Cuando Goldman Sachs AM creó la gama CORE, su objetivo era muy claro: utilizar el big data para ofrecer a los inversores una rentabilidad superior al de los principales índices bursátiles del mundo. Esto lo hicieron desarrollando internamente un modelo cuantitativo que pasa por tomar a los índices de referencia como punto de partida e ir adoptando posiciones relativas en función de cuáles sean las convicciones del equipo a partir del análisis fundamental, el cual se ve complementado por el análisis de sentimiento y momentum. Aquí es donde entra en juego el big data, ya que el equipo de gestión cuantitativa –fundado por Robert Litterman y formado por 170 profesionales- puede procesar diariamente 40.000 artículos en distintos idiomas, lo que les ayuda a adelantarse a la hora de identificar a las compañías que podrían verse favorecidas por la publicación de noticias e informes favorables y a aquellas que podrían verse penalizadas por este hecho.
La gestora aplica su modelo de manera sistemática en su gama Core (GS US CORE, GS Global CORE, GS Europe CORE y GS Emerging Markets CORE Equity), en el que ninguno de los productos cuentan con un tracking error realizado superior al 4%. El del GS US CORE, por ejemplo, ha sido como máximo del 2,5%. Éste último cuenta con la calificación Blockbuster Funds People. Los otros tres son estrategias con calificación Consistentes Funds People. El objetivo de todos ellos es asumir un riesgo bajo con respecto al índice, pero con la clara intención de batirlo y ofrecer así a sus inversores una rentabilidad por encima de la que ofrece el mercado. El comportamiento registrado por estos productos en 2016 y en lo que va de 2017 va exactamente en la línea de lo que pretende Goldman Sachs AM con su gama. El año pasado todos los productos batieron a sus índices MSCI y este año también lo están logrando, en algunos casos con rentabilidades netas muy por encima de sus benchmark.
Es el caso, por ejemplo, del GS Emerging Markets CORE Equity. A cierre de febrero, el índice ha subido un 8,7% en lo que va de año y el fondo un 9,8% neto de costes. En este caso, la diferencia es grande. El objetivo de tracking error de este fondo está en el rango del 4-6%, aunque el realizado es inferior. El fondo tiene una Ratio de Información muy alto. En 2016 fue del 1,16, en 2015 del 2,14 y en 2014 del 1,07, lo que significa que el alfa obtenido por unidad de riesgo es superior a uno. El resto de estrategias también están consiguiendo batir a los índices. El GS US Equity CORE acumula unas ganancias anuales netas del 6,5%, frente al 5,8% del S&P 500; el GS Global CORE bate por 60 puntos básicos al MSCI World Index (5,8% frente a 5,2%) y el GS Europe CORE acumula una rentabilidad neta del 2,8%, frente al avance del 2,5% del MSCI Europe Index. A tres y cinco años, las cuatro estrategias ofrecen rentabilidades netas claramente por encima de sus respectivos índices.
La fórmula del éxito: la combinación del modelo cuantitativo con el factor humano. O, dicho más coloquialmente: el resultado de mezclar la información que aportan las máquinas con las decisiones activas que toma el gestor sobreponderando o infraponderando los valores en sus respectivas carteras.
“El procesamiento de datos es la base de nuestro modelo de inversión, pero el análisis y la construcción de las carteras siguen necesitando del juicio humano. No tenemos un ordenador en la esquina que simplemente decide inversiones sin interacción y supervisión humana. Nuestro proceso de inversión empieza y termina con el factor humano, y el trabajo realizado por nuestro equipo de 170 personas es tan importante para nosotros como para cualquier otro gestor tradicional. Los gestores aplican sus criterios y conocimientos a la hora de seleccionar los datos y las analíticas que empleamos a la hora de invertir, así como para revisar y aprobar cada transacción que se lleva a cabo en las diferentes carteras. Esto nos permite asegurarnos que las posiciones de nuestros fondos tienen sentido – que son económicamente intuitivas y tienen el tamaño correcto en función de las condiciones de mercado”, explican desde el equipo.
Ese trabajo de los gestores se centra en identificar negocios potentes con valoraciones atractivas, sentimiento positivo y una conexión fuerte con temáticas positivas que aprecien en los mercados. “Para ofrecer una fuente de retorno diferenciada que no siga al rebaño en tiempos de estrés en los mercados, nos aseguramos de que no estamos analizando la misma información, al mismo tiempo, que el resto del mercado. Para nosotros, este es el momento en el que la tecnología y el big data entran en acción. Estamos permanentemente buscando conseguir ventajas informativas, para hacer que nuestro proceso de selección de títulos sea más completo y en tiempo real. Para ello, evaluamos constantemente nuevas fuentes de información alternativas para decidir si sus datos pueden permitirnos tener una mejor visión de los mercados y poder estimar de manera más precisa los retornos futuros de una compañía. Con el crecimiento y disponibilidad de fuentes de información no tradicionales como el tráfico web en Internet, el registro de patentes o las imágenes por satélite, hemos estado utilizando datos más concretos y en ocasiones poco convencionales para lograr ventajas informativas y tomar decisiones de inversión más informadas”.
Mejoras introducidas en el modelo en 2016
El modelo está en continuo proceso de revisión y mejora, lo que lo hace cada vez más eficiente. El año pasado introdujeron nuevas señales al modelo. El primero fue en la temática rentabilidad para empresas de EE.UU. que analiza las tendencias de gasto en tarjetas de crédito como indicador en tiempo real de la rentabilidad de las empresas. En vez de esperar a los anuncios trimestrales de beneficios, evalúan más de 74.000 millones de transacciones en tarjetas de crédito para identificar en tiempo real cómo las tendencias de consumo afectan a las compañías.
Y, en segundo lugar, han mejorado su temática de sentimiento en EE.UU, introduciendo una nueva señal que mide el nivel de elogios de los analistas a las empresas cuando éstas anuncian resultados. Analizan miles de notas de analistas empleando sistemas de procesamiento natural del lenguaje. “Centrándonos en identificar una serie de palabras positivas podemos estimar el número de analistas que elogian la compañía, y de esta manera logramos una visión completa del sentimiento del inversor hacia los últimos resultados de una compañía”, indican los expertos del equipo de la firma.
