Expediente Short Squeeze (II)
 
 

Expediente Short Squeeze (II)

 
AndyG - 4 Oct 2021
0 comentarios
 

En el primer artículo de esta serie decíamos que la operativa en corto responde a un enfoque estratégico según el cual, mediante la venta de valores en préstamo, los inversores que disponen de información de calidad ajustarían la sobrevaloración de algunas empresas a sus expectativas reales. Mientras que la operativa basada en el Short Squeeze sigue un enfoque táctico, oportunista y cortoplacista. En esta nueva entrega desarrollaremos algunos modelos cuantitativos para analizar viabilidad de ambos enfoques. 

 

Numerosos estudios académicos ponen de manifiesto que los activos con altos niveles de interés en corto tienen una elevada probabilidad de experimentar retornos por debajo de la media del mercado. Esto es debido a que dichas empresas están sobrevaloradas o, peor aún, tienen un serio riesgo de acabar en bancarrota en el medio o largo plazo, según ratios estandarizados y ampliamente establecidos como el Z-Score de Altman. De igual modo, los activos con muy bajos niveles de posicionamiento en corto suelen mostrar retornos anualizados superiores a sus índices de referencia.

Para verificar estas afirmaciones procedemos a construir y evaluar dos modelos de cartera con la excelente aplicación Portfolio123. Este potente software de análisis financiero permite realizar backtets bastante realistas a una amplia variedad de estrategias inversoras, en cuya construcción podremos combinar tanto ratios empresariales como indicadores técnicos.

 

1.- CARTERA HIGHEST SHORT STOCKS (HSS)


Tomamos como universo una muestra amplia del mercado estadounidense representada por las acciones del Russell 3000, excepto aquellas muy poco líquidas o con precios inferiores a $1 (o sea las penny stocks) y evaluamos la cartera en una ventana de 10 años (2011-2021).

Los parámetros más relevantes del modelo son:

  • Capital inicial: $100.000
  • Comisiones: 0,005 cents. por acción
  • Slippage: 0,5% variable.
  • Rebalanceo: anual (52 semanas)
  • Máximo de posiciones: 100
  • Modo de asignación: Capitalización (ascendente).

 

Las reglas de entrada y salida son:




Los resultados que obtenemos muestran claramente la superioridad del índice general respecto al modelo, poniendo de manifiesto que las empresas con mayores porcentajes de posiciones cortas tienen un comportamiento muy inferior a la media del mercado:




Esta situación se mantiene incluso si realizamos la simulación para diferentes niveles de capitalización:




2.- CARTERA LEAST SHORT STOCKS (LSS)


Seguidamente evaluamos una cartera compuesta por las empresas del Russell 3000 con menos posiciones en corto y que, además, tienen una situación saneada que las aleja de la banca rota en un horizonte de un año. Para la primera condición fijaremos el porcentaje de acciones en corto sobre el total de acciones en circulación en el 2%. Umbral que diversos estudios académicos consideran seguro. Para la segunda, exigiremos que el valor del Z-Score de Altman sea superior a 4. Por lo demás, los parámetros generales del modelo son análogos a los de la cartera HSS.

Sobre el Z-Score de Altman, decir que es una métrica desarrollada por el profesor E. Altman en 1967 y muy seguida por los analistas financieros. Permite determinar el riesgo de que una empresa esté avocada a la quiebra considerando estos cinco factores; rentabilidad, apalancamiento, liquidez, solvencia y nivel de actividad. Valores por debajo de 1,8 son indicativos de peligro, mientas que valores por encima de 3 denotan una buena salud de la empresa.

Las reglas de entrada y salida del modelo LSS son:




Y los resultados, como podemos ver, dejan patente que esta sencilla estrategia de selección de activos consigue arañar alpha al mercado de manera consistente. Por tanto, consideramos probada la afirmación de que los activos con menor porcentaje de posiciones cortas tienden a tener un rendimiento futuro mejor.




Un retorno anualizado del 20,62% es una auténtica barbaridad ya que nos dará, al comparar el modelo con su benckmark, un alpha anualizado del 6,98%. Pero lo más reseñable es la estabilidad del retorno ya que solo existe un año con pérdidas y en 8 de los 10 años se consigue generar exceso de retorno respecto del índice:



3.- CARTERA SHORT SQUEEZE STOCKS (SSS)


Por último, desarrollamos un sencillo modelo para detectar y evaluar estrangulamientos de posiciones cortas en la misma ventana temporal y universo de activos. Como ya vimos en el anterior artículo, la dinámica de un short squeeze genera fuertes movimientos expansivos en los precios, puntuales y muy acotados en el tiempo, que van acompañados de un elevado incremento del volumen.  Por ello, debemos bajar la frecuencia de rebalanceos a semanas o días, reducir el número máximo de posiciones para no dispersar el capital de manera improductiva e incluir alguna regla que detecte volúmenes anormalmente altos.

Esto tiene dos efectos colaterales que conviene sopesar; menor diversificación, que afectará negativamente a la estabilidad del portfolio, y menor beneficio medio por operación (BMO), que aumentará el impacto de los gastos de operativa.

Modificamos los siguientes parámetros del modelo:

  • Rebalanceo: Diario.
  • Máximo de posiciones: 20.




Con estas reglas básicamente lo que queremos es construir un ranking dinámico actualizado diariamente de empresas con un elevadísimo porcentaje de acciones en corto (Buy2) que además haya aumentado durante los últimos 3 meses (Buy3) y con un volumen reciente (promedio de las últimas 10 sesiones) al menos 2 veces superior al volumen medio anual (Buy4).

Estos son los resultados de la simulación:




Si nos atenemos solo al retorno anualizado, el resultado es espectacular (46,91%). Sin embargo, salta a la vista que se trata de una estrategia muy arriesgada y errática; con un DD (-54,19%) muy superior al del índice de referencia y un trazado de la curva de beneficios que evidencia una concentración del retorno en muy pocas operaciones. Pero, en fin, esto es lo que cabía esperar de un modelo de cartera de tipo táctico y oportunista.

Podemos dar un paso más y construir un portfolio híbrido combinando los modelos LSS y SSS cuya correlación no es muy alta (0,44).


4.- CARTERA LSS + SSS


Realizamos esta simulación con la herramienta “Simulated Books” de Portfolio123 que permite combinar varias estrategias asignándoles distintas ponderaciones y criterios de rebalanceo. Los parámetros de nuestra simulación son:

  • Ponderación: 50/50
  • Rebalanceo: Mensual (4 semanas)
  • Criterio de asignación: Fija

Estos son los resultados:



Como vemos, se obtiene una cartera combinada con una curva de beneficios más regular, un elevado retorno anualizado (35,74%) y un DD (-32,25%) inferior al del índice, lo que conduce a un ratio de Sharpe bastante atractivo (1,41).

 

 CONCLUSIONES

 

Con estos modelos, de cuyas limitaciones hablaremos a continuación, hemos corroborado las dos afirmaciones de la comunidad académica:

  1. “Los activos con alto porcentaje de posiciones cortas tienen en promedio un rendimiento inferior al índice”. - Tal y como pone de manifiesto la cartera HSS, completamente lateral, con un retorno meramente residual del 1,67% y un monstruoso DD del -71,49%. Mientras que, en el mismo período, el Russell 3000 sube por una clara pendiente alcista con un retorno anualizado del 14,17%.
  2. "Los activos con un porcentaje menor de posiciones en corto tienen en el largo plazo un rendimiento medio superior al mercado”. -  Cuestión que deja bastante clara la cartera LSS, cuyo comportamiento es un 6,45% superior al índice y consigue batirlo de manera consistente en casi todos los subperiodos anuales (8/2).

Así mismo, confirmamos que es posible diseñar estrategias Basadas en reglas cuantitativas para capturar la anomalía del short squeeze. Si bien, debido a la baja frecuencia de estos movimientos bruscos de precios y a que son de naturaleza errática, los portfolios de este tipo son meramente tácticos y no tienen capacidad para generar un flujo de retorno de manera regular en el tiempo, ya que el porcentaje de grandes estrangulamientos, incluso en un universo tan vasto como las empresas del Russell 3000, es realmente pequeño. 

También hay que señalar que toda herramienta de backtest, por muy bien diseñada que esté, nunca nos ofrece una evaluación totalmente realista del modelo de cartera. Siempre estarán presentes algunos sesgos con los que es difícil lidiar:


  • Sesgo de selección (selection bias). - Consiste en seleccionar una muestra de valores que no es representativa del mercado o sector en el que se aplica la estrategia. Ningún screener escapa a este sesgo ya que precisamente el cometido de estas aplicaciones es filtrar valores según criterios establecidos por los usuarios. Una estrategia de trading incurre en este sesgo cuando se implementan de manera recursiva filtros en base a criterios diana durante un proceso de optimización.
  • Sesgo de supervivencia (survivorship bias). - Se incurre en este sesgo cuando se elimina de una lista o de un proceso de backtest a las empresas que han desaparecido de un índice. Las aplicaciones profesionales para evaluar portfolios suelen incluir mecanismos para contrarrestar este efecto.
  • Sesgo de anticipación (look-ahead bias). - Ocurre cuando se diseñan estrategias echando una ojeada al futuro. Es decir, se está utilizando información en las reglas que no habría estado disponible al inicio de la ventana temporal en la que se realiza el backtest. Por ejemplo, supongamos que queremos evaluar en una ventana de 20 años una estrategia de cobertura para minimizar los grandes derrumbes de los mercados. ¿Daríamos por buena esta estrategia si no es capaz de capturar el crack de 2008 (crisis subprime) o el desplome de 2020 (crisis COVID)? Evidentemente no. Pero si incluimos reglas que capturen eficientemente estos dos grandes eventos, ¿no estaremos echando una ojeada al futuro? Esto mismo nos ha pasado en el sistema SSS: ¿Daríamos por buena una estrategia basada en el short squeeze que no fuese capaz de capturar GameStop en enero de 2021, el mayor short squeeze de la década?  


¿Se pueden minimizar estos sesgos? En gran medida sí, pero no del todo. Aunque seamos extremadamente cuidadosos, construyendo una muralla china entre los datos empleados para elaborar la estrategia (In-Sample) y los datos de validación (Out-Sample), lo cual indudablemente es necesario, siempre acabaremos filtrando en la estrategia información del futuro. Durante el proceso de construcción tenderemos a seleccionar, de forma involuntaria o deliberada, aquellas reglas y parámetros que intuimos que funcionarán mejor: Sencillamente, nos cuesta desprendernos de lo que ya sabemos.

 

©TradingSys.org, 2021.

Andrés A. García.

 

 

 

Añadir comentario

 
Modificado por AndyG - 4 Oct 2021
 
 

Secciones

 
 

Entradas recientes

 
 

Enlaces