En el artículo anterior contamos por qué vamos a operar futuros directamente desde nuestros fondos, liberando capital que nos permite mejorar las carteras. Antes de desvelar el resultado final, toca contar la otra mitad del trabajo que nos ha llevado hasta allí. Los futuros amplían lo que podemos implementar. Nuestro modelo paramétrico nos ayuda a decidir en qué se emplea el capital liberado. Ese modelo también ha evolucionado.
Hasta ahora el modelo trataba a todos los diversificadores como si ninguno se pareciera a otro más que al resto. Siempre hemos sabido que no era del todo cierto—bitcoin es procíclico, macro comparte elementos con trend y carry...—pero no se lo decíamos al modelo. Preferíamos que no lo supiera para evitar sesgarlo en exceso. Ahora se está haciendo mayor y podemos empezar a decírselo.
Este artículo nos guía sobre qué asumía hasta ahora el modelo, y hasta dónde tiene sentido llevar la distinción para entender qué gana una cartera con ello.
En una frase: tiene sentido aprovechar patrones en las correlaciones de algunos grupos de activos—no todos—para mejorar el retorno por riesgo asumido sin caer en la sobreoptimización.
Las composiciones y las métricas esperadas de las nuevas carteras siguen guardadas para el próximo artículo.
Qué asumía el modelo sobre cada pieza
El modelo partía de dos hipótesis que ya explicamos en detalle en qué esperar de una cartera con Return Stacking. Una, que todas las estrategias tienen el mismo ratio de Sharpe: no sabemos cuál lo hará mejor en el futuro, así que tiene sentido asumir que a largo plazo todas rentan igual por unidad de riesgo. Otra, que todas las parejas de estrategias (des)correlacionan igual, en torno a 0,10. Con catorce estrategias en el modelo, son casi 100 parejas resumidas en un solo número.
Si ninguna pieza renta más por unidad de riesgo asumido y todas se relacionan igual entre sí, no hay motivo para preferir una sobre otra. El resultado es un reparto equilibrado en unidades de volatilidad. Es decir, ponderando por la inversa de la volatilidad. Un 10% en una estrategia que se mueve un 10% al año y un 10% en otra que se mueve un 50% no cuentan igual: la segunda aporta cinco veces más riesgo, así que hay que darle menos peso. Esto se ve muy bien en el stack de Return Stacked Apex: medidas todas a la misma volatilidad, las siete piezas tienen prácticamente el mismo peso.
Estas dos hipótesis—mismo Sharpe y misma correlación—tienen su hueco en la literatura. No nos lo hemos inventado nosotros. ReSolve Asset Management, publicó en 2018 un marco que ordena los métodos de construcción de carteras según lo que el gestor cree saber sobre sus activos. En su taxonomía, ponderar por la inversa de la volatilidad es óptimo bajo exactamente dos condiciones: ratios de Sharpe similares y correlaciones homogéneas. Las nuestras.
Elegimos esa hipótesis a conciencia. En una cartera estructuralmente diversificada la aproximación funciona razonablemente bien, y preferíamos no opinar sobre cada pareja antes que arriesgarnos a sobreoptimizar.
Dónde estábamos en el mapa y hacia dónde nos movemos
ReSolve ordena los métodos por cuántos de los tres ingredientes del problema afirmas conocer:
La volatilidad de cada activo.
Cómo se mueven unos respecto a otros.
Y sus retornos esperados.
ReSolve no los ordena así por capricho. Hay una lógica detrás de ese orden:
Hay más incertidumbre sobre las correlaciones esperadas entre los activos que sobre sus volatilidades. Y más aún sobre sus retornos esperados a 5-10 años.
A la izquierda del mapa están los métodos que no afirman conocer ninguno: capitalización de mercado, equiponderación. Un paso a la derecha aparece Naive Risk Parity, que usa solo el primero: las volatilidades. Ahí vivía nuestro modelo, en el método que ReSolve llama Inverse Volatility.
La caja siguiente se llama Robust Risk Parity y contiene, entre otros, Maximum Diversification y Equal Risk Contribution. Estos métodos usan también el segundo ingrediente, las correlaciones. Maximizar la diversificación consiste en repartir los pesos de forma que las piezas compensen entre sí todo el movimiento que puedan. Si suben y bajan a la vez, la cartera se mueve tanto como ellas y no hay nada que ganar. Si se mueven en momentos distintos, el conjunto tiembla menos que cualquiera de sus partes, y el método busca el reparto que agranda esa distancia.
En el extremo derecho está Mean Variance, que usa los tres. Para llegar hasta ahí hay que tener una opinión sobre cuánto va a rentar cada pieza, y esa es la estimación más frágil de las tres. Ahí vive la optimización clásica de Markowitz.
Lo más importante que debemos entender de este marco conceptual está en la flecha con dos extremos, debajo de las cuatro cajas. A la izquierda, riesgo de hipótesis. A la derecha, riesgo de estimación. Ir hacia la izquierda es asumir la hipótesis de que todo se parece aunque sepas que no es exactamente cierto, a cambio de no tener que estimar nada. Puede acabar en un modelo demasiado simplista. Ir hacia la derecha es asumir menos y cargar con el error de estimar: primero las correlaciones, y más allá, los retornos. Puede acabar en un modelo muy frágil, sobreoptimizado para un escenario muy concreto. Nuestra prioridad es la robustez, así que no prevemos movernos al extremo derecho.
La experiencia y el desarrollo de nuevas herramientas nos permiten ahora movernos un paso a la derecha hacia lo que consideramos como el punto dulce entre ambos extremos.
Qué nos enseña la experiencia tras dos años de análisis de correlaciones reales
En el informe del segundo trimestre de las carteras alfa publicamos la matriz de correlaciones realizadas entre las piezas de Return Stacked Apex desde abril de 2025. Conviene leerla dos veces.
Correlaciones realizadas entre las piezas de Return Stacked Apex desde abril de 2025.
Fuente: Análisis de Return Stacked Portfolios. Datos de Yahoo Tiingo.
La primera lectura confirma la hipótesis de nuestro modelo. La correlación media entre todas las parejas fue 0,06, cerca del 0,10 que asumíamos. Solo once parejas superan 0,3 en valor absoluto. El fondo de la matriz es plano, que es justo lo que el modelo daba por hecho.
La segunda lectura mira esas once y empieza a reconocer patrones. Los factores defensivos están en el extremo negativo frente a todo lo que se mueve con la bolsa: −0,5 con acciones, −0,4 con bitcoin. En el extremo opuesto están las piezas más procíclicas por construcción, con bitcoin a +0,5 frente a acciones y equity dispersion a +0,4. Y por su lado, macro y trend a +0,7, la pareja más correlacionada de la matriz.
Sin embargo, dos años no separan lo que se va a repetir de lo que solo ha pasado. Carry es el ejemplo más evidente. En esta ventana sale negativa con casi todo, incluidas macro y trend. Durante estos meses ha estado corta en acciones, consistente con valoraciones relativamente altas, mientras trend y macro estaban largas. Sabemos que por definición global macro, trend y carry pertenecen a la misma familia. Una ventana tan corta lo esconde parcialmente.
Matriz por bloques y cuánto nos los creemos
Por eso no calibramos con esos dos años. Nos vamos al histórico más largo disponible.
Y aun así, tampoco fijamos ~100 números. Son muchas parejas, y varias de nuestras estrategias tienen menos historia utilizable de la que haría falta. Y peor aun que la falta de datos es lo que un optimizador hace con ellos: busca el número más extremo que encuentre y construye la cartera encima. Michaud lo llamó maximización del error en 1989.
Así que no vamos a bajar a cada pareja. Agrupamos las estrategias donde sabemos, cuantitativa y cualitativamente, que hay una relación estructural, y fijamos la correlación a nivel de bloque. Las procíclicas forman uno, con los factores defensivos enfrente. La familia macro forma otro. Y al nivel de pareja solo descendemos cuando hay un mecanismo concreto que sabríamos defender en voz alta. El resultado es una matriz con unos pocos bloques sobre los que expresamos una opinión y el resto de las piezas con la etiqueta de siempre: correlación baja con todo lo demás.
Aun con los bloques seguimos teniendo presente el riesgo de estimación, así que no queremos expresar esa opinión entera. Hacemos shrinkage, es decir, encogemos la matriz hacia la correlación única. El modelo final usa una mezcla entre el 0,10 plano que veníamos usando y la matriz por bloques.
Es nuestra forma de encontrar el balance en mitad del eje de la taxonomía de ReSolve. Suficientemente a la derecha para que la estructura entre en la decisión, suficientemente a la izquierda para que un error de estimación no acabe en fragilidad.
Cómo influye en las carteras
Ahora el modelo empieza a "tomar decisiones" que antes no podía tomar. Hay tres que se repiten al aplicarlo tanto a Return Stacked Offroad como a Return Stacked Apex.
Le gusta añadir factores defensivos. (¡Oh, sorpresa!) Son la pieza que más claramente se mueve en contra de las acciones, y ahora el modelo lo ve. El efecto crece cuanto más procíclica es la cartera: en una con un 100% de renta variable, una pieza que se mueve al revés vale más que en otra donde las acciones pesan un tercio. Ya los teníamos en Apex. Ahora, con la implementación directa, podemos meterlos también en Offroad.
Penaliza a macro frente a otros diversificadores. Macro, trend y carry comparten componentes, y además macro mantiene algo de beta positiva a las acciones. El modelo deja de tratarlas como tres fuentes independientes. Siguen dentro, porque siempre ayuda diversificar los diversificadores, pero el conjunto pesa menos que cuando se contaban por separado.
Y le sigue gustando mucho el oro. A nosotros también. El oro no comparte bloque con nada y mantiene correlación baja con todas las demás piezas de la cartera, así que su peso no refuerza nada de lo que ya tienes. Además es una de las tres exposiciones que ahora podemos construir con futuros, así que la eficiencia de capital juega también a su favor.
Con todo esto, le hemos dado una vuelta de tuerca más a las carteras Apex y Offroad, aprovechando el hueco que se nos abre con la implementación directa con futuros. Nada de esto cambia qué hacen las dos carteras. Siguen siendo la cartera todo terreno de máxima diversificación y la cartera diseñada para competir con el 100% de renta variable. Los parámetros de riesgo siguen donde estaban, pero ahora esperamos sacarles un poco más de jugo.
Las composiciones y las métricas esperadas de las dos, en el próximo artículo.
Mientras tanto, mira los diversificadores de tu cartera y pregúntate cuántos pertenecen a la misma familia.
