extremadamente persistente. Esto es importante porque una señal de corta duración pierde valor práctico si un modelo la identifica solo al final del episodio.

Sin embargo, ninguna versión dominó en todas las condiciones. Un procedimiento reaccionó particularmente rápido pero generó falsos positivos excesivos después de un aumento de volatilidad. Otro fue más conservador y más lento. El enfoque CUSUM ajustado por varianza preferido por el artículo ofreció un equilibrio más útil entre la velocidad de detección y el control de falsas alarmas.

Un modelo que genera señales demasiado fácilmente fomenta una rotación costosa y un exceso de confianza. Un modelo cauteloso puede reconocer un régimen solo después de que gran parte de la oportunidad haya pasado. Por lo tanto, los sistemas en tiempo real necesitan una política explícita para elegir entre señales perdidas y falsas alarmas.

Qué sucedió cuando el modelo observó el S&P 500

Los investigadores realizaron un ejercicio pseudo‑en tiempo real utilizando datos mensuales del S&P 500 y predictores candidatos que abarcan de enero de 1965 a diciembre de 2024. Los predictores incluían ratios de valoración, medidas de volatilidad, indicadores técnicos, rendimientos de bonos, variables del mercado crediticio, inflación y actividad económica.

Las pruebas con la muestra completa encontraron poca evidencia de que la mayoría de las variables predijeran retornos de forma consistente. Sin embargo, los procedimientos de monitoreo identificaron ventanas distintas. Varios indicadores de bonos y macroeconómicos se volvieron informativos alrededor de la perturbación del mercado de 1973‑1975. El diferencial de tasas mostró contenido predictivo en el periodo que precedió al Lunes Negro. Otras señales aparecieron alrededor de la crisis financiera global, 2018, y 2022.

Estos resultados respaldan una interpretación basada en regímenes. Los retornos de crédito, los diferenciales de rendimiento, la liquidez, la valoración y el exceso económico pueden ser más relevantes cuando el mercado está reprecificando el riesgo. No es necesario que pronostiquen retornos en condiciones normales para resultar útiles durante periodos de tensión.

La visión más importante es la gestión del ciclo de vida de la señal

La contribución más valiosa del estudio no es una lista de indicadores para operar. Es un marco para gestionar el ciclo de vida de una señal de inversión.

Un modelo de producción debe contar con una regla de activación, una regla de retiro y un método para recalibrar después de un episodio detectado. Eso difiere de construir un modelo de pronóstico una sola vez y asumir que sus coeficientes siguen siendo válidos. Trata la predictibilidad como un estado del sistema que cambia.

Esta perspectiva también sugiere que la volatilidad cumple dos funciones. Puede contener información sobre los retornos esperados, pero también puede corromper la prueba estadística utilizada para detectar esa información. La investigación cubierta por Securities.io ha encontrado de manera similar que los retornos diarios pueden seguir siendo valiosos para la predicción de la volatilidad incluso cuando se dispone de conjuntos de datos de mayor frecuencia. Más datos no resuelven automáticamente la inestabilidad del modelo si las relaciones dentro de esos datos siguen cambiando.

Para los equipos de inversión, el siguiente paso lógico sería un sistema en capas. Un modelo monitorizaría si un predictor candidato ha entrado en un régimen activo. Una capa de pronóstico separada estimaría la dirección y magnitud de los retornos esperados. La construcción de la cartera entonces tendría en cuenta los costos de negociación, las caídas, la liquidez y los límites de posición.

Esa separación es esencial porque la predictibilidad estadística no es lo mismo que una estrategia rentable. El artículo no calcula los retornos de la cartera, los costos de implementación, los impuestos ni el rendimiento ajustado al riesgo. Su ejercicio histórico es pseudo‑en tiempo real y no una implementación en vivo. Afirmaciones de que el método puede superar al mercado irían más allá de la evidencia.

Invertir en la capa de inteligencia financiera

El estudio señala una creciente demanda de datos financieros más limpios, análisis adaptativos y herramientas capaces de reconocer cambios de régimen. Una empresa posicionada dentro de esa infraestructura es S&P Global (SPGI ) .

S&P Global opera en benchmarks, calificaciones, inteligencia de materias primas y datos de mercado. Su división Market Intelligence suministra muchos de los conjuntos de datos y flujos de trabajo analíticos que las instituciones utilizan para investigar empresas, condiciones crediticias y comportamiento del mercado. La compañía también ha ampliado sus capacidades de IA a través de Kensho, incluidos herramientas diseñadas para conectar registros corporativos complejos y facilitar la interpretación de los conjuntos de datos financieros por parte de las máquinas. En 2026, S&P Global describió una versión ampliada de Kensho Link con una cobertura de entidades más amplia y un reconocimiento mejorado en estructuras corporativas complejas.

Esto no significa que S&P Global posea o comercialice el método de monitoreo descrito en el estudio. La conexión de inversión es más amplia: los modelos financieros adaptativos dependen de datos extensos, estandarizados y oportunos. A medida que los sistemas cuantitativos se vuelven más sensibles a los regímenes del mercado, la calidad e integración de los datos se convierten en parte de la ventaja competitiva.

El reciente perfil de Securities.io sobre MSCI y la infraestructura detrás de los mercados financieros destaca la misma tendencia subyacente. Los proveedores de índices operan cada vez más como empresas de datos y análisis en lugar de simples publicadores de listas de referencia.

La previsibilidad del mercado es un objetivo móvil

El artículo no resuelve el debate sobre la eficiencia del mercado, pero ofrece una forma más realista de enmarcarlo. Los mercados pueden ser, en general, difíciles de predecir, aunque generan breves períodos en los que los indicadores económicos y financieros se vuelven inusualmente informativos.

Para los inversores, la implicación no es perseguir cada variable recién significativa. Se trata de considerar las señales como condicionales, vigilar su estabilidad y reconocer que una relación descubierta durante una crisis puede no sobrevivir a la siguiente expansión. La ventaja duradera puede depender menos de encontrar una fórmula de pronóstico permanente y más de detectar cuándo las reglas del mercado han cambiado temporalmente.

Referencias:

¹ Demetrescu, M., Schmidt, F., & Taylor, A. M. R. (2026). Monitoreo en tiempo real de la predictibilidad de los rendimientos de acciones en entornos de volatilidad no estacionaria. Journal of Econometrics, 258, 106341. https://doi.org/10.1016/j.jeconom.2026.106341