UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ECONOMÍA ANÁLISIS DEL PRINCIPIO RIESGO/RENDIMIENTO EN LA BOLSA MEXICANA DE VALORES TESIS QUE PARA OBTENER EL TÍTULO DE: LICENCIADO EN ECONOMÍA PRESENTA: VÍCTOR HUGO MARTÍNEZ CHÁVEZ DIRECTOR DE TESIS: MTRO. EDGAR A. AMADOR ZAMORA Ciudad Universitaria, Cd. Mx., 2024 UNAM – Dirección General de Bibliotecas Tesis Digitales Restricciones de uso DERECHOS RESERVADOS © PROHIBIDA SU REPRODUCCIÓN TOTAL O PARCIAL Todo el material contenido en esta tesis esta protegido por la Ley Federal del Derecho de Autor (LFDA) de los Estados Unidos Mexicanos (México). El uso de imágenes, fragmentos de videos, y demás material que sea objeto de protección de los derechos de autor, será exclusivamente para fines educativos e informativos y deberá citar la fuente donde la obtuvo mencionando el autor o autores. Cualquier uso distinto como el lucro, reproducción, edición o modificación, será perseguido y sancionado por el respectivo titular de los Derechos de Autor. 1 Agradecimientos Este trabajo es fruto de años de esfuerzo, dedicación y perseverancia que dediqué a mi educación. Por ello, me enorgullece presentar este trabajo como un logro individual y colectivo. Dicho logro también pertenece a aquellos que me ayudaron a llegar hasta este punto de mi formación académica. Este apartado es para agradecer a todas las personas que contribuyeron significativamente en la culminación de mi proyecto de investigación. Mi eterno agradecimiento a mi familia por siempre apoyarme en todo momento y ser mi sustento. A mi madre le agradezco por darme su amor incondicional y por ser un ejemplo de esfuerzo y superación en mi vida. A mi padre le doy las gracias por sus sabios consejos y apoyo en mi etapa universitaria. A Emiliano, mi hermano, gracias por acompañarme en este viaje. Le agradezco al Mtro. Edgar Amador, pues sin su experta opinión este trabajo no hubiera sido posible. Quiero agradecerle por su paciencia, su capacidad de transmitir conocimientos y por todo el apoyo que me ha brindado desde que lo conocí. Siempre será mi maestro, gracias por confiar en mí. De igual manera, mi reconocimiento al Mtro. Luis Meneses, pues su objetividad y compromiso fueron de ayuda inmensa para este trabajo. El tiempo que pude trabajar a su lado me permitió darme cuenta de su gran inteligencia y capacidad. Igualmente quiero agradecer a todos aquellos que me acompañaron en este camino y dejaron una enseñanza en mí. A quienes de verdad puedo llamar amigos, sé que siempre estarán ahí, gracias por hacer de esta una etapa verdaderamente memorable. 2 CONTENIDO INTRODUCCIÓN ...................................................................................................................................... 6 CAPÍTULO I. LA TEORÍA FINANCIERA CLÁSICA ............................................................................ 9 INTRODUCCIÓN ............................................................................................................................................. 9 Resumen de la evolución de la teoría financiera .................................................................................... 9 Las herramientas de la teoría financiera .............................................................................................. 11 La tasa libre de riesgo ............................................................................................................................ 13 La teoría de la especulación .................................................................................................................. 15 La teoría de la utilidad esperada ........................................................................................................... 19 CAPÍTULO II. LA TEORÍA FINANCIERA MODERNA ..................................................................... 24 INTRODUCCIÓN ........................................................................................................................................... 24 El modelo del Random Walk ................................................................................................................. 24 Markowitz. El impacto del riesgo en los mercados ............................................................................... 27 El Sharpe Ratio ...................................................................................................................................... 29 El modelo CAPM ................................................................................................................................... 31 La Hipótesis de los Mercados Eficientes ............................................................................................... 33 La crítica a la Hipótesis de los Mercados Eficientes ............................................................................ 35 La crítica de los matemáticos ................................................................................................................. 36 La crítica de la Economía del Comportamiento ................................................................................... 37 La Hipótesis de los Mercados Adaptativos ............................................................................................ 40 CAPÍTULO III. ANÁLISIS SOBRE EL RIESGO Y EL RENDIMIENTO ........................................... 45 INTRODUCCIÓN ........................................................................................................................................... 45 Una aproximación para la medición del riesgo: la beta ....................................................................... 45 La aversión al riesgo .............................................................................................................................. 46 Una posible explicación al incremento del riesgo: el apalancamiento ................................................ 50 La volatilidad como variable estadística ................................................................................................ 53 Volatilidad ex post y ex ante .................................................................................................................. 54 El Índice de Volatilidad ......................................................................................................................... 55 Los cinco principios de la teoría financiera .......................................................................................... 57 CAPÍTULO IV. PRUEBA DEL PRINCIPIO RIESGO/RENDIMIENTO EN LA BOLSA MEXICANA DE VALORES .......................................................................................................................................... 60 3 INTRODUCCIÓN ........................................................................................................................................... 60 La Bolsa Mexicana de Valores .............................................................................................................. 60 El Índice de Precios y Cotizaciones (S&P/BMV IPC) .......................................................................... 61 Evaluando el principio riesgo/rendimiento ........................................................................................... 64 El Sharpe Ratio del S&P/BMV IPC de 1991 a 2021 ............................................................................ 74 La crisis del peso mexicano en 1994 ..................................................................................................... 75 Las Crisis de 1997-1999 ......................................................................................................................... 78 La Crisis de 2008-2009 .......................................................................................................................... 84 La Crisis Sanitaria de 2020: el COVID-19 ........................................................................................... 89 Los Mercados Adaptativos en Acción .................................................................................................... 93 Una Mirada al Futuro ........................................................................................................................... 98 CONCLUSIONES .................................................................................................................................. 102 4 Índice de Gráficos Gráfico 1. Simulación del movimiento browniano .............................................................. 18 Gráfico 2. Función de utilidad .............................................................................................. 20 Gráfico 3. Simulación de un Random Walk ......................................................................... 26 Gráfico 4. Simulación de White Noise ................................................................................. 27 Gráfico 5. Función del valor ................................................................................................. 47 Gráfico 6. S&P/BMV IPC VIX vs S&P/BMV del 2017 al 2022. Datos expresados con base 100. ....................................................................................................................................... 56 Gráfico 7. Comportamiento histórico del IPC de 1991 a 2021. Escala logarítmica............ 61 Gráfico 8. Rendimiento promedio y volatilidad del mercado de valores estadounidense ... 67 Gráfico 9. Exceso en los retornos de portafolios de distintos tamaños, 1926 a 2018. ......... 69 Gráfico 10. Distribución del rendimiento en el S&P/BMV IPC de 1991 a 2021. Rendimientos logarítmicos diarios. ...................................................................................... 72 Gráfico 11. Comportamiento del Sharpe Ratio del S&P/BMV IPC: 1991-2021. ................ 74 Gráfico 12. Relación Riesgo/Rendimiento del S&P/BMV IPC en 1994. Datos Diarios, variación logarítmica ............................................................................................................ 76 Gráfico 13. Diferencial entre rendimiento y riesgo del S&P/BMV IPC. 1994 .................... 77 Gráfico 14. Comportamiento del Sharpe Ratio del S&P/BMV IPC. 1994 .......................... 78 Gráfico 15. Relación Riesgo/Rendimiento del S&P/BMV IPC de 1997 a 1999. Datos diarios, variación logarítmica ............................................................................................... 79 Gráfico 16. Diferencial entre Rendimiento y Riesgo del S&P/BMV IPC. 1997-1999 ........ 80 Gráfico 17. Comportamiento del Sharpe Ratio del S&P/BMV IPC. 1997-1999 ................. 83 Gráfico 18. Relación riesgo/rendimiento en el S&P/BMV IPC de 2008 a 2009. Datos diarios, variación logarítmica ............................................................................................... 85 Gráfico 19. Diferencial entre rendimiento y riesgo del S&P/BMV IPC. 2008-2009 ........... 86 Gráfico 20. Índice S&P/Case-Shiller de los precios de la vivienda. 2000 – 2020. .............. 87 Gráfico 21. Comportamiento del Sharpe Ratio del S&P/BMV IPC. 2008-2009. ................ 88 Gráfico 22. Riesgo/Rendimiento del S&P/BMV IPC en 2020-2021. Datos Diarios, Variación Logarítmica .......................................................................................................... 90 Gráfico 23. Diferencial entre Rendimiento y Riesgo del S&P/BMV IPC. 2020-2021 ........ 91 Gráfico 24. Comportamiento del Sharpe Ratio del S&P/BMV IPC. 2020-2021. ................ 92 Gráfico 25. Precio de las Acciones de VOLARA y AEROMEX de 2020 a 2021 ............... 94 Gráfico 26. Emisiones de Gases de Efecto Invernadero en 2019 (kt de Equivalente de CO2). .................................................................................................................................. 100 5 Índice de Tablas Tabla 1. Evolución de la teoría financiera ............................................................................ 10 Tabla 2. Apalancamiento de Empresas Mexicanas en 2019. Millones de pesos.................. 52 Tabla 3. Componentes del S&P/BMV IPC por Market Cap. Al 14 de febrero de 2022. Millones de pesos. ................................................................................................................ 63 Tabla 4. Rendimiento de las acciones y los bonos en el mercado estadounidense de enero de 1926 a diciembre de 2015 ..................................................................................................... 65 Tabla 5. Rendimiento de las acciones y los bonos en el mercado estadounidense de 2006 a 2015. ..................................................................................................................................... 66 Tabla 6. Balance general de Aeroméxico y Volaris. 2020-2021. ......................................... 95 Tabla 7. Método Altman Z-Score de Distintas Aerolíneas. Marzo de 2020. ....................... 96 Tabla 8. Emisión de Bonos Sostenibles Realizadas por el Gobierno de México ............... 100 6 INTRODUCCIÓN Desde el 2000, han ocurrido tres grandes crisis en los mercados financieros que tuvieron su origen en distintos sectores pero que terminaron por repercutir en los mercados de todo el mundo. La incertidumbre que se generó durante estos períodos de crisis cambió por completo la estrategia de millones de inversionistas, apoyados en herramientas teóricas y estadísticas, o guiados por sus sentimientos. El comportamiento de los inversionistas ha sido estudiado con el motivo de explicar los movimientos en los mercados, y la búsqueda de los rendimientos más altos con un nivel de riesgo previamente medido. El principio del trade-off entre el riesgo y el retorno sugiere que los inversionistas que tomen mayores riesgos lo hacen porque esperan recibir un pago también mayor. Sin embargo, durante los períodos de crisis económicas se puede observar una relación negativa entre ambas variables. Esto ya había sido estudiado por Fischer Black en la década de 1980 desde un punto de vista similar al de este trabajo. Black (1986) explicó que el “ruido”, o la volatilidad, afecta de manera notoria los precios de los activos financieros y la forma en la que se toman decisiones. Esta idea sugiere que la volatilidad del mercado no siempre se basa en información fundamental y puede llevar a movimientos de precios que no reflejan el valor intrínseco de un activo. Esto podría implicar que, en períodos de alta volatilidad, el riesgo podría no estar alineado con el rendimiento esperado. Por otro lado, Andrew Lo (2017) estudia la relación entre el riesgo y el rendimiento y cómo influye el apalancamiento de las empresas en la toma de decisiones. El autor propone la Hipótesis de los Mercados Adaptativos (HMA) en referencia a que el incremento en la volatilidad genera que un significativo número de inversionistas reduzca rápidamente sus posiciones en los mercados debido al estado de alarma que presentan. Las ventas de pánico reducen los precios en los activos con un riesgo más elevado y aumentan la presión en los activos más seguros, pues su demanda aumenta. La HMA -desde un punto de vista biológico- explica que el ser humano se ha adaptado a su ambiente a lo largo de la historia, por lo que es el ambiente el que forma las respuestas del 7 hombre, llegando a modificar su comportamiento. Con respecto a esto último, la respuesta al riesgo ha cambiado durante los últimos años, adaptándose a su ambiente. Por lo anterior, se plantea la hipótesis de este trabajo de investigación. En ella se desea comprobar si existe realmente una relación positiva entre el riesgo y el rendimiento durante períodos en los que incrementa la volatilidad, siendo el caso de las crisis financieras. Además, se busca comprobar que los agentes económicos responden