Los índices existen desde hace mucho tiempo. El primero se creó allá por 1884, cuando se calculó por primera vez el Dow Jones Transportation Average, que se sigue utilizando hoy en día. En 1896, Charles Dow lanzó el famoso índice de referencia estadounidense Dow Jones Industrial Average (DJIA). En aquellos momentos, estaba formado por un conjunto manejable de 12 empresas. Entre ellas estaba General Electric, que formó parte del índice hasta 2018.
Actualmente, existe una oferta considerablemente más grande en el mundo de los ETF. Existe una amplia gama de proveedores de índices de mercados. Los tres mayores proveedores de índices del mundo son S&P Dow Jones Indices, MSCI y FTSE Russell. Su cuota de mercado mundial superaba el 70% en 2020. También existen otros proveedores como Bloomberg, Morningstar, CRSP y Solactive.
Los índices se han vuelto más innovadores, especialmente en los últimos tiempos. Concretamente, algunos de los nuevos actores de este mercado suministran índices cada vez más exclusivos y diferenciados. Aunque hace 30 años los índices generales ponderados por capitalización fueron la norma, se ha producido un crecimiento y una mayor demanda de estrategias más específicas, por ejemplo, índices sectoriales, índices factoriales (smart beta) y, ahora, índices temáticos.
Elegir el índice adecuado puede ayudar a determinar el éxito de un ETF. Durante el desarrollo del índice se toman numerosas decisiones que pueden influir considerablemente en el resultado de inversión de un fondo cotizado. Por eso, es clave elegir el índice adecuado, o bien personalizar lo que ya existe. En este sentido, los emisores de ETF podrían trabajar con proveedores de índices para personalizar indicadores con el fin de conseguir la exposición exacta que se necesita. ¿Cómo hacerlo?
Caso práctico nº 1: Familia de índices Quality Income
En 2017, Fidelity International entró en el mercado de los ETF domiciliados en Europa con el lanzamiento de dos Quality Income ETF que replicaban índices de la gestora. Esta gama está formada por cuatro exposiciones regionales. Los índices fueron desarrollados por los equipos cuantitativos de Fidelity y están diseñados para ofrecer a los inversores exposición a empresas de alta calidad que pagan dividendos. Estos índices utilizan definiciones de factores personalizadas. Incorporaron un filtro de calidad para garantizar que no se incluían empresas debido al descenso de sus cotizaciones.
Estas estrategias tienen restricciones sectoriales y de países para impedir grandes apuestas no intencionadas frente al conjunto del mercado. Desde la perspectiva de la asignación de activos, es muy similar a los respectivos índices generales de mercado. Entre otras cosas, con esto logran impedir que tengan demasiado peso exposiciones defensivas con un crecimiento escaso. Estos índices también cuentan con varias exclusiones, cuyo alcance lo define el análisis de sostenibilidad de Fidelity.
Caso práctico nº 2: Familia de índices Thematic ESG Tilted
En 2022 la gestora lanzó un segundo conjunto de ETF de gestión pasiva con cinco carteras temáticas que replican índices de la entidad. Los índices de Fidelity para estas temáticas ya estaban disponibles, ya que se habían lanzado ETF domiciliados en EE.UU. que los replicaban. Sin embargo, a la vista del clima actual, consideraron que se necesitaba más personalización para garantizar que los índices abordaban suficientemente los requisitos ASG del mercado europeo.
A la hora de desarrollar los índices, la gestora detectó y definió a través del análisis fundamental subtemáticas y componentes de las cadenas de valor relacionados con cada temática. El análisis de sostenibilidad de la firma anglosajona definió el alcance de las reglas ASG requeridas para incorporarlas a la metodología de los índices y los recursos cuantitativos de la gestora crearon procesos sistemáticos para identificar valores pertinentes para las temáticas.
Las metodologías incluyeron un filtro de calidad temática. Se trata de filtros de calidad propios específicos para cada temática que aportan capas adicionales de atenuación del riesgo y ayudan a excluir valores que podrían tener un riesgo específico elevado. Además, calcularon una puntuación de relevancia temática usando una combinación de datos sobre ingresos y procesamiento del lenguaje natural para ayudar a filtrar y fundamentar una puntuación de relevancia temática propia.
