[Wall St. Ajae] Mitos y realidades de la inversión cuantitativa - Parte 1: Hacerlo a medias es contraproducente

El ponente, Wall Street Ajae, inicia advirtiendo sobre la proliferación de cursos costosos que idealizan la inversión cuantitativa sin explicar sus riesgos fundamentales. Explica que decidió crear este contenido debido a la creciente confusión entre los inversores particulares y el marketing engañoso que promete rentabilidades constantes. Destaca que creer ciegamente en el backtesting es peligroso y puede llevar a pérdidas financieras masivas si no se comprenden las limitaciones estadísticas. El autor enfatiza la necesidad de una autocrítica en la comunidad financiera de YouTube, compartiendo su empatía por quienes han perdido dinero. Esta sección establece el tono preventivo y profesional de la serie de videos que analizará diez precauciones esenciales.

Se ofrece una clasificación detallada del ecosistema cuantitativo, abarcando desde el Trading de Alta Frecuencia (HFT) y el arbitraje estadístico hasta la inversión por factores. El orador aclara que los límites entre estas categorías son a menudo difusos, pero todos comparten un proceso de cuatro pasos: idea, backtesting, operativa y gestión de riesgos. Menciona que, aunque antes era un terreno exclusivo de instituciones con doctores en ciencias, la tecnología ha democratizado estas herramientas para los minoristas. Sin embargo, esta accesibilidad ha traído consigo una ola de malinterpretaciones sobre la facilidad de generar beneficios. La sección concluye explicando cómo plataformas como Quantopian permitieron el acceso masivo, pero no necesariamente el éxito sostenido.

El análisis se centra en por qué encontrar patrones rentables en el pasado es extremadamente sencillo pero inútil si no se mantienen en el futuro. Se utiliza el ejemplo de la 'Fórmula Mágica' de Joel Greenblatt, demostrando que su rendimiento ha sido inferior al del mercado desde que se hizo pública. El ponente argumenta que Greenblatt no era un inversor puramente cuantitativo y que su éxito real provenía de situaciones especiales y análisis de valor complejo. También se discute el fracaso de Quantopian, subrayando que incluso con millones de pruebas y expertos de alto nivel, predecir el futuro financiero sigue siendo un reto colosal. Este segmento resalta que no existe una estrategia ganadora que se pueda encontrar con unos pocos clics.

Se aborda la primera precaución crítica: la integridad de los datos, advirtiendo que los datos gratuitos suelen estar 'sucios' y contener errores de ejecución que inflan la rentabilidad. El orador explica detalladamente el sesgo de supervivencia mediante la famosa analogía de los aviones de guerra que regresan a la base, aplicándola al mercado de valores. Si un inversor solo realiza pruebas con empresas que existen hoy, como Apple o Microsoft, ignora las miles que quebraron, lo que distorsiona completamente el resultado del backtesting. Este error es común entre principiantes que definen universos de inversión estáticos basados en el presente. La limpieza de datos y la inclusión de empresas delistadas son requisitos indispensables para cualquier análisis serio.

El video profundiza en el 'look-ahead bias', que ocurre cuando se utiliza información del futuro que no estaba disponible en el momento de la operación simulada. Un ejemplo común es filtrar las 100 mejores empresas de 2021 y simular compras en 2011, lo cual es una forma de 'precognición' algorítmica. Posteriormente, se introduce el concepto de sobreajuste (overfitting), describiendo modelos que son tan complejos que se ajustan perfectamente al ruido de la muestra pero fallan en la realidad. El ponente utiliza gráficos para ilustrar cómo una línea demasiado serpenteante reduce el error a cero en el pasado pero aumenta el error de predicción en el futuro. Es vital mantener la simplicidad y la lógica económica detrás de cada regla de inversión.

Esta sección explica métodos avanzados de validación como el 'Walk-Forward Testing' y la 'Validación Cruzada' (K-Fold CV) para mitigar el sobreajuste. El concepto fundamental es dividir los datos en conjuntos de entrenamiento y validación, asegurándose de que la estrategia se pruebe en un entorno 'desconocido' para el modelo. Se hace hincapié en la regla de oro: los datos de validación solo deben consultarse una única vez; si el resultado es malo, la estrategia debe desecharse por completo. Reajustar la estrategia tras ver los resultados de validación convierte esos datos en parte del entrenamiento, invalidando la prueba. Este rigor es lo que diferencia a un profesional de un aficionado en el trading algorítmico.

Finalmente, se analiza el impacto del régimen de mercado, argumentando que un backtesting de 3 años suele ser más relevante que uno de 20 años si el entorno económico ha cambiado. Factores como la pandemia de COVID-19, cambios regulatorios o tipos de interés ultra bajos alteran la distribución estadística de los precios, haciendo que patrones antiguos sean obsoletos. El orador menciona la 'crisis existencial' de los analistas cuantitativos que vieron cómo sus modelos fallaban ante la imprevisibilidad de los eventos globales recientes. Se concluye resaltando la dificultad de obtener datos significativos para estrategias de baja frecuencia, como el reequilibrio mensual. El video termina prometiendo una segunda parte para cubrir los puntos restantes y el plan de estudios recomendado.