a cambios en el ambiente, como forma de adaptar su comportamiento y su toma de decisiones. A partir de los datos que se obtengan en las distintas fuentes de información disponibles, será posible realizar las pruebas necesarias para comprobar si en realidad existe una relación positiva entre el riesgo y el rendimiento en las acciones de las empresas que cotizan en la Bolsa Mexicana de Valores (BMV). El análisis que se realice posteriormente evaluará el comportamiento de la volatilidad, pero también el de los inversionistas. El análisis que se llevará a cabo consiste en la extracción de los precios de cierre del índice S&P 500 / BMV IPC para posteriormente calcular su rendimiento diario y a partir de estos datos obtener el diferencial entre el riesgo (o la volatilidad) y el rendimiento del índice clasificado en cuatro etapas o períodos históricos: la primera de ellas se refiere a la crisis de 1994, la segunda etapa de volatilidad se refiere a la etapa de la crisis de 1997 a 1999, la tercera etapa considerada es la crisis financiera de 2008 a 2009 y finalmente la crisis originada por el Covid-19. La selección de estas etapas se llevó a cabo debido a su relevancia histórica en el desarrollo económico mexicano y a su papel en los mercados financieros de nuestro país en los últimos treinta años. De esta forma, se buscará entender cómo las crisis afectan la relación entre el riesgo y el rendimiento en el principal índice bursátil mexicano. Como parte fundamental del análisis, se realizará el cálculo del Sharpe Ratio para cada etapa debido a su capacidad de medir el rendimiento esperado por unidad de riesgo y que medirá si existe una correlación positiva entre el riesgo y el rendimiento. Finalmente, se concluirá si 8 durante los períodos de volatilidad existe un rompimiento de la relación entre el riesgo y el rendimiento. Este estudio, a pesar de ser exhaustivo en su enfoque, no está exento de limitaciones. Una de las principales restricciones es la dependencia de datos históricos del mercado. Los precios de cierre del índice S&P 500 / BMV IPC, aunque registrados meticulosamente, pueden no capturar completamente el dinamismo y la complejidad del mercado en tiempo real. Además, este análisis se centra en periodos específicos de crisis financiera, lo cual podría no reflejar el comportamiento del mercado en condiciones normales o en otros tipos de crisis económicas. En cuanto a las consideraciones éticas, este estudio se adhiere a principios de integridad y transparencia en el manejo y análisis de datos financieros. Aunque los datos utilizados son de dominio público y no contienen información sensible o personal, es esencial asegurar que se utilicen de manera responsable y ética. Además, se debe evitar cualquier sesgo o manipulación de datos que pueda llevar a conclusiones erróneas o engañosas. La objetividad es crucial, y cualquier conflicto de interés potencial, como inversiones personales en los índices estudiados, debe ser divulgado y manejado adecuadamente. Finalmente, en este trabajo también se evaluará cómo los agentes económicos responden a los cambios en el ambiente para adaptar su comportamiento y su forma de tomar decisiones. En el entendido de que un cambio en el ambiente se refiere a un evento financiero atípico - en este caso, una crisis financiera-, dicha adaptación será estudiada de acuerdo con resultados cuantitativos como los precios de cierre de las acciones de dos empresas de aviación durante la etapa del Covid-19, o los reportes anuales de las empresas con mayor participación en el mercado mexicano. 9 Capítulo I. La teoría financiera clásica Introducción En este capítulo se hará una síntesis de las aportaciones más importantes a la teoría financiera con la finalidad de introducir al lector a los conceptos más relevantes en la historia de las finanzas. Desde las aportaciones de Bachelier, hasta la actual discusión que sostienen economistas, psicólogos, matemáticos y financieros sobre si realmente es posible pronosticar lo que sucederá en los mercados, o si estos siguen movimientos aleatorios. Cada una de estas teorías remiten al objetivo de los participantes del mercado -los inversionistas, las empresas y los intermediarios- el cual es obtener un retorno a partir de su capital. Sin embargo, toda inversión conlleva un riesgo, y este riesgo se puede medir gracias a la implementación de la estadística en las finanzas. Por último, se analizan las aportaciones que significaron un avance importante en la teoría financiera en cuanto a su nivel de aceptación y de aplicación práctica en distintos mercados internacionales. Esta convergencia de distintos pensamientos ha permitido el desarrollo de una nueva hipótesis, la cual plantea que el conocimiento teórico se adapta a su ambiente, por lo que es resultado de una constante retroalimentación entre el mercado y sus participantes. Resumen de la evolución de la teoría financiera De acuerdo con el análisis de Saito, Savoia y Famá (2013) se puede presentar de manera sintetizada el proceso evolutivo de la teoría financiera hasta el día de hoy. Las aportaciones que surgieron en los períodos definidos serán explicadas con mayor detalle en el desarrollo de este capítulo. 10 Tabla 1. Evolución de la teoría financiera Período Teoría Financiera Eventos Relevantes Aportaciones a la Teoría Financiera 1900-1950 Teoría Financiera Clásica Consolidación de las Grandes Corporaciones Crisis de 1929 Guerras Mundiales I y II Movimiento Browniano Teoría de la Utilidad Esperada 1951-1991 Teoría Financiera Moderna Desarrollo Tecnológico Guerra Fría Crecimiento del Comercio Internacional Crash del Mercado en Estados Unidos (1974) Random Walk Teoría Moderna de Portafolios Hipótesis de los Mercados Eficientes CAPM Modelo de Black-Scholes 1992 a la actualidad Finanzas Conductuales Crisis Financieras en: México (1994-1995) Asia (1997-1998) Rusia (1998) Estados Unidos (2008-2009) Crítica a la Teoría Moderna Teoría de Sesgos Cognitivos Teoría de Prospectos Hipótesis de los Mercados Adaptativos Fuente: Elaboración propia, con información de Saito, Savola y Famá (2013) y de Nair y Antony (2013) La evolución de la teoría financiera en el siglo XX se podría dividir en tres etapas. La primera, de 1900 a 1950, caracterizada por las dos grandes guerras que definieron la historia de la segunda mitad del siglo pero también por una de las crisis financieras más devastadoras 11 de las que se tenga registro. La segunda etapa, que se desarrolla de 1950 a 1990, estuvo marcada por un crecimiento económico acelerado, así como por avances tecnológicos que se derivaron de la Guerra Fría; precisamente el fin de esta carrera armamentista, tecnológica y espacial define la culminación de este período. La tercera etapa inició en la década de 1990 y se sigue gestando en la actualidad, pues la adaptación de tecnologías como las computadoras y la conexión satelital y de internet definieron la etapa de cambios más acelerados de la humanidad. A su vez, la teoría financiera ha evolucionado conforme lo ha hecho la sociedad, a la velocidad del pensamiento y de la capacidad de adaptación de los humanos. No necesariamente ha ocurrido al mismo tiempo que ocurrieron los hechos históricos mencionados en la Tabla 1. Como se analizará más adelante, la adaptación se lleva a cabo desde afuera hacia adentro, es decir, que los agentes se adaptan a su ambiente y no al contrario. Las guerras, las crisis económicas y los descubrimientos científicos causan un cambio brusco en el ambiente al que la teoría financiera se ha adaptado. De esta forma, las personas que desarrollaron dichas teorías se valieron de las herramientas disponibles en su época, siendo la estadística y las matemáticas los instrumentos más valiosos a lo largo de su historia. Las herramientas de la teoría financiera Desde hace más de cinco décadas, la teoría financiera se sirve de las herramientas de la estadística y las matemásticas para desarrollar modelos a través de las tecnologías de la información, con el objetivo de estimar el comportamiento de variables como los precios en los activos financieros. Los modelos que se estudian en este trabajo fueron desarrollados con las bases que brindan la estadística y las matemáticas, y para aplicarlos se han utilizado distintos programas computacionales que permiten realizar los cálculos a una mayor velocidad al mismo tiempo que se pueden obtener resultados gráficos de la información obtenida. 12 Previo a la adaptación de la teconlogía, el uso de las matemáticas y la estadística en las finanzas durante el siglo XX comenzó en 1900 con los descubrimientos de Louis Bachelier (los cuales serán analizados más adelante en este capítulo) y más tarde con el estudio de los mercados aleatorios que realizó Paul Samuelson. Por ello, este trabajo muestra cómo las matemáticas han sido el mayor instrumento que, aplicadas en la teoría financiera, han logrado avances importantes y que en conjunto con la estadística permiten evaluar el riesgo y el rendimiento. Para conceptualizar la estadística desde un punto de vista financiero, se analizarán definiciones de instituciones dedicadas al estudio de las finanzas. Por ejemplo, el Corporate Finance Institute (CFI), define a la estadística como una técnica que se desarrolla con la intención de recolectar, revisar, analizar y expresar de manera gráfica las conclusiones a las que se puede llegar desde los datos cuantitativos.1 De esta forma, en la estadística se pueden encontrar dos clasificaciones principales de variables: las cuantitativas y las cualitativas. Dentro de las variables cualitativas, que se distinguen por tener atributos que no se pueden medir, es posible encontrar a las variables aleatorias o estocásticas. De acuerdo con John A. Rice (2007) las variables aleatorias son escencialmente números aleatorios, los cuales se pueden observar matemáticamente en función de una variable perteneciente a los números reales y se distinguen por tener un valor desconocido o una función que asigna valores a cada uno de los resultados del experimento. A su vez, las variables aleatorias pueden clasificarse como discretas (variables con un valor entre dos consecutivos) o como continuas (que son variables que pueden tener cualquier valor dentro de un intervalo). Una variable aleatoria discreta es aquella que puede tomar únicamente un valor finito o un número infinito de valores contables, por lo que su aplicación puede ir desde el conteo de las veces que se lanza un dado, hasta la producción de bienes o servicios, o el número de empleos en un país. Por su parte, una variable aleatoria continua es aquella que puede tomar valores continuos dentro de los números reales, es por eso que sus 1Esta información es posteriormente utilizada por analistas financieros con el propósito de evaluar y sintetizar grandes cantidades de información, para finalmente crear estrategias y tomar decisiones.(CFI, 2022). 13 aplicaciones están mayormente destinadas a modelos financieros, siendo un ejemplo de ello el objeto de estudio de este trabajo: el análisis del riesgo. Una vez explicado lo anterior, es posible afirmar que en la teoría financiera la variable aleatoria es el precio de cualquier activo o instrumento financiero y el espacio muestral son todos los valores posibles que podría tener dicho precio. Además, se asume que el precio del activo o instrumento financiero es mayor a cero ya que un precio negativo podría contradecir la lógica económica y financiera. Esto no implica que el rendimiento de dicho precio no pueda ser negativo, pues ante la fluctuación derivada de la propia ley de oferta y demanda los precios pueden cambiar drásticamente en un período muy corto. La tasa libre de riesgo Con el propósito de explicar una variable que será utilizada a lo largo de este trabajo, es necesario definir la tasa libre de riesgo y sus aplicaciones. Para entender el concepto del riesgo aplicado a la teoría financiera moderna se requiere analizar su forma más simple: cuando se supone que no existe el riesgo. Sin embargo, es importante reconocer que la posibilidad de estar “libre de riesgo” es una característica exclusiva de entidades con la solidez financiera suficiente para garantizar activos libres de riesgo. Una de las explicaciones de la tasa libre de riesgo teórica se puede derivar de las propuestas de Irving Fischer (1930) quien describe en primera instancia la tasa de interés como un porcentaje de premio que se paga por el dinero, por lo que también la define como el precio del dinero. Sobre esto, Fischer describe que existe un mercado para el intercambio del dinero presente y futuro, llamado mercado de dinero. A su vez, en este mercado la tasa libre de riesgo puede ser negativa o positiva y en la práctica se obtiene a través de un consenso institucional. Por lo anteriormente explicado, la tasa libre de riesgo se podría definir como el rendimiento que se obtiene a partir de una inversión con cero riesgo. Además de una tasa de retorno, la tasa libre de riesgo también representa el pago en un período definido. Entonces 14 ¿es posible realizar una inversión sin riesgo? En la práctica, una tasa libre de riesgo no existe como es concebida teóricamente pues toda inversión conlleva cierto tipo de riesgo. En el caso de México el principal emisor que se basa en la tasa libre de riesgo es el Gobierno Federal, pues sus emisiones representan en el mercado de valores gubernamentales. No obstante, conociendo la característica principal de una tasa libre de riesgo, se podría afirmar que estas instituciones no son del todo emisoras libres de riesgo pues existe la posibilidad —al menos teórica, sin importar qué tan baja sea— de que un país caiga en “default”, en incumplimiento de pago. No obstante, como se explicará más adelante en este trabajo, el default por parte de un gobierno no es un hecho aislado en la historia reciente. De acuerdo con un estudio realizado por Reinhart y Rogoff (2009), 30 países de ingresos medios, en moneda extranjera, han caído en default o han reestructurado su deuda en el período de 1970 a 2008, es decir, en casi cuatro décadas naciones como México y Rusia -cuyos casos serán estudiados más adelante- han tenido que declarar una situación de impago de su deuda. En la actualidad se utiliza el concepto de tasa libre de riesgo en nuestro país para expresar el rendimiento de las emisiones de deuda que realizan en moneda local, las instituciones antes mencionadas. El gobierno realiza sus emisiones en lo que se conoce como el Mercado de Deuda a través de instrumentos como Bondes G, Bondes MS, Bonos a Tasa Fija (M) y Udibonos a distintos plazos con el objetivo de financiar proyectos de inversión de largo plazo. Además, entre los instrumentos que son emitidos por el gobierno en el Mercado de Dinero se encuentran los Certificados de Tesorería. Mejor conocidos como CETEs, estos fueron los primeros instrumentos de deuda emitidos por el Gobierno Federal (en 1978) y se trata de títulos cupón cero. Esto significa que se comercializan por debajo de su valor nominal, también llamado “a descuento”, no pagan intereses durante su plazo y se liquida su valor nominal al vencimiento. De acuerdo con la página oficial de los instrumentos del 15 Gobierno de México, el rendimiento de los CETEs sirve como referencia para la tasa de interés libre de riesgo en diversas operaciones financieras2. Por lo anterior, se podría llegar a la conclusión de que, al menos teóricamente, ninguna inversión está libre de riesgo, ni siquiera la deuda emitida por un gobierno. Esto se debe a que incluso las inversiones consideradas como las de menor riesgo posible en cada mercado conllevan algún grado de incertidumbre. Sin embargo, el riesgo puede variar según el tipo del activo, por lo que cada individuo puede adquirir el nivel de riesgo al que se adhiera su perfil como inversionista. Una vez explicado este punto, el lector podrá entender cómo es que se han estudiado diversos activos manteniendo implícito el hecho de que todos cuentan con cierto nivel de riesgo, y la evolución de la teoría financiera no hubiera sido posible sin la adaptación de los inversionistas al riesgo. La teoría de la especulación El origen de la teoría financiera tal y como la conocemos hoy se remonta a inicios del siglo XX cuando Louis Bachelier decidió estudiar el mercado de los warrants, desarrollando su “Teoría de la Especulación”. Originalmente se tenía una concepción del rendimiento de mercado como un pago por el riesgo de los activos. En la teoría financiera clásica, los inversionistas son aversos al riesgo y asumen un nivel de riesgo de acuerdo con sus preferencias. Asímismo, se tenía la concepción de que los agentes económicos eran racionales en la toma de sus decisiones y se basaban en la teoría de la utilidad esperada. Louis Jean-Baptiste Alphonse Bachelier (1870-1946) eligió analizar la Bolsa de París para su tesis de doctorado con un estudio del mercado de warrants (Bachelier, 1900). Un warrant es un contrato financiero que le permite a su dueño tener el derecho —no la obligación— de comprar un título a un precio dado antes de una fecha específica. El trabajo del warrant es minimizar la incertidumbre de la volatilidad al ofrecer un precio fijo dentro del límite de tiempo establecido. La constante pregunta para el inversor es el precio de este 2 Gobierno de México. CNBV. Instrumentos. https://www.cnbv.gob.mx/SECTORES- SUPERVISADOS/BURSÁTIL/Descripción/Paginas/Instrumentos.aspx 16 derivado. Entonces ¿cuánto cuesta la certidumbre? La respuesta depende del comportamiento del precio del título antes de la fecha de vencimiento. Bachelier defendió su tesis doctoral titulada Théorie de la spéculation en 1900 frente a Henri Poincaré, quien era miembro del jurado. En este trabajo, Bachelier descubrió que otros estudios recientes de su época intentaban pronosticar los patrones en el movimiento de los precios de los activos. Sin embargo, este método asumía un desequilibrio en el mercado, ya que tanto compradores como vendedores buscan obtener un beneficio, lo que en teoría impediría llegar a un acuerdo. Aquí es donde Bachelier llega a su conclusión de que en un mercado equilibrado, la probabilidad de que los precios suban o bajen es 50-50, lo que sugiere que los precios deben moverse de manera aleatoria. Esta idea es fundamental para el concepto del random walk o paseo aleatorio en los mercados financieros. Este análisis se adelantó al trabajo sobre Movimiento Browniano de Albert Einstein3 de 1905, que describía el movimiento aleatorio de una pequeña partícula suspendida en un medio líquido. Específicamente, Einstein creó la Teoría de los Procesos Estocásticos, mostrando que la difusión de las partículas puede verse como un proceso probabilístico de su desplazamiento (y no de la velocidad como sus antecesores propusieron). Por lo tanto, el objetivo final del artículo de Einstein es otorgar evidencia sobre la constitución molecular de la materia. Pero Bachelier, cinco años antes, logró analizar los procesos estocásticos con la finalidad de explicar el movimeinto de los precios. La relevancia de esta anticipación de Bachelier se hace evidente cuando consideramos cómo se aplica el concepto de procesos estocásticos al campo de las finanzas. Bachelier, al aplicar una perspectiva similar a la de Einstein pero en un contexto financiero, allanó el camino para entender el comportamiento de los mercados como una serie de movimientos aleatorios. Esta aproximación es fundamental para la teoría moderna de finanzas, especialmente en la comprensión de cómo se distribuyen los precios en el mercado. 3 En realidad, bajo una traducción libre el título de este trabajo sería “Sobre el Movimiento de Pequeñas Partículas Suspendidas en Líquidos Estacionarios como lo Requiere la Teoría Cinética Molecular del Calor”. Einstein menciona que el problema descrito podría ser igual al Movimiento Browniano, pero debido a la falta de información no se atrevió a dar una opinión concluyente respecto a este tema. 17 La función de distribución no condicionada, es una distribución normal, por lo que: 𝜇 = 0 y 𝜎2 = 1 Donde: 𝜇 = la media 𝜎2= la varianza Si llamamos “𝑍" al Movimiento Browniano y “t” a la variable del tiempo, entonces: 𝐸(𝑍𝑡) = 0 Esto es, que el valor esperado del Movimiento Browniano sea igual a cero, y con 𝑉𝑎𝑟 (𝑍𝑡) = 𝑡 Se tiene que la varianza del Movimiento Browniano será igual al tiempo transcurrido. Por lo anterior, es posible obtener que: 𝑍𝑡 = 𝑍𝑡 − 𝑍0~𝑁(0, 𝑡) Es decir, que el Movimiento Browniano tiene un valor esperado de cero, y su varianza será proporcional al tiempo transcurrido en el período, todo esto si la distribución es cercana a la normal. 18 Gráfico 1. Simulación del movimiento browniano Fuente: Elaboración propia Con el uso de las herramientas de programas estadísticos, es posible replicar el movimiento browniano estándar unidimensional, el cual se muestra en el Gráfico 1. Previamente es necesario asignar valores de tiempo (o espacio parametral) y a las desviaciones (espacio de estados). Este movimiento no sigue ningún patrón debido a que se trata de un proceso estocástico de tiempo continuo. Este concepto de movimiento aleatorio y sin patrón establecido, clave en el análisis de procesos estocásticos, fue crucial para los avances de Louis Bachelier en el campo de las finanzas. De esta forma, Bachelier logró ingresar en un nuevo campo de las matemáticas y adaptar estos avances a los mercados financieros. Usó las ecuaciones de la dispersión del calor, creadas por Jean Baptiste Joseph Fourier, para calcular la probabilidad del movimiento en los precios de los bonos. Bachelier (1900, p.39) llamó a esta técnica "radiación de la probabilidad". Estos acercamientos entre la física y las finanzas serían difíciles de entender para su época, pero después de su rechazo, la tesis doctoral de Bachelier fue publicada en 1914. El 19 trabajo de Bachelier no sería retomado sino hasta 50 años después por Paul Samuelson, seguido de Fisher Black, Robert Merton y Myron Scholes quienes utilizaron este modelo para crear el modelo Black-Scholes. En la década de 1960, Paul Samuelson enfocaría sus estudios en las finanzas, apoyándose fuertemente en la tesis de Bachelier. Otra herramienta financiera inspirada en el trabajo de Bachelier durante la década de 1950 es la Teoría Moderna de Portafolios de Harry Markowitz, un profesor en la Universidad de Chicago que se enfocó en la diversificación del riesgo. Bachelier también inspiraría a Sharpe para desarrollar sus trabajos a principios de la década de 1960 que resultarían en el CAPM (Capital Asset Pricing Model), un modelo para valuar a los activos financieros. Utilizando la técnica matemática de inducción, Samuelson (1965) explica en su trabajo “Proof That Properly Anticipated Prices Fluctuate Randomly” que toda la información de los cambios pasados en el precio de un activo está contenida en el precio presente de dicho activo; por lo que el precio contiene toda la información sobre el activo hasta el presente. Como resultado, Samuelson encontró que el cambio en los precios pasados no contienen información para pronosticar el precio futuro del activo y que de esta forma es imposible generar rendimientos extrapolando los cambios pasados en los precios del futuro. Esta conclusión supone que los precios se deben mover de manera impredecible, por lo que es imposible para los inversionistas pronosticar el precio futuro de un activo financiero, cumpliendo uno de los principios de la Hipótesis de los Mercados Eficientes (HME) que Eugene Fama estaba desarrollando casi al mismo tiempo que Paul Samuelson obtenía dichos resultados. La teoría de la utilidad esperada La Teoría de la Utilidad Esperada caracterizó el proceso de análisis para tomar decisiones bajo incertidumbre durante la primera mitad del siglo XX. El principio de la utilidad esperada fue formulado por Daniel Bernoulli (1738), pero fue axiomatizado por von Neumann y Morgenstern (1944). Este principio afirma que bajo un nivel de incertidumbre, el ponderado 20 promedio de todos los niveles posibles de utilidad representará de mejor manera la utilidad en cualquier punto del tiempo. De esta forma, la teoría afirma que los individuos tomarán la decisión que resulte en la mayor utilidad esperada, la cual se puede encontrar sumando los productos de la probabilidad y la utilidad de todos los posibles resultados. Esta decisión también es influenciada por la aversión al riesgo y la utilidad de otros agentes. A continuación surgirían distintas interpretaciones de la teoría inicialmente aplicada a juegos de azar. Una de ellas, sugeriría que el supuesto de la maximización de la utilidad esperada se podría expresar de la siguiente forma: 𝑥 > 𝑦 𝑠𝑖 𝑈(𝑥) > 𝑈(𝑦) Por lo tanto, una expresión gráfica de esta premisa implica que cada unidad de riqueza adicional significa menos utilidad para el individuo. Gráfico 2. Función de utilidad Fuente: Elaboración propia Utilidad Ganancias 21 Tal y como se presenta en el Gráfico 2, la utilidad marginal de la riqueza decreciente ha sido un concepto central en la Teoría Financiera Clásica. Con el desarrollo de esta teoría, el concepto de utilidad esperada se convirtió en una herramienta crucial para analizar distintos escenarios en los que un individuo debe tomar decisiones bajo incertidumbre. Aunque en ese momento no existían avances significativos en el análisis formal de estrategias de inversión, la función de utilidad proporcionaba un marco teórico para que los inversionistas pudieran evaluar sus decisiones en función del balance entre riesgo y retorno esperado. La presentación de ambas aportaciones a la Teoría Financiera permite observar el proceso evolutivo de la teoría misma, cuya primera apreciación era la de un mercado comportándose de manera aleatoria para pasar al desarrollo de aproximaciones estadísticas que permitieran darle una posible explicación a dichos movimientos. De la misma forma, el desarrollo de estas ideas tuvo un peso importante en el entendimiento de la relación entre el riesgo y el rendimiento, pues cimentó los supuestos de los modelos consecuentes como el CAPM. Este modelo es de suma relevancia en la historia de la Teoría Financiera, pues busca pronosticar con precisión la relación entre el riesgo de un activo y su rendimiento esperado. Además de ser el objeto de estudio de este trabajo, la relación entre el riesgo y el rendimiento es útil para obtener un punto de referencia y así evaluar oportunidades de inversión. Por otro lado, esta relación también sirve para evaluar el rendimiento esperado de cualquier activo que no haya sido comercializado. El CAPM plantea entre sus principales supuestos que los inversionistas son racionales y aversos al riesgo, pero al mismo tiempo buscan maximizar su utilidad de acuerdo con su nivel de aversión al riesgo. Esto quiere decir, desde una perspectiva utilitarista, que los inversionistas buscan la optimización de la media y la varianza; este tema será abordado con mayor detalle en los siguientes capítulos. En la misma perspectiva, se podría agregar que los inversionistas forman sus expectativas de manera homogénea pues todos cuentan con la misma información. Esto tiene consecuencias importantes para el desarrollo de los siguientes 22 capítulos de este trabajo, pues un modelo sustentado en dichos supuestos está expuesto a cuestionamientos lógicos como los que se realizaron a partir de la publicación del CAPM. A partir de la segunda mitad del Siglo XX ocurrieron los avances más importantes para la Teoría Financiera gracias al avance tecnológico y adaptativo de los individuos. La búsqueda de utilidad en un panorama de incertidumbre se sofisticó de acuerdo con el nivel de adaptación de los inversionistas y a la evolución de la tecnología, pero el principio continúa siendo el mismo. Un punto importante a resaltar dentro de la construcción de la Teoría Financiera Clásica y su evolución es que se logró tomar en cuenta las preferencias de los inversionistas dentro de los modelos financieros. Las preferencias de los inversionistas por un rendimiento y una volatilidad esperados se podría expresar con una función de utilidad. De esta forma los inversionistas más aversos al riesgo van a buscar un rendimiento más alto por mayor riesgo aceptado. En la ciencia económica se han graficado las preferencias en las llamadas Curvas de Indiferencia. Si todos los inversionistas contaran con la misma información como lo plantea el CAPM, el portafolio resultante de su evaluación sería el mismo. Sin embargo, debido a que cada inversionista cuenta con sus preferencias, existe una combinación de portafolios que pueden lograr la misma optimización del riesgo y el rendimiento. Para determinar cómo se compondrá un portafolio, los inversionistas utilizan el Asset Allocation, este concepto se refiere a la distribución que realizan los inversionistas de los activos en su portafolio. De esta forma, el Asset Allocation puede resolver el problema técnico de encontrar un portafolio óptimo al distribuir un porcentaje específico del portafolio en distintos activos con niveles de riesgo predeterminados, ajustándose siempre a las preferencias del inversionista. La diversificación, que es una parte clave de esta estrategia, permite reducir el riesgo global del portafolio al combinar activos con diferentes perfiles de riesgo. Por ejemplo, incluir en el portafolio un activo que ofrezca una tasa libre de riesgo puede ayudar a minimizar el riesgo total. Sin embargo, la diversificación también permite la opción de incluir activos con un 23 nivel más elevado de riesgo, con el objetivo de potencialmente aumentar el rendimiento, aunque esto depende de la tolerancia al riesgo del inversionista. 24 Capítulo II. La Teoría Financiera Moderna Introducción A lo largo de este capítulo se estudiarán los distintos modelos que revolucionaron la teoría financiera en el siglo XX, los cuales, aunque siguen vigentes hoy en día, han sido cuestionados por su eficacia en la práctica. Un ejemplo de esto es el concepto de Random Walk, que postula que los mercados siguen un proceso aleatorio, haciendo imposible pronosticar su comportamiento a lo largo del tiempo. Este concepto fue desarrollado más adelante por Eugene Fama con la Hipótesis de los Mercados Eficientes, la cual amplió la idea de aleatoriedad del mercado y propuso tres niveles distintos de eficiencia en los mercados. Esta hipótesis se convirtió en una de las contribuciones más importantes de la teoría financiera. No obstante, estas aportaciones a la teoría financiera fueron sumamente cuestionadas por distintos especialistas que pusieron en práctica dichos modelos apoyándose en los avances tecnológicos que permitieron crear modelos estadísticos para ganarle al mercado. Al final del capítulo se enumeran las críticas que ha recibido la Hipótesis de los Mercados Eficientes por parte de los matemáticos, los economistas conductuales, y los propios financieros. El modelo del Random Walk De acuerdo con Malkiel (1973) el Random Walk es un modelo en el que es imposible pronosticar de manera consistente la dirección futura de cualquier variable tomando como base los hechos del pasado. Este concepto puede ser adaptado a los mercados financieros, de manera tal que los cambios de corto plazo en los precios de las acciones son impredecibles. El modelo de Random Walk tiene tres supuestos clave: el primero, la condición de Martingala, es decir, que el mejor acercamiento al precio de mañana es el precio de hoy; el segundo supuesto es una declaración de independencia, los precios de mañana son independientes de los precios pasados; y, por último, se asume que los precios se distribuyen como una distribución normal. 25 Este modelo específicamente hace un enfoque sobre la característica de independencia en los cambios de los precios. La hipótesis de si los precios siguen una distribución de probabilidades distintinta a la normal, así como la falta de correlación entre los precios de hoy y los precios de ayer, se debe demostrar con pruebas estadísticas y con la graficación de los resultados. Estadísticamente, el modelo de Random Walk es un ejemplo simple de un proceso no estacionario. Sus caracerísticas son las siguientes: no tiene una media o una varianza específica, cuenta con una fuerte dependencia conforme pasa el tiempo y sus cambios son Ruido Blanco, o White Noise. Matemáticamente se podría expresar como: 𝑌𝑡 = 𝑌𝑡−1 +∈𝑡 Es decir: 𝑌𝑡= los precios de hoy 𝑌𝑡−1= los precios de ayer ∈𝑡 = el error o ruido (White Noise) El Random Walk es también un modelo de series de tiempo básico. Es la suma (o integración) de una serie de White Noise con media cero. Esto quiere decir que la primera diferencia del Random Walk es una serie de Ruido Blanco. Lo anterior se puede mostrar gráficamente de la siguiente forma: 26 Gráfico 3. Simulación de un Random Walk Fuente: Elaboración propia Un modelo de series de tiempo muestra gráficamente datos numéricos en un orden a través del tiempo. Se puede utilizar para seguir el precio de cualquier activo financiero en un período específico, por lo que es conveniente para demostrar el comportamiento del Random Walk. Como se puede observar en el Gráfico 3, existe una similitud entre la gráfica que simula el Random Walk y en el Gráfico 1, mismo que presenta la simulación del movimiento Browniano, al no encontrarse una correlación del precio “t-1” con el precio actual. Esta similitud es la que dio inicio a la Teoría Financiera tal y como la conocemos ahora. A continuación, removiendo la tendencia a largo plazo del Random Walk, es posible obtener una serie de tiempo de White Noise (Ruido Blanco). 27 Gráfico 4. Simulación de White Noise Fuente: Elaboración propia Como es posible apreciar en el Gráfico 4, el White Noise puede ser útil para simular series de tiempo sintéticas, como es el caso de este modelo, en el que se simula una serie para un período determinado. Markowitz. El impacto del riesgo en los mercados Conceptualmente, el riesgo se entiende como una situación que involucra una exposición al peligro4. Sin embargo, en la teoría financiera el riesgo se define como la probabilidad de que los resultados de una inversión difieran del rendimiento esperado. Teniendo en cuenta que los inversores trabajan con incertidumbre, se debe esperar que todas sus operaciones conlleven un nivel distinto de riesgo. En el campo financiero, Harry Markowitz fue uno de los primeros en interesarse por el estudio específico del riesgo en la formación de estrategias de inversión. Markowitz propuso que el principal punto de análisis en una posible inversión es su nivel de riesgo, por 4 De acuerdo con el Compact Oxford English Dictionary of Current English. 28 lo que un inversionista que fuera más pasivo, buscaría crear un portafolio con un menor riesgo. Markowitz (1952) planteó matemáticamente los conceptos del riesgo y del rendimiento en forma de ecuaciones, basándose en las ideas de Bachelier, por lo que definió que el rendimiento esperado depende del precio estimado al momento de la venta. El precio estimado, de acuerdo con Markowitz, se estima como un promedio de todos los precios que se esperan del activo financiero. A su vez, el riesgo depende de cuánto varíe el precio alrededor de la media. Estos dos conceptos, rendimiento y riesgo, o matemáticamente hablado, el promedio y la varianza, podrían describir los prospectos de cualquier acción según la propuesta de Markowitz. De acuerdo con su trabajo “Portfolio Selection” publicado en 1952, Markowitz plantea que el riesgo de un portafolio de inversión se puede reducir – sin la necesidad de buscar el retorno más alto- mediante la diversificación de activos financieros. “The hypothesis (or maxim) that the investor does (or should) maximize discounted return must be rejected. If we ignore there is a diversified portfolio which is preferable to all non-diversified portfolios- Diversification is both observed and sensible; a rule of behavior which does not imply the superiority of diversification must be rejected both as a hypothesis and as a maxim”5 El riesgo al que Markowitz se refiere en este trabajo es al sistemático. El riesgo sistemático - o de mercado - es el riesgo referente al que todo el mercado, o de un segmento del mercado puede llegar a experimentar. Este tipo de riesgo se distingue por su dificultad para ser diversificable debido a que conlleva el riesgo de empresas de distintos sectores. Por otro lado, existe un tipo de riesgo que es inherente a las empresas, se trata del riesgo idiosincrático, también llamado riesgo específico. Este riesgo tiene su origen en un activo particular o un grupo de activos – como las acciones de una empresa - y afecta 5 Markowitz, H. (1952). Portfolio Selectin. The Journal of Finance, Vol. 7, No. 1. Pp. 77 29 únicamente a ese activo. Este riesgo se desarrolla a un nivel microeconómico, mientras que el riesgo sistemático ocurre a un nivel macroeconómico. El Sharpe Ratio Uno de los responsables de la evolución del CAPM, William F. Sharpe, también desarrolló otra medida de evaluación del riesgo y el rendimiento esperado. Sharpe (1966) introdujo una medida del performance (o rendimiento) de los fondos de inversión (Mutual Funds) y lo llamó “radio de retorno a variabilidad”6. Recibió distintos nombres, hasta que el término Sharpe Ratio (o Ratio de Sharpe) fue acuñado. El Sharpe Ratio se construye en el paradigma de Markowitz entre la media y la varianza, pues se asume que la media y la desviación estándar de los retornos de un período de la distribución son suficientes medidas estadísticas para evaluar los prospectos de un portafolio de inversión. Sin embargo, Sharpe (1994) asegura que las comparaciones basadas en estos dos momentos de la distribución no toman en cuenta las posibles diferencias entre los portafolios en otros momentos, o distribuciones, relacionadas con distintos niveles de la utilidad del inversionista. Por lo tanto, ni la media ni la varianza podrían satisfacer las necesidades para medir el rendimiento de un portafolio. El objetivo del Sharpe Ratio, de acuerdo con el propio Sharpe, es explicar las situaciones en las cuales las dos medidas (la media y la varianza) pueden ser resumidas en una. La variable a la que se refiere es al propio Sharpe Ratio, el cual puede ser expresado de la siguiente forma: 𝑆 = (𝑅𝑝 − 𝑅𝑓)𝜎𝑝 6 Reward-to-variability ratio, por su término original en inglés (Sharpe, 1966). 30 Donde: 𝑆 = Sharpe Ratio 𝑅𝑝= Retorno del portafolio 𝑅𝑓 = Tasa libre de riesgo 𝜎𝑝 = Desviación estándar del portafolio Por lo tanto, el Sharpe Ratio mide el retorno esperado por unidad de riesgo que asume un inversionista, calculando la diferencia entre el rendimiento del portafolio y el rendimiento de un activo sin riesgo, como los bonos emitidos por el Estado, en relación con el riesgo adicional que fue tomado por el inversionista. El propio Sharpe (1994) advierte que en su aplicación el Sharpe Ratio no toma en cuenta las correlaciones. Por lo tanto, cuando una toma de decisión pudiera repercutir en las correlaciones con otros activos en el portafolio de un inversionista, esta información debería ser utilizada para complementar las comparaciones basadas en el Sharpe Ratio. De esta aportación, uno de los factores a destacar es el momento de la historia en el que se desarrolló el Sharpe Ratio, pues coincidió con la HME y el propio CAPM. Este proceso teórico no es casualidad, pues durante la década de 1950 Estados Unidos experimentó uno de los mayores crecimientos económicos de su historia derivado del período de posguerra, en el que los mercados financieros experimentaron un desarrollo importante. De acuerdo con el Bureau of Economic Analysis (BEA), la economía estadounidense creció un 74% durante dicho período (Federal Reserve Economic Data, 2022). Por lo tanto, los incentivos para innovar eran altos para los investigadores y científicos. En la misma década, el índice S&P 500 creció cerca de 250%, por lo que no es una sorpresa que distintos teóricos buscaran una explicación, o un método estadístico para poder pronosticar el rendimiento de los mercados. 31 El modelo CAPM Casi de manera simultánea a la HME se estaría desarrollando un modelo que cambiaría por completo la teoría financiera, el Capital Asset Pricing Model (o CAPM). El CAPM se convirtió en una de las mayores aportaciones debido a su capacidad de innovación y adaptación al comportamiento de los mercados durante la segunda mitad del Siglo XX. Este modelo describe la relación entre el riesgo sistemático y los retornos esperados de un activo financiero, particularmente de una acción, y es ampliamente utilizado por los inversores para valuar activos riesgosos y crear pronósticos de los retornos de acuerdo con su riesgo y el costo de capital. La historia de la teoría financiera generalmente atribuye el desarrollo del CAPM a Sharpe (1964), Litner (1965) y Mossin (1966). Sin embargo, Jack Treynor (1962) también merece reconocimiento por sus aportaciones al modelo, pues utilizó el concepto de espacio experimental para cuantificar el riesgo y las relaciones de riesgo, y desarrolló el CAPM de manera simultánea a Sharpe (1964). La expresión matemática del modelo es la siguiente: 𝑅𝑖 = 𝑅𝑓 + 𝛽(𝑅𝑚 − 𝑅𝑓) Donde: 𝑅𝑖 = Tasa de retorno esperada 𝑅𝑓 = Tasa libre de riesgo 𝛽 = Beta del portafolio 𝑅𝑚 = Tasa de retorno del mercado La ecuación permite esperar que un mayor retorno está relacionado positivamente con una beta más alta. La beta mide la sensibilidad, también entendida como volatilidad del activo financiero con respecto al comportamiento del mercado. 32 A su vez, la beta se calcula dividiendo la covarianza de los retornos del activo financiero y los retornos del mercado, entre la varianza de los retornos del mercado. Este cálculo se puede expresar de la siguiente forma: 𝛽 = 𝐶𝑂𝑉(𝑅𝑒 , 𝑅𝑚)𝑉𝐴𝑅(𝑅𝑚) Donde: Re = Retorno del activo financiero. El resultado de beta puede presentar tres distintos escenarios: 𝛽 = 1 Cuando beta es igual a uno, se podría decir que se comporta igual al mercado y por lo tanto seguirá de manera muy cercana sus movimientos; 𝛽 > 1 Cuando beta es mayor a uno, significa que los precios de los activos tienden a ser más volátiles que el mercado —que sobrerreaccionan a los movimientos del mercado— y por lo tanto son calificados como activos agresivos; finalmente 𝛽 < 1 Cuando beta es menor a uno indica que tiende a ser menos volátil que el mercado y se denomina a los activos como defensivos por su menor nivel de riesgo. 𝛽 < 0 33 Una beta negativa implica que el activo se mueve en dirección opuesta al mercado. Es decir, cuando el mercado sube, el activo tiende a bajar, y viceversa. Esto puede hacer que el activo funcione como una cobertura contra el riesgo del mercado, ya que su comportamiento inverso puede ayudar a compensar las pérdidas en otras partes del portafolio. La Hipótesis de los Mercados Eficientes En 1965, con la publicación de su tesis post doctoral, Eugene Fama explicó el funcionamiento del Random Walk en su publicación titulada “The Behavior of Stock-Market Prices” (Fama, 1965), la cual buscaba explicar el movimiento aleatorio de los precios de acuerdo con el Random Walk. Con su hipótesis, Eugene Fama define un mercado eficiente como un mercado con un gran número de competidores racionales y activamente maximizadores de sus ganancias. Cada uno de estos agentes trata de pronosticar el futuro de los valores de activos individuales en los mercados, y la información importante del momento está casi completamente disponible para todos los participantes. En un mercado eficiente, en promedio, la competencia causará que los efectos de la nueva información en los valores intrínsecos se reflejen instantáneamente en los precios actuales. Fama resumió su aportación en la siguiente frase: “Los precios reflejan de manera completa toda la información disponible”. El modelo de Fama tiene los siguientes supuestos: 1. Los agentes del mercado en su totalidad son racionales, y todos buscan maximizar su beneficio. 2. Los precios son eficientes. 3. Existe libre competencia, todos los agentes realizan cálculos para pronosticar los precios. 4. Todos en el mercado cuentan con la misma información disponible. 5. No hay costos de transacción. 6. No hay correlación entre los precios pasados y los actuales. 34 Considerando que dichos agentes son inversionistas, el modelo de la HME asume que los factores psicológicos no tienen incidencia en su comportamiento y que todos llevan a cabo decisiones con resultados óptimos. La optimización de las decisiones conlleva únicamente a la maximización del benefico, por lo que este supuesto, como el resto, podría cuestionarse en la práctica. Una parte importante de la teoría financiera moderna está explicada en la HME debido a la idea principal de que los mercados incorporan con gran precisión toda la información disponible en los precios. De esta hipótesis han surgido diversas interpretaciones complementarias que podrían ser de la misma forma utilizadas para evaluar la eficiencia en distintos mercados. En una investigación posterior, Fama et al. (1969) en The Adjustment of Stocks Prices to New Information desarrolla la idea principal de la HME. Tomando como referencia las investigaciones de Mandelbrot y Samuelson, Fama encontró evidencia empírica de que los cambios sucesivos de precios en acciones eran independientes. Este trabajo utiliza el término de “Mercados Eficientes” de tal forma que explica la incorporación casi instantánea de los mercados a la nueva información disponible. En éste, Fama llega a la conclusión de que en promedio los juicios del mercado concernientes con la información resultante de los splits7 de acciones están reflejados en el precio de estos activos financieros por lo menos al final del mes en el que se realizó el split, pero con mayor probabilidad de suceder al momento en el que se da a conocer la noticia. Continuando con el desarrollo de su modelo, Fama (1970) añadió tres clasificaciones a la eficiencia de los mercados en su trabajo Efficient Capital Markets: A Review of Theory and Empirical Work. En los mercados con una eficiencia débil los precios actuales reflejan completamente la información de los precios pasados, por lo que usar herramientas del análisis técnico es inútil para pronosticar los cambios futuros en los precios. En los mercados 7 Un “split” de acciones ocurre cuando una empresa decide dividir las acciones que se encuentran en el mercado en nuevas acciones para incrementar la liquidez. Por lo tanto, no existe un incremento de valor en las acciones, pero sí en el número de ellas. 35 cuya eficiencia sea semifuerte, las herramientas del análisis fundamental son también inútiles, la información pública disponible no funciona para pronosticar los precios. Finalmente, en los mercados con una fuerte eficiencia, ni la información privilegiada, o privada, es útil para realizar predicciones de precios o estrategias de inversión con ganancias aseguradas. La HME desestimó los esfuerzos de los inversionistas por crear estrategias que les generaran beneficios en los mercados de activos financieros y así tener mayor rendimiento que el mercado. La HME colocó a Fama como uno de los autores con más influencia de la historia de la teoría financiera, pues su trabajo sigue siendo estudiado en la actualidad incluso y cuando recurrentemente se cuestiona el nivel de eficiencia en los mercados. A su vez, la inclusión de los tres niveles de eficiencia en los mercados marca un proceso adaptativo de la teoría a la realidad, pues se distingue que no en todos los ambientes se cumple el supuesto de información perfecta y la racionalidad de los agentes. La crítica a la Hipótesis de los Mercados Eficientes Si bien la HME fue desde su creación la base de los modelos de la teoría financiera por varias décadas, el avance científico y tecnológico permitió poner a prubea la hipótesis en distintos escenarios. Fueron principalmente tres escuelas las que rechazaron los supuestos en los que la HME está basada: 1) La primera de ellas es la crítica desde el campo científico matemático. Mediante cálculos y pruebas estadísticas, importantes representantes de esta ciencia como Benoit Mandelbrot se han dedicado a revisar los modelos de la HME con ajustes probabilísticos que muestren una distribución más cercana a la realidad, pues los datos mustran que el supuesto de distribición normal no se confirma. 2) La segunda crítica proviene de la Economía del Comportamiento, que reúne conceptos fundamentales de la psicología para contraponerse a los argumentos de los 36 agentes racionales, y que es representada por Daniel Kahneman, Amos Tversky y Richard Thaler, entre otros. 3) En tercer lugar, la crítica proviene del campo de las finanzas y la economía, influenciadas por la teoría del evolucionismo y otros aspectos biológicos. Los principales representantes son Andrew Lo con su Hipótesis de los Mercados Adaptativos (Lo, 2017), y Robert Shiller quien desde hace más de cuatro décadas8 se ha dedicado al estudio del comportamiento de los mercados financieros. La crítica de los matemáticos En 1964, Paul Cootner publicó su libro titulado “The Random Character of Stock Prices” (Cootner, 1964), el cual compendiaba los trabajos de mayor relevacia en la teoría financiera, como el trabajo de Bachelier. La sección final de este libro contenía cinco artículos de análisis estadístico sobre los precios de las opciones, un área que apenas comenzaba a desarrollar este tipo de investigaciones. El libro de Cootner presentó un artículo de Fama (1963), en el que expande un análisis del comportamiento del mercado expuesto por Benoit Mandelbrot, un matemático francés – y admirador de los trabajos de Bachelier - que estudió estos temas y con publicaciones de la misma índole. Las propuestas de Mandelbrot se centraban en que los precios de las acciones fluctuaban de manera tan irregular debido a que no eran lo suficientemente bien comportadas como para seguir el análisis estadístico que Bachelier y Samuelson habían establecido. Las investigaciones de Mandelbrot implican que las acciones son más riesgosas de lo que comúnmente se asume, y que la diversificación, tal y como resulta de los modelos existentes, podría no funcionar de una manera correcta, pues medidas como la varianza podrían ser altamente inestables, y los movimientos de precios podrían ser mayores antes de 8 En 1980, la NBER (National Bureau of Economic Research) publicó el trabajo de Shiller: “Do Stock Prices Move Too Much to Be Justified by Subsecuent Changes in Dividends?”. Uno de los referentes en cuanto al cuestionamiento de la HME. 37 lo anticipado. Mandelbrot se convirtió en una referencia para la ciencia, pues su visión del comportamiento de los mercados le permitió desarrollar la Geometría Fractal y lo que ahora se conoce como la Teoría del Caos. Mandelbrot es conocido por ser uno de los principales críticos de la HME, pues de acuerdo con sus propuestas, la plena confianza en que los mercados son eficientes condujo a la desastrosa crisis financiera del 2008-2009. A partir de esta crisis, las ideas de Mandelbrot —rechazadas por el campo académico por casi cinco décadas— comenzaron a ser aceptadas en la teoría financiera. La teoría alterna a la HME de Mandelbrot surgió con base en la observación de los eventos en los mercados financieros. Mandelbrot (1975) construyó una herramienta matemática llamada geometría fractal9. En Mandelbrot & Hudson (2004) se define a la Geometría Fractal como las matemáticas de una invarianza en el mundo real, el estudio de los patrones en el espacio-tiempo que permanecen de la misma forma incluso a distintas escalas. Los estadísticos llaman a esto, en palabras más sencillas, un fractal geométrico, que es una forma geométrica con una estructura que se repite un cierto número de veces en diferentes escalas. Los métodos de la geometría fractal se han vuelto parte de la caja de herramientas de la dinámica de fluidos, hidrología y de la meteorología. Su poder proviene de la habilidad única de expresar un conjunto de datos complicado, irregular, en una forma simple. En el análisis financiero, a partir del movimiento de los precios, se puede percibir un sistema de tendencias. Si los precios comienzan a bajar, o a subir, parece existir una ligera tendencia de que lo seguirán haciendo por un tiempo. Sin embargo, puede detenerse en cualquier momento. La crítica de la Economía del Comportamiento A principios de la década de 1970 surgió una escuela del pensamiento heterodoxa en la teoría económica y financiera, tomando los elementos más importantes de la teoría psicológica y 9 Fractal proviene de fractus, pasado participio de franfere, quebrar del latín. 38 aplicándolos a los agentes económicos, se creó la Economía del Comportamiento. A través de dos de las principales herramientas de la economía: el uso de pruebas aleatorias controladas y los experimentos de ocurrencia natural, Daniel Kahneman y Amos Tversky pudieron desarrollar esta corriente que cada vez recibe mayor atención por parte de los hacedores de políticas económicas, investigadores y del sector empresarial. A partir de la premisa central de la teoría económica —que los agentes son racionales y eligen por optimización— la Economía del Comportamiento cuestiona esos supuestos, así como el de las expectativas racionales. De esta forma, Kahneman (2011) propone una definición de racionalidad que es utilizada ampliamente en esta rama de la economía (y que será usada en este trabajo), la cual consiste en coherencia lógica que permite tomar decisiones que eleven el nivel de utilidad. Los “Econs”, como Kahneman llama a aquellos agentes capaces de tomar decisiones basadas en el incremento de su utilidad, son racionales por definición, pero existe evidencia empírica de que los humanos no pueden ser racionales. Previo al surgimiento de los Econs, y en el intento de acercarse a una conceptualización de los agentes racionales en la economía del comportamiento, surgió el homo economicus. El homo economicus es una evolución del homo sapiens, un ideal del comportamiento humano que ha alcanzado la capacidad infinita de realizar decisiones óptimas. Este término fue utilizado por primera vez por John Stuart Mill (1836), quien definió las características de la economía política. El homo economicus también es un ser egoísta, que busca siempre maximizar su beneficio. Por ello, se podría considerar al homo economicus como el actor principal de los mercados eficientes. Se define a sí mismo como un agente económico racional, pues dispone de toda la información para tomar sus decisiones sin ningún sesgo. Esta idea moldeó en gran medida la HME de Eugene Fama, quien consideró como principal supuesto que los agentes económicos son racionales y los precios lo reflejan. Por su parte, la Economía del Comportamiento asegura que los seres humanos distan de ser agentes completamente racionales debido a que el proceso de optimización está 39 sesgado por factores heurísticos. Esto implicaría que los mercados financieros no pudieran alcanzar la eficiencia en los términos planteados por la HME. Todo esto fue postulado por Herbert Simon (1955) décadas antes de que se diera a conocer la corriente de la economía del comportamiento, en su trabajo A Behavioral Model of Rational Choice. A Simon se le conoce como el precursor de la economía conductual por los cuestionamientos que hizo sobre la racionalidad de los “hombres económicos” en los modelos de la teoría económica tradicional y en la teoría de la economía de la empresa. Casi una década después de su introducción al campo económico, Daniel Kahneman y Amos Tversky (1979) publicaron la Teoría de Prospectos, una crítica a la teoría de la utilidad esperada como un modelo descriptivo de la toma de decisiones bajo riesgo, y de las expectativas racionales en sí. En la Teoría de Prospectos, se propone que los individuos que toman decisiones entre prospectos riesgosos pueden mostrar efectos inconsistentes con los supuestos básicos de la teoría de la utilidad. En específico, desarrollan el efecto de certeza, que contribuye a la aversión al riesgo en elecciones que involucran ganancias seguras y la búsqueda del riesgo en elecciones que implican pérdidas seguras. Estos autores propusieron un modelo descriptivo de la toma de decisiones bajo incertidumbre, intentando ser una explicación descriptiva alterna a la teoría de la utilidad esperada de Von Neumann y Morgenstern (1947). Esta última es generalmente aceptada como una teoría que explica de manera correcta la toma de decisiones riesgosas por parte de un agente racional. Tanto Kahneman como Tversky iniciaron un movimiento de economistas conductuales que se encargarían de fortalecer el área de conocimiento de la economía del comportamiento. Ya en la década de 1980, surgió el modelo de racionalidad limitada, creado por Herbert Simon (1982), en el que propone que la racionalidad está restringida porque existen restricciones a nuestra capacidad del pensamiento, de la información y del tiempo. Con esta teoría, Simon analiza la carencia de la capacidad cognitiva para resolver problemas de elección complejos. 40 En la misma década, Richard Thaler se dio a conocer como otro gran exponente de la economía conductual gracias a sus estudios sobre las preferencias de los individuos y sus perspectivas de planificación. Thaler y Shefrin (1981) encontraron un sistema dual en los individuos que inhibe la capacidad de autocontrol en el que un sistema trata de planificar a largo plazo, mientras que el otro sistema se enfoca en la planificación a corto plazo. Los aportes realizados por psicólogos, economistas y científicos de otras áreas, se vieron reflejados en la teoría financiera conductual, o behavioral finance. Esta teoría alternativa analiza el impacto de la psicología en la conducta de los participantes del mercado y su efecto en el mismo, enfocándose en cómo los inversores individuales toman decisiones, particularmente en la manera en la que interpretan y reaccionan a información específica (Nair & Antoni, 2013). Thaler (2016) encuentra que los dos pilares de la teoría económica ortodoxa —el equilibrio y la optimización— tienen imperfecciones. En primer lugar, los problemas de optimización suelen ser demasiado complicados y requieren más tiempo del que una persona está dispuesta a consumir para lograr el resultado óptimo. En segundo lugar, las creencias que las personas utilizan como punto de referencia para tomar decisiones no son siempre imparciales. Esta opacidad ocurre por distintos sesgos, como el tener excesiva confianza. El tercer problema es que el modelo de optimización no incluye factores conductuales que modifican la toma de decisiones de los individuos. Por lo tanto, la teoría financiera ha evolucionado en cuanto a su foco de estudio, el cual ahora es el comportamiento del inversor. Esta variable, al igual que las emociones, conduce a anomalías de mercado e ineficiencias. En consecuencia, en el modelaje actual del comportamiento de los inversionistas se vuelve casi indispensable la medición de la avaricia y el miedo, los cuales se traducen en la percepción del riesgo. La Hipótesis de los Mercados Adaptativos 41 La evolución de la teoría financiera, y del ser humano, ha traído consigo un avance tecnológico importante en la última parte del Siglo XX y de mayores dimensiones en lo que va del Siglo XXI, lo que ha contribuido significativamente a la evolución de los mercados financieros. Estos avances implican mayor velocidad en las operaciones de compra y venta de activos financieros, por lo que el movimiento de precios también se ha vuelto más veloz. El aumento de la volatilidad, así como de la interconexión de los mercados financieros, podría significar un incremento en el riesgo sistemático para el resto de la economía. Existen pocas investigaciones sobre la evolución de la teoría financiera y la adaptación del comportamiento, pero Andrew Lo (2017) realiza una labor de síntesis en su libro “Adaptive Markets: Financial Evolution at the Speed of Thought” en la que reúne todos los componentes más importantes de las teorías presentadas anteriormente para proponer una nueva hipótesis. La Hipótesis de los Mercados Adaptativos (HMA) propone que el ser humano se ha adaptado a su ambiente a lo largo de la historia, y que es este entorno el que moldea las respuestas humanas, modificando incluso la cultura y el comportamiento. En cuanto a la respuesta al riesgo, esta ha variado en los últimos años no solo porque los mecanismos de medición se han vuelto más sofisticados y precisos, sino también debido a otros factores como la evolución de la tecnología, el cambio en las regulaciones financieras, y la creciente globalización de los mercados. No obstante, aún existen barreras que impiden realizar este ejercicio con absoluta objetividad, como las limitaciones inherentes en los modelos de riesgo, la incertidumbre en la predicción de eventos extremos y la influencia de factores psicológicos en la toma de decisiones. En ciertos casos, los individuos cometen los mismos errores de manera predecible y repetida, este distanciamiento de la racionalidad tiene sus orígenes en la cognición. Esto quiere decir que las personas son irracionales de una manera predecible (Ariely, 2008). Esta “irracionalidad consciente” también es conocida como sesgos cognitivos. Se pueden distinguir las posibles causas de los sesgos cognitivos a continuación: recursos cognitivos 42 limitados, la influencia de motivación o emoción, influencia social y las heurísticas (Blanco, 2017). De acuerdo con lo anterior, los recursos cognitivos limitados se refieren a la capacidad restringidad de memoria que tiene cada individuo, así como los distintos niveles de concentración en una gran cantidad de información al mismo tiempo. Por ello, Kahneman (2003) propone que la mejor decisión se toma incluso bajo un esquema de racionalidad limitada. En cuanto a la influencia de la emoción y motivación, Bechara y Damasio (2005) explican que sin las evaluaciones basadas en las emociones, no se llegaría a un resultado óptimo debido a que las emociones son inherentes al ser humano y toda decisión conlleva algún sesgo emocional. A su vez, la influencia social resulta relevante en el análisis cognitivo debido al peso que tiene la sociedad sobre el individuo y la toma de sus decisiones y la formación de juicios. Por ejemplo, cuando se llevan a cabo elecciones para cargos públicos, generalmente las opiniones de las personas se basan en otras opiniones expresadas anteriormente por alguien, lo que desarrolla una fuerte influencia en el comportamiento colectivo (Obermaier, Koch & Baldem, 2015). Por último, la explicación que Kahneman y Tversky (1982) le dan a las heurísticas es una de las más conocidas dentro del área de estudio de la cognición humana. Los autores afirman que no siempre es posible llevar a cabo decisiones racionales por razones como el tiempo que toma evaluar cada posible resultado, la concentración que se requiere para llevar a cabo esta evaluación y a que es posible llegar a una solución cercana a la mejor, probablemente satisfaciendo la utilidad. Por ello, la mente usa heurísticas, o atajos mentales, para tomar decisiones de todo tipo. Se puede entender entonces que una heurística es una regla que no trata de abordar por completo el problema ni de alcanzar la solución óptima, sino que se basa en la reducción de esfuerzo y de tiempo para obtener un resultado satisfactorio. 43 Este panorama proporcionado por la psicología y por la economía del comportamiento permite obtener un análisis biológico y evolutivo de los agentes económicos y estudiar el proceso de su toma de decisiones. Estos conceptos son retomados en la HMA, y son fundamentales para desarrollar todos sus supuestos. La HMA no rechaza que existan agentes con información perfecta, pero tampoco asegura que el mercado esté repleto de ellos. Por lo tanto, se crea una convivencia entre agentes racionales y no racionales que propician los movimientos en los precios que se observan día a día. Estos agentes reciben retroalimentación casi instantánea de su propio ambiente, por lo que deben adaptarse a él de acuerdo con los movimientos del mercado. Aquellos que no logren adaptarse serán expulsados de su respectivo mercado, dando pauta al proceso evolutivo. Los puntos que propone la HMA se pueden resumir de la siguiente forma: 1. Los individuos no son seres racionales en todos los casos, pero tampoco completamente irracionales, los seres humanos son entidades biológicas cuyas características y comportamientos están formados por la evolución. 2. Los seres humanos muestran sesgos conductuales y realizan decisiones subóptimas, pero es posible aprender de las experiencias pasadas y revisar las heurísticas en respuesta al feedback negativo. 3. Los seres humanos cuentan con la capacidad de pensar de forma abstracta, específicamente con una proyección al futuro basada en experiencias pasadas y la preparación para cambios en el ambiente. Esta es la evolución a la velocidad del pensamiento. 4. La dinámica de los mercados financieros está manejada por las interacciones y la forma en que nos comportamos, aprendemos y adaptamos, así como por el ambiente social, cultural, político, económico y natural. 44 5. La supervivencia es la última fuerza que maneja la competencia, la innovación y la adaptación. Así, los mercados financieros a nivel mundial se componen de agentes interactuando entre sí todos los días, las 24 horas del día. Esta interacción entre individuos, y el movimiento de grandes cantidades de dinero, dan como resultado un ambiente lleno de diversidad, en el cual no todos logran adaptarse con el pasar del tiempo, y en el que siempre se llega a un nuevo equilibrio. La HMA da una nueva perspectiva sobre el análisis del comportamiento y de la toma de decisiones bajo un panorama de riesgo. El contraste de ideologías, así como de aportaciones científicas permite tener un panorama más amplio sobre lo que sucede en los mercados financieros, por lo que permitirá establecer un contexto para la siguiente parte de la investigación. El análisis del riesgo y el rendimiento no podría ser explicado únicamente de manera cuantitativa, pues quienes formulan las estrategias de inversión y llevan a cabo las operaciones son individuos que se desarrollan en distintos ambientes – con diversas percepciones del riesgo – de manera simultánea. De esta forma, concluye el contexto histórico de las principales aportaciones a la teoría financiera del último siglo. Adecuado al marco teórico de este trabajo, se concluye que la evolución de las ideas ha ocurrido a una velocidad cada más mayor, y que el ambiente influye directamente en la adaptación de los individuos a su entorno. El desarrollo de la HMA es producto mismo de esta evolución a la respuesta del riesgo y el rendimiento por parte de los inversionistas y es posible que con el avance del tiempo se pueda implementar una teoría que aplique esta aportación a las finanzas. A continuación, se estudiará el principio del riesgo y el rendimiento para comprender el objeto de estudio de este trabajo. 45 Capítulo III. Análisis Sobre el Riesgo y el Rendimiento Introducción En este capítulo se discuten los dos conceptos fundamentales de este trabajo: el riesgo y el rendimiento. A partir de esto, se pueden explicar comportamientos de variables que resultan de la interacción entre los participantes del mercado como la volatilidad y su efecto en los inversionistas, cuya aversión al riesgo define sus estrategias de inversión. Finalmente, se discuten los cinco principios financieros ampliamente conocidos en la teoría, pero que hasta ahora no se habían cuestionado. La HMA cuestiona la forma en la que estos supuestos están planteados y propone una perspectiva distinta en el contexto de los mercados adaptativos. Una aproximación para la medición del riesgo: la beta Como ya se explicó con anterioridad, la beta (𝛽) calcula la volatilidad de un activo financiero con respecto al comportamiento del mercado, sus orígenes se remontan a la década de 1960 cuando William Sharpe desarrolló una herramienta fundamental para la valuación del riesgo en los activos. Un modelo que Markowitz propuso para explicar la correlación entre los retornos de los activos asumía que el retorno de estos dependía de un factor subyacente, que expresara la condición del mercado en un solo índice. Fue William Sharpe (1963) quien probó esta sugerencia hecha por Markowitz, examinando cómo los precios de las acciones tendían a oscilar de manera colectiva con un índice de mercado general. A través de una regresión, Sharpe estimó la relación entre el retorno en el índice de mercado (la variable explicativa) y el retorno de una acción (la variable dependiente). A este modelo de regresión que Sharpe llevó a cabo se le conoce como “modelo de mercado”, y al coeficiente de regresión que obtuvo a partir del modelo lo llamó “beta”, la cual explica la sensibilidad de un activo a movimientos generales del mercado. 46 La importancia de este coeficiente reside en su capacidad de calcular el riesgo de un activo financiero para posteriormente llevar a cabo su valuación. Por su propia definición, la beta del mercado —en el caso de un modelo financiero, de un índice tal como el S&P 500— sería igual a la unidad y cualquier variación por encima o por debajo de este nivel podrían indicar el nivel de riesgo y de posible retorno de un activo. No obstante, a pesar de ser una adaptación de la teoría al cálculo del riesgo de mercado, en un ambiente de alta volatilidad la beta sería incapaz de medir los factores determinantes del riesgo. La aversión al riesgo Si bien el riesgo y los mercados conviven de manera habitual en el mismo ambiente, los individuos tienen la capacidad de asumir el nivel de riesgo al que estén dispuestos, a esto se le conoce como “aversión al riesgo”. El Corporate Finance Institute define a la aversión al riesgo como la tendencia de cualquier agente económico a preferir la certidumbre sobre la incertidumbre. Cada individuo puede elegir qué tanto riesgo está dispuesto a asumir en su estrategia de inversión. El término aversión al riesgo se refiere a la preferencia por preservar el capital ante un escenario de mayor riesgo y por lo tanto, de mayor volatilidad. De acuerdo con Klarman (1991) el enfoque de la mayoría de los inversionistas se centra en el rendimiento (qué tanto pueden ganar), prestando poca o nula atención a la cantidad del riesgo que se asume (qué tanto pueden perder). Uno de los motivos, según el autor, es que la aversión al riesgo es incompatible con una inversión que otorgue rendimientos positivos. Esta perspectiva sostiene que un rendimiento alto es posible solo si se adquiere un mayor riesgo, y que una inversión exitosa en el largo plazo no se puede obtener evadiendo el riesgo. Pero esta limitación del riesgo depende del tipo de inversionista, Para los inversionistas institucionales, afirma Klarman, se les evalúa con su rendimiento comparado con el del mercado. En contraste, los inversionistas en valor (Value Investors) se enfocan en preservar su capital. Estos inversionistas buscan adquirir activos que están subvalorados en relación con su valor intrínseco, y su objetivo principal es minimizar las pérdidas potenciales en lugar de 47 maximizar los rendimientos a corto plazo. La estrategia de los inversionistas en valor se basa en la idea de que al comprar activos a precios inferiores a su valor real, se reduce el riesgo y se incrementa la probabilidad de obtener rendimientos positivos a largo plazo. Gráfico 5. Función del valor Fuente: Kahneman y Tversky (1992). Derivada de la Teoría de Prospectos, donde las pérdidas y las ganancias son valuadas de forma distinta, la función del valor expresa la aversión al riesgo de los individuos. En esta perspectiva, el peso de las pérdidas es mayor que el de las ganancias. Kahneman y Tversky (1992) enfocaron sus estudios en los cambios de riqueza debido a que los seres humanos perciben la evolución a través de los cambios. 48 Casi de manera inmediata es posible apreciar que la parte superior de la gráfica representa las ganancias en la misma trayectoria que la función de utilidad estándar, reflejando una utilidad marginal decreciente. A su vez, la parte inferior refleja también utilidad decreciente en las pérdidas, pero resalta que la diferencia entre perder o ganar una cantidad cualquiera de riqueza en el mismo nivel, se multiplica cuando existen pérdidas. En términos prácticos, cada pérdida se hace más dolorosa para los individuos, haciendo esta sensación más fuerte que el placer de las ganancias equivalentes. A este fenómeno se le conoce como aversión a las pérdidas. A su vez, la aversión al riesgo es uno de los fundamentos de las Finanzas Conductuales, debido a su capacidad explicativa del por qué los inversionistas toman decisiones inadecuadas cuando se presenta una situación de riesgo con pérdidas. Thaler (2015) afirma que en este modelo los incrementos de ganancias importan cada vez menos, y por lo tanto importan más los decrementos de la misma. Bajo el supuesto mencionado, en el que un alto rendimiento solo es alcanzable mediante un mayor riesgo, se puede deducir que un inversionista opera en un entorno donde otros están dispuestos a asumir mayores riesgos, lo que puede aumentar también sus posibles pérdidas. Por lo tanto, se puede afirmar que: “El hecho de que la gente tenga una sensibilidad decreciente tanto a las ganancias como a las pérdidas también tiene otra consecuencia, y es que tendrá aversión al riesgo para las ganancias, pero también será amante del riesgo para las pérdidas” (Thaler, 2015) Existen múltiples experimentos que apoyan estas aseveraciones, uno de los más conocidos es el realizado por Thaler a dos grupos distintos de personas, en el que se les presentaron distintas situaciones. En la primera, obtienían 300 dólares adicionales a su riqueza y podían escoger una ganancia asegurada de 100 dólares o una ganancia de 200 dólares con probabilidad del 50 por ciento y el otro 50 por ciento de no ganar nada. En este problema, el 72 por ciento del grupo escogió la primera opción, mientras que el 28 por ciento escogió la opción dos. La segunda situación representaba una situación similar, pero en este caso se reciben 500 dólares adicionales de riqueza, y los individuos tuvieron la opción de 49 escoger entre una pérdida segura de 100 dólares o una pérdida de 200 dólares con una probabilidad del 50 por ciento y el restante porcentaje de no tener pérdidas. Para esta situación, el 36 por ciento del grupo escogió la primera opción, mientras que el 64 por ciento tomó la segunda opción. El anterior experimento explica el por qué los individuos prefieren el riesgo en el caso de las pérdidas y se vuelven aversos al riesgo cuando obtienen ganancias. El nombre de este fenómeno es “efecto dotación”, el cual también se encuentra expresado en el gráfico anterior. Este efecto es un sesgo emocional que provoca que un individuo sobrevalúe cualquier activo en su posesión, con respecto a su valor de mercado. De acuerdo con Köszegi & Rabin (2006) para comprender el efecto dotación se pueden analizar tres de sus componentes. El primero de ellos es la dependencia de un punto de referencia, el cual se puede explicar como la evaluación de los resultados futuros con respecto a uno o más puntos de referencia —llegando incluso a diferir del statu quo— en el que los individuos experimentan utilidades por ganancias o pérdidas. Los otros dos componentes se refieren a la aversión a las pérdidas y a las dimensiones del consumo de los individuos. Al tener un punto de referencia en casi todos los casos, los inversionistas quedan entonces expuestos al efecto dotación que, según algunos estudios como el de List (2003), en el que experimentó con un grupo de estudio con una periodicidad anual, resultó en una menor exposición al efecto dotación en aquellos individuos que incrementaron la actividad de compra y venta. De esta forma, así como la experiencia de compra-venta puede reducir el efecto dotación en los individuos, la incertidumbre es un factor determinante en el incremento del efecto dotación. Teniendo en cuenta el marco de referencia bajo el cual se desempeñan los inversionistas, la incertidumbre es una variable de gran relevancia para la conformación de estrategias de inversión. 50 Por lo tanto, los experimentos demuestran que los individuos se adaptan al intercambio de sus activos, y al ser el ambiente un factor determinante del comportamiento, la incertidumbre generalizada en un mercado se traduce en individuos tomando decisiones sobre sus propios puntos de referencia, asumiendo distintos niveles de riesgo. Una posible explicación al incremento del riesgo: el apalancamiento El apalancamiento es resultado del uso de fondos prestados como una fuente de financiamiento cuando se desea expandir la inversión, y generar retornos mayores que el costo del préstamo, al adquirir un nivel más elevado de riesgo. Típicamente, las empresas utilizan esta herramienta para financiarse en períodos de crecimiento. Sin embargo, las grandes firmas también suelen apalancarse para expandirse e incrementar su capacidad productiva. El apalancamiento consiste en utilizar financiamiento prestado como recurso para invertirlo e incrementar los rendimientos esperados. Esta estrategia tiene un lado positivo y otro negativo. El positivo, es que los rendimientos esperados serán mayores. El negativo, que el riesgo potencial también será mayor, no solo porque aumenta el monto invertido, sino porque el apalancamiento es también la adquisición de una deuda. A su vez, el apalancamiento implica una relación distinta entre el riesgo y el rendimiento. Choi (2013) muestra de una forma empírica cómo el riesgo y el apalancamiento interactúan para explicar la dinámica del riesgo en los activos financieros, enfocándose en las value stocks así como en las growth stocks. De manera breve, las value stocks se pueden definir como compañías (value firms) que actualmente están operando por debajo de lo que verdaderamente valen, por lo que representan un retorno esperado mayor. Mientras que las growth stocks se refieren a las empresas (growth firms) que tienen el potencial de tener un rendimiento por encima del mercado con el tiempo. Choi (2013) también explica que durante los períodos de recesión económica el riesgo de los activos y el apalancamiento en las value firms incrementa, conduciendo a un incremento en sus betas de mercado. Por otro lado, las betas de las growth firms se mantienen estables en el tiempo debido a un apalancamiento bajo y a que las betas son menos sensibles a los movimientos del mercado. Uno de los factores que podría explicar este comportamiento 51 es que las value firms tienen activos seguros, por lo que pueden operar con altos niveles de deuda, mientras que las growth firms tienen activos riesgosos y poco apalancamiento relativo. El punto principal de la interacción entre ambos tipos de activos financieros conduce al premio por adquirir riesgo en el mercado. Definido por Choi (2013) como el value premium, este rendimiento se puede explicar como la diferencia en los rendimientos entre las value firms y las growth firms. El value premium ha sido estudiado también por Chen, Zhang y Feng (1998), quienes distinguieron en primera instancia tres características comúnes del riesgo en las value stocks: que estas tienen una alta volatilidad en sus dividendos, un elevado ratio de deuda a capital y una elevada volatilidad en sus ganancias. En la investigación de Chen, Zhang y Feng, los tres factores presentaron una alta correlación, por lo que contienen la información de los altos rendimientos en las value firms cuando estas contaban con las tres características descritas. Por otro lado, Zhang (2002) afirma que el value premium se puede explicar por la asimetría del riesgo de las value stocks. En su estudio, las value stocks fueron más riesgosas que las growth stocks en recesiones económicas, pero fueron menos riesgosas en épocas de crecimiento económico. Sin embargo, la asimetría ocurre cuando la diferencia en el riesgo es mayor en épocas de crecimiento que en las recesiones. Esto quiere decir que las value stock fueron más riesgosas en recesiones y solo moderadamente menos riesgosas en períodos de crecimiento económico. Choi (2013) concluye que ni el riesgo de los activos ni el apalancamiento determinan el retorno de las compañías, sino que la interacción entre estas variables durante el ciclo económico, elevando el riesgo de las value stocks por encima de lo que se podría estimar, es lo explica las diferencias en el rendimiento entre las value y las growth stocks. De esta forma, es posible afirmar que los altos niveles de apalancamiento significan que los pequeños movimientos desfavorables en los precios crean la posibilidad de grandes pérdidas para las compañías, que a su vez tendrían mayor demanda de liquidez. Este aumento en la demanda de liquidez para reducir el apalancamiento de las empresas se desenvuelve en un ambiente de volatilidad que impacta directamente en los precios de los activos financieros. 52 Tabla 2. Apalancamiento de Empresas Mexicanas en 2019. Millones de pesos. Fuente: Elaboración propia con datos de Yahoo Finance. De acuerdo con la Tabla 2, es posible observar un ejercicio de análisis financiero en las fundamentales de cinco empresas listadas en la Bolsa Mexicana de Valores para el año de 2019. En el caso de América Móvil, el precio de sus acciones obtuvo un rendimiento del 8.11%, la empresa tuvo unos ingresos netos de 67,731 millones de pesos a nivel global, y una deuda neta total de 677,000 millones de pesos. El ratio deuda a capital tiene un valor de 2.98 veces, el más alto de las cinco empresas, y la razón financiera de deuda neta a EBITDA fue de 2.16 veces. Por su parte, Cemex tuvo el rendimiento más bajo en comparación con las demás debido a los resultados de su EBITDA de 1,333 millones de dólares. Debido a que su deuda neta fue de 11,634 millones de dólares para el 2019, el ratio deuda a capital fue de 1.07 veces. Un índice de apalancamiento elevado que resultó ser el más alto de la comparativa. A continuación, Walmart de México presentó ingresos netos de 37,896 millones de pesos y una deuda neta total de 150,170 millones. Esta empresa minorista es una de las más relevantes en su sector, y para el año de 2019 presentó un apalacamiento financiero con una Columna1 América Móvil Cemex Walmart de México Grupo Elektra Grupo Bimbo Capitalización Precio de cierre 31 Dic. 2019. Pesos Mexicanos 14.39 7.16 53.05 1380.67 33.53 Rendimiento Total, 2019 (%) 8.11% -24.79% 11.05% 45.96% -10.35% Beneficios Ingresos Totales 1,007,348 252,621 646,846 119,010 291,926 EBITDA 313,756 25,647 71,005 11,893 20,419 Ingresos Netos 67,731 2,751 37,898 16,151 6,319 Balance Activo corriente 330,844 88,100 113,905 225,073 44,197 Pasivo corriente 525,400 104,069 113,499 205,998 54,620 Deuda Neta Total 677,000 223,838 150,170 1,627 80,421 Capital Contable 226,907 208,254 168,145 97,797 78,311 Valoración Ratio Deuda a Capital 2.98 1.07 0.89 0.02 1.03 Deuda Neta/EBITDA 2.16 8.73 2.11 0.14 3.94 53 relación deuda a capital de 0.89 veces y un ratio deuda a EBITDA de 2.11 veces. Por último, Grupo Elektra tuvo el mejor rendimiento en la comparativa, con un resultado del 45.96% al finalizar ese año y el menor índice de apalancamiento, con un ratio de Deuda a Capital de 0.14 veces. El análisis de las empresas revela una relación positiva entre rendimiento y apalancamiento. Grupo Elektra, que tiene el mejor rendimiento del 45.96%, presenta un ratio deuda a capital de 0.89 veces, lo que indica un apalancamiento relativamente bajo. En contraste, Cemex, con un rendimiento bajo, tiene un ratio deuda a capital de 1.07 veces. Aunque América Móvil y Walmart de México muestran un rendimiento y un apalancamiento variados, los datos sugieren que, en general, un mayor apalancamiento tiende a correlacionarse con un menor rendimiento, como se observa en la comparación de los resultados y los ratios de las empresas analizadas. La volatilidad como variable estadística La volatilidad es una medida estadística de la dispersión de los retornos en un activo financiero, de un índice de mercado o de un portafolio de inversión. Existe el consenso de que cuanta mayor volatilidad tenga un activo financiero, mayor será su riesgo. Comúnmente se mide a la volatilidad como la desviación estándar o la varianza en los retornos del activo o índice en cuestión. En los mercados financieros, la volatilidad representa cuánto varía el precio de un activo financiero con respecto a su precio medio. Esto implica que los mercados financieros pueden considerarse volátiles cuando los datos que arroja el índice del mercado varían considerablemente en torno a su media. En las últimas décadas, se han presentado períodos de alta volatilidad en los mercados financieros, incrementando el riesgo que asumen los inversionistas al depositar su capital en un activo. Por lo tanto, la volatilidad histórica se puede deducir a través de los precios históricos de un activo. Para calcularla, es necesario determinar el retorno diario de cualquier activo, y expresarlo en porcentaje para posteriormente obtener su varianza. La volatilidad se puede 54 expresar de manera diaria, semanal, mensual y anual. A su vez, es posible considerar a la volatilidad como la desviación estándar anualizada, o: 𝑉𝑜𝑙𝑎𝑡𝑖𝑙𝑖𝑑𝑎𝑑 = √(𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑎𝑛𝑢𝑎𝑙𝑖𝑧𝑎𝑑𝑎) Este cálculo se realizará en el Capítulo 4, en el que se estudia el comportamiento de los mercados durante períodos de crisis financieras, mismos en los que la volatilidad tuvo fuertes variaciones. Las consecuencias que tiene un suceso de este tipo en los inversionistas pueden llegar a ser severas, pues la conducta se ve modificada en un período corto. Sobre lo anterior, la HMA establece que los individuos contamos con la capacidad de realizar abstracciones, principalmente para llevar a cabo proyecciones sobre el futuro basadas en la experiencia pasada. Esto es lo que se lleva a cabo con cada uno de los análisis financieros, como el cálculo de la volatilidad, el cual podría resultar irracional desde el punto de vista conductual debido a que no recibe ninguna retroalimentación y se genera mayor incertidumbre con la especulación. Pero desde la óptica biológica que conduce la HMA este comportamiento no es totalmente irracional, sino que se reconoce como una conducta subóptima cuando se toman heurísticas de un ambiente que la propicia, por lo que se reconoce como un comportamiento “inadaptado”. La volatilidad es una de las variables más utilizadas para dar lectura del estado de los mercados financieros, con el paso de los años ha adquirido mayor relevancia. Más adelante se podrá observar que cuando han ocurrido las crisis financieras, la volatilidad ha tenido variaciones particulares, esto es lo que forma la conducta de los inversionistas y lo que la HMA trata de explicar con sus aportaciones. Volatilidad ex post y ex ante Para la medición de la volatilidad, existen dos clasificaciones de acuerdo con el período que se quiera analizar. La primera clasificación de la volatilidad es conocida como “ex post” y la segunda de ellas es llamada “ ex ante”. 55 En la práctica, se realiza normalmente el cálculo de la volatilidad ex post para portafolios de inverisón que al mismo tiempo tienen un sistema de riesgo que produce volatilidad ex ante. La volatilidad ex post se considera como la dispersión de los retornos del portafolio ex post sobre el período estudiado. Este tipo de volatilidad toma en cuenta la variación del activo y sus cambios en su ponderación durante su tiempo de operación. A su vez, la volatilidad ex ante se puede entender como el portafolio con perspectivas a futuro, calculadada mediante el peso actual de los activos y los estimados de la covarianza del activo financiero. La volatilidad ex post y ex ante comúnmente varían, pero bajo circunstancias muy particulares podrían ser incluso iguales. Los efectos que provocan que sus valores difieran son las variaciones de tiempo en los pesos de los activos del portafolio dentro del período de medición y la desviación de las covarianzas de los activos con respecto a las covarianzas estimadas. El Índice de Volatilidad También conocido como el Índice de Volatiliad CBOE, pues fue originalmente creado por el Chicago Board Options Exchange, el VIX es un índice que se muestra en los mercados en tiempo real y muestra las expectativas de los mercados con respecto a la volatilidad en los próximos treinta días. De manera más detallada, el VIX se deriva de la volatilidad implícita de las opciones put del S&P 500. A su vez, la volatilidad implícita representa la volatilidad estimada para los próximos treinta días bajo un modelo que toma en cuenta el precio del activo subyacente, el precio de ejercicio, la volatilidad (o desviación estándar), tiempo para el vencimiento, las tasas de interés y los dividendos. El VIX se usa comúnmente como un “indicador del miedo” entre los inversioinstas, y se puede considerar como referente en la estrategia de inversión. Al ser usado como referencia, el VIX sirve para definir la exposición al riesgo en el mercado accionario. Esto 56 quiere decir que el perfil de riesgo que el inversionista tomará se puede definir con base en el índice. De forma paralela, el mercado financiero en México ha desarrollado su propio índice de volatilidad. Lanzado el 24 de julio de 2017, el índice S&P/BMV IPC VIX se creó para medir la volatilidad implícita de los próximos noventa días en el mercado bursátil mexicano. Este índice utiliza los precios de cierre diarios de opciones a corto plazo y opciones del período siguiente sobre futuros del IPC. Gráfico 6. S&P/BMV IPC VIX vs S&P/BMV del 2017 al 2022. Datos expresados con base 100. Fuente: S&P Dow Jones Indices tomando datos mensuales El Gráfico 6 muestra el comportamiento del índice S&P/BMV IPC VIX con respecto a los retornos del mercado desde el 2017 hasta 2022. Este período resalta principalmente por la volatilidad debido a que en los mercados internacionales se generaron situaciones de incertidumbre con respecto al proteccionismo mostrado por ciertos países. Específicamente, los eventos que desencadenaron el aumento de la volatilidad en los mercados fueron la salida 50 70 90 110 130 150 170 190 210 2017 2018 2019 2020 2021 2022 S&P/BMV IPC VIX Index S&P/BMV IPC 57 del Reino Unido de la Unión Europea, las tensiones en la relación comercial entre Estados Unidos y China, la caída en los precios de los combustibles y, más recientemente, la pandemia de Covid-19. A su vez, es posible apreciar que existe una relación inversa entre el VIX y el rendimiento del índice S&P/BMV. Incluso se podría decir que el VIX sobrereacciona a los movimientos del otro índice, por lo que la sensibilidad de respuesta es muy alta. En resumen, el VIX es un índice que es útil para medir las expectativas de volatilidad, y por lo tanto, para definir la exposición al riesgo de los inversionistas. Su importancia radica en que puede ayudar a medir el sentimiento del mercado y específicamente para este trabajo fue utilziado para identificar los períodos históricos de alta volatilidad en el mercado accionario mexicano. Los cinco principios de la teoría financiera Andrew Lo (2017) afirma que se pueden distinguir cinco principios básicos en la teoría financiera que todo inversor debería conocer para crear sus estrategias: 1. El primer principio establece un trade off entre el riesgo y el rendimiento, el cual implica una correlación positiva entre ambas variables, los activos con mayor riesgo tendrán un retorno esperado más alto. 2. El segundo principio tiene que ver con el Alpha, Beta y el CAPM. Pues explica que el retorno esperado de una inversión está linealmente relacionado con su riesgo y se puede modelar en el CAPM. 3. El tercer principio es el de la optimización del portafolio y la inversión pasiva. Explica que utilizando estimaciones estadísticas derivadas del segundo principio y del 58 CAPM, los portfolio managers pueden construir portafolios diversificados en el largo plazo que pueden ofrecer altos retornos con niveles relativamente bajos de riesgo. 4. El cuarto principio se refiere al asset allocation10, en el que se advierte que es más importante elegir cuánto se va a invertir en activos que escoger activos individuales. 5. Finalmente, el quinto principio financiero establece que los inversionistas deben mantener sus activos financieros en el largo plazo independientemente de los movimientos del mercado. Sin embargo, Andrew Lo (2017) destaca, desde el enfoque de la Hipótesis de los Mercados Adaptativos, que dichos paradigmas están pasando por un proceso evolutivo y que se pueden reformular de la siguiente forma: 1. En cuanto al primer principio, se plantea que durante condiciones “normales” de mercado se puede encontrar la relación positiva entre el riesgo y el retorno entre todas las inversiones financieras, pero cuando la población de inversionistas son dominados por individuos que se enfrentan a riesgos financiero muy altos, pueden ser dominados por la irracionalidad y el desconcierto, provocando un castigo en sus retornos. Estos períodos pueden durar plazos de tiempo muy cortos o largos. 2. Por otro lado, el nuevo paradigma del segundo principio financiero, indica que el CAPM y los modelos lineales son útiles en el manejo de los portafolios, pero se basan en supuestos económicos y estadísticos que pueden ser aproximaciones pobres en ciertos ambientes económicos. De acuerdo con Lo, conocer la dinámica del ambiente del mercado y su población puede ser más importante que cualquier factor singular del modelo. 10 El asset allocation es una estrategia de inversión que trata de nivelar el riesgo de acuerdo con el perfil del inversionista y el rendimiento esperado de dicha inversión colocando el capital en distintos activos financieros con ponderaciones seleccionadas de acuerdo a los objetivos de la inversión. 59 3. De esta forma, el tercer principio se podría repensar de la siguiente forma: las herramientas de optimización de un portafolio son útiles si los supuestos de la estacionalidad y racionalidad son buenas aproximaciones de la realidad. Por lo que la idea de la inversión pasiva ahora se está enfocando en las nuevas tecnologías y en el manejo del riesgo. 4. El cuarto principio se podría reconsiderar desde el punto de vista macroeconómico, pues los límites que existen entre las clases de activos se están haciendo más difíciles de percibir. Los factores macroeconómicos y las instituciones financieras han creado enlaces nuevos entre activos que antes no se interrelacionaban entre sí, dificultando el manejo del riesgo. 5. Por último, el paradigma del quinto principio se puede explicar con la poca paciencia de los inversionistas. Son reducidos los inversores que deciden esperar un plazo tan largo para cerrar sus posiciones y obtener rendimientos altos. Debido a esto, es necesario adquirir mejores habilidades para manejar el riesgo. El tema central de este trabajo tiene que ver con el considerado como primer principio financiero, y se evaluará si realmente existe un relación positiva entre el riesgo y el rendimiento o si solo ocurre en momentos específicos del ciclo económico. 60 Capítulo IV. Prueba del principio riesgo/rendimiento en la Bolsa Mexicana de Valores Introducción En este capítulo se expondrán los resultados más importantes de los análisis estadísticos realizados en el mercado mexicano y su relación con la evolución de la teoría financiera. Para comenzar, es necesario situar al lector en el contexto histórico en el que se desarrolla el análisis, así como detallar los principales activos que componen el índice del mercado mexicano. Debido a la disponibilidad de información, se estudiará un período comprendido desde 1991 hasta 2020, en el que sucedieron cuatro eventos que impulsaron la volatilidad de los precios en el mercado accionario mexicano. De igual forma, se analizará la distribución del rendimiento con relación a la curva de distribución normal, y después se mostrará la relación entre el comportamiento del riesgo y el rendimiento. La Bolsa Mexicana de Valores De acuerdo con la Bolsa Mexicana de Valores (BMV), las bolsas de valores son mercados organizados que contribuyen a que esta canalización de financiamiento se realice de manera “libre, eficiente, competitiva, equitativa y transparente”, atendiendo a ciertas reglas acordadas previamente por todos los participantes en el mercado (Bolsa Mexicana de Valores, 2020). Por lo tanto, las bolsas de valores permiten que los participantes del mercado, mejor conocidos como inversionistas, cuenten con mayores alternativas de activos financieros en las cuales depositar su capital. En cuanto a la organización del mercado, esta permite que las reglas sean claras y que exista un canal de comunicación entre compradores y vendedores. Lo que se refiere al tema de la eficiencia en el mercado, puede ser cuestionado por razones ya abordadas en este trabajo, pero en la teoría financiera se asume que los mercados son eficientes debido a que resulta más sencillo para la creación de estrategias de inversión. 61 El Índice de Precios y Cotizaciones (S&P/BMV IPC) Lanzado el 30 de octubre de 1978, el S&P/BMV IPC es es el índice más importante para medir el comportamiento y tendencia en el mercado accionario mexicano, y su diseño permite observar y medir el comportamiento de las 34 emisoras con mayor tamaño en el mercado, que se encuentran listadas en la BMV. Los componentes son ponderados en función del Valor de Capitalización de Mercado ajustado al Capital Flotante, sujeto a los requisitos establecidos en la sección Criterios de Elegibilidad y Construcción del Índice (S&P Global, 2023). La Capitalización de Mercado, o Market Cap, es un término que se utiliza para explicar el valor total en el mercado de las acciones de una compañía. El Market Cap se calcula multiplicando el número total de las acciones de una empresa por el valor actual a mercado de una sola de sus acciones. Más adelante, este término será utilizado para determinar el tamaño de las empresas y explicar su relación con el precio que pagan los inversionistas por el riesgo. Gráfico 7. Comportamiento histórico del IPC de 1991 a 2021. Escala logarítmica. Fuente: Elaboración propia con datos de Yahoo Finance. 1,000 10,000 100,000 1 9 9 1 1 9 9 3 1 9 9 5 1 9 9 7 1 9 9 9 2 0 0 1 2 0 0 3 2 0 0 5 2 0 0 7 2 0 0 9 2 0 1 1 2 0 1 3 2 0 1 5 2 0 1 7 2 0 1 9 2 0 2 1 62 El S&P/BMV IPC ha tenido un crecimiento constante desde su salida al mercado, con un crecimiento nominal de 2,985% en veintinueve años, siendo un referente del mercado de valores en México, así como entre los portafolios de los inversionistas. Este índice experimentó su caída más fuerte en 2008, durante la crisis financiera que tuvo su origen en los Estados Unidos. A partir de este momento su crecimiento continuó hasta que de nueva cuenta la crisis sanitaria en 2020 redujo el nivel del S&P/BMV IPC hasta niveles previos al 2008. De acuerdo con la metodología de este índice, la ponderación se basa completamente en la Float-Adjusted Market Capitalization (FMC) y tiene las siguientes restricciones: ninguna acción debe tener un peso ponderado que exceda el 25% del total; y el peso ponderado de cinco acciones no puede exceder el 60% del agregado total. Este cálculo se lleva a cabo dos veces al año, en marzo y en septiembre respectivamente. Otra de las especificaciones en la metodología del S&P/BMV IPC, refiere que la Capitalización de Mercado Ajustada al Capital Flotante de una empresa debe ser de al menos MXN 10 mil millones. Esta se calcula multiplicando el número de títulos que la compañía tiene en circulación por el Investable Weight Factor (IWF) y por el Volume Weighted Average Price (VWAP) sobre un período de tres meses. Debido a que esta metodología toma en cuenta variables distitnas al Market Cap, es posible encontrar diferencias entre la lista de componentes clasificados de acuerdo con su ponderación y la de su clasificación por la Capitalización de Mercado de cada compañía. Sin embargo, el Market Cap será útil más adelante para explicar el comportamiento del rendimiento de las acciones de las empresas listadas en el S&P/BMV IPC. 63 Tabla 3. Componentes del S&P/BMV IPC por Market Cap. Al 14 de febrero de 2022. Millones de pesos. No. Componente Ticker Market Cap % 1 Fomento Económico Mexicano S.A.B. de C.V. FEMSA UBD 2,765 0.09% 2 Walmart de México SAB de CV WALMEX 1,276,000 41.85% 9 Arca Continental, SAB de CV AC 849,450 27.86% 3 América Móvil S.A.B. de C.V.L. AMX L 833 0.03% 4 Grupo México S.A.B. de C.V.B GMEXICO B 799 0.03% 6 Grupo Financiero Banorte O GFNORTE O 394 0.01% 5 Grupo Elektra S.A.B. de C.V. ELEKTRA 327,830 10.75% 10 Grupo Bimbo S.A.B. BIMBO A 280 0.01% 8 Megacable Holdings S.A.B. de C.V. MEGA CPO 204 0.01% 15 Grupo Financiero Inbursa O GFINBUR O 196 0.01% 11 Becle, S.A. De C.V. CUERVO 179,760 5.90% 7 Cemex S.A. C.P.O. CEMEX CPO 166 0.01% 17 Grupo Aeroportuario del Pacífico, S.A.B. de C.V. GAP B 154 0.01% 16 El Puerto de Liverpool S.A.B. de C.V. LIVEPOL C-1 149 0.00% 18 Grupo Aeroportuario del Sureste S.A.B. de C.V. ASUR B 135 0.00% 14 Grupo Carso S.A.B. de C.V. GCARSO A1 128 0.00% 13 Grupo Televisa S.A.B. C.P.O. TLEVISA CPO 122 0.00% 21 Gruma SAB B GRUMA B 103 0.00% 20 ORBIA ADVANCE CORPORATION S.A.B. de C.V. ORBIA 102,250 3.35% 12 Kimberly Clark de México S.A.B. de C.V. A KIMBER A 93 0.00% 19 Industrias Penoles PE&OLES 90,130 2.96% 33 Telesites S.A.B. de C.V. SITES B-1 77 0.00% 22 Alfa S.A.A. ALFA A 74 0.00% 23 Promotora y Operadora de Infraestructura S.A.B. de C.V. PINFRA 63,040 2.07% 26 Banco del Bajío, S.A. BBAJIO O 59 0.00% 27 Qualitas Controladora S.A.B de C.V. Q 45,920 1.51% 25 Grupo Cementos de Chihuahua S.A.B de C.V GCC 43,860 1.44% 28 Regional, S.A. de C.V. R A 43 0.00% 29 Alsea S.A. ALSEA 38,680 1.27% 31 Corporacion Inmobiliaria Vesta, S.A.B. DE C.V. VESTA 25,520 0.84% 30 Bolsa Mexicana de Valores S.A. de C.V. BOLSA A 22 0.00% 32 Genomma Lab Internacional SA.. de C.V. LAB B 20 0.00% 24 Coca-Cola Femsa S.A.B. de C.V. U.B.L. KOF UBL 11 0.00% 34 Grupo Aeroportuario del Centro Norte, S.A.B. de C.V. OMA B 3 0.00% Fuente: Elaboración propia con datos de Yahoo Finance. 64 Más de la mitad de la capitalización de mercado se encuentra concentrada en las primeras cuatro empresas de la lista: Fomento Económico Mexicano (Femsa), Walmart, Arca Continental y América Móvil, que en conjunto suman el 58% del total. Sin embargo, Femsa acumula a su vez la mayor proporción del mercado con un 28.01%, lo que significa más del doble de la segunda compañía en la lista, Walmart, y más del triple de la capitalización de mercado de Arca Continental. Un aspecto a tomar en cuenta es la volatilidad del precio de las acciones, lo que provoca una variación importante en la capitalización de mercado. No obstante, es un hecho que existe una concentración y poca representatividad del mercado que ha variado muy poco en los últimos años. Es un hecho que existe una disminución en la intención de las empresas para cotizar en la BMV, pues desde el 2005 se ha reducido el número de las compañías listadas en la bolsa en un 5.8% pasando de 154 a 145 empreas. En el 2021 se deslistaron siete empresas, y hace más de cuatro años que se realizó la última Oferta Pública Inicial (OPI). Las consecuencias se traducen en menos posiblidades para los inversionistas de diversificar sus portafolios, pues un mercado reducido y con una tendencia a decrecer en su tamaño genera expectativas negativas que terminan por crear cambios en el ambiente. Evaluando el principio riesgo/rendimiento Es posible encontrar pruebas del principio de riesgo/rendimiento en el largo plazo, como en el trabajo de Andrew Lo (2017) en el que muestra el rendimiento de dos activos financieros: el de las acciones y los bonos en el mercado estadounidense de enero de 1926 a diciembre de 2015. Este trabajo, basado en el de Ibbotson (2016) mide además la volatilidad anual de los Large-Cap Stocks, de los Small-Cap Stocks, de los bonos corporativos de largo plazo, de los bonos gubernamentales de largo plazo, de los bonos gubernamentales de mediano plazo y de los T-Bills. Large-Cap Stocks, es un término utilizado para clasificar a aquellas compañías cuya capitalización de mercado supera los $ 5 mil millones de dólares, mientras que las compañías 65 pertenecientes a las Small-Cap Stocks tienen una capitalización de mercado de usualmente menor a $1 mil millones de dólares11. Tabla 4. Rendimiento de las acciones y los bonos en el mercado estadounidense de enero de 1926 a diciembre de 2015 Fuente: Ibbotson (2016) y Lo (2017). En la Tabla 4 se puede apreciar que, durante nueve décadas, en los mercados financieros de Estados Unidos existió una fuerte evidencia de que los activos más riesgosos, las Small-Cap Stocks, tuvieron un retorno medio superior que aquellos activos con menor volatilidad. Las Large-Cap Stocks tuvieron un retorno medio del 10%, frente al 12% que tuvieron las Small-Cap. Sin embargo, las primeras implicaron un menor riesgo que las segundas, con una diferencia de 12% en cuanto a la volatilidad. En comparación, con activos de bajo riesgo se pueden encontrar los Bonos Corporativos a Largo Plazo que tuvieron un retorno medio del 6% en este período, con una volatilidad del 8.4%, incluso menor que los Bonos Gubernamentales a Largo Plazo que tuvieron una volatilidad de 10%. En cuanto a los activos de menor riesgo, los T-Bills presentaron una volatilidad del 3.10%, y otorgaron en promedio un retorno de 3.40% el cual podría expresarse en términos reales con un retorno del 0.5%12, de acuerdo con datos proporcionados por Ibbotson (2016). En este último caso la relación sería una de “menor riesgo, menor retorno”. 11 Nasdaq. Glossary. Recuperado el 21/03/22. Sitio Web. https://www.nasdaq.com/glossary/s/small-cap- stocks 12 En los datos presentados, se expone que para el período de 1926 a 2015 la tasa anual de inflación promedio fue del 2.9%. Columna1 Large-Cap Stocks Small-Cap Stocks Bonos Corporativos a Largo Plazo Bonos de Gobierno a Largo Plazo Bonos de Gobierno a Mediano Plazo T-Bills Retorno Medio 10.00% 12.00% 6.00% 5.60% 5.20% 3.40% Volatilidad 20.00% 32.00% 8.40% 10.00% 5.70% 3.10% 66 En el largo plazo, estos resultados muestran una tendencia de mayor rendimiento para las acciones de baja capitalización —y a su vez, de mayor volatilidad—, pero si se hace un análisis en el corto plazo, Ibbotson (2016) muestra que en el período de 2006 a 2015 las Large-Cap Stocks tuvieron un retorno más alto que las Small-Cap Stocks, las primeras con un retorno medio de 7.30% y las segundas con 6.80%. Sin embargo, realizando un análisis más profundo de los 90 años que cubren este período, tenemos que considerar que pocos individuos alcanzan a vivir un plazo tan largo de tiempo. El horizonte de inversión tiene que ser necesariamente menor para formar una estrategia, por los límites fisiológicos propios del ser humano. Entonces, el trade-off entre el riesgo y el retorno cambia en un horizonte de diez años, que no terminan por parecer un plazo corto de tiempo. Tabla 5. Rendimiento de las acciones y los bonos en el mercado estadounidense de 2006 a 2015. Fuente: Ibbotson (2016). En la Tabla 5, es posible apreciar que en los diez años comprendidos en este período las Large-Cap Stocks superaron al retorno de las Small-Cap Stocks, que tuvieron incluso un rendimiento casi igual al de los bonos corporativos y de gobierno y una menor volatilidad. La relación positiva entre el riesgo y el rendimiento se rompió en una época caracterizada por la incertidumbre en la que ocurrió una de las crisis financieras más fuertes de la historia. De esta forma, el período de estudio que se centra en estos 10 años resalta por ser altamente inestable para los mercados financieros, lo que pudo significar que los inversionistas encontraran menor incertidumbre al depositar su capital en las compañías de mayor capitalización de mercado. Dejando como resultado que en el mercado accionario se Columna1 Large-Cap Stocks Small-Cap Stocks Bonos Corporativos a Largo Plazo Bonos de Gobierno a Largo Plazo Bonos de Gobierno a Mediano Plazo T-Bills Retorno Medio 7.30% 6.80% 6.50% 6.40% 4.10% 1.10% Volatilidad 16.30% 22.20% 11.70% 12.70% 4.10% 0.50% 67 rompiera la relación de riesgo/retorno, aunque aún manteniendo el retorno de las acciones por encima del retorno de los bonos. Gráfico 8. Rendimiento promedio y volatilidad del mercado de valores estadounidense Fuente: Lo (2017). A su vez, Andrew Lo (2017) muestra en un ejercicio estadístico que la volatilidad y los precios de los activos están negativamente correlacionados, algo que Fisher Black (1986) ya había adelantado en su época. Esto significa que los períodos con mayor volatilidad están asociados con los períodos de menor retorno, y que la relación de riesgo/rendimiento efectivamente se rompe en estos momentos. A través de su gráfico, Andrew Lo muestra el rendimiento promedio y la volatilidad del índice diario del emblemático Center For Research In Security Prices (CRSP), que mide el valor ponderado del rendimiento en el mercado accionario de Estados Unidos de 1930 a 2010. 68 Por otro lado, según Capinski y Zastawniak (2003), dada la elección entre dos portafolios con el mismo retorno esperado, cualquier inversionista preferirá aquel portafolio que involucre el menor riesgo posible. De manera similar, si los niveles de riesgo fueran los mismos, cualquier inversionista preferiría un rendimiento más alto. Sin embargo, en el caso de que el rendimiento más alto esté asociado con un riesgo más alto, la elección depende de las preferencias individuales. Las afirmaciones anteriores sugieren que, de acuerdo con el perfil de un inversionista, este asumirá un nivel determinado de riesgo en su estrategia de inversión. De la misma forma, existen resultados concluyentes respecto a que las small cap stocks conllevan la toma de mayores riesgos financieros, pero lo retornos compensan e incluso superan a este riesgo llegando a un resultado empírico al que se denomina Size Effect13 o Efecto del Tamaño (Berk & DeMarzo, 2018). Para comparar el rendimiento de portafolios distintos en cuanto a su tamaño, los profesores Eugene Fama y Kenneth French (1992) dividieron acciones de acuerdo con su capitalización y las clasificaron en diez portafolios, recolectando la información del 10% en cada portafolio. Posteriormente reunieron la información histórica del comportamiento del exceso en los retornos de cada decil durante un año, para así finalmente calcular tanto el exceso en los retornos promedio de cada portafolio como su beta. 13 El Size Effect, es decir, la observación de que las small stocks tienen alphas positivas, fue descubierto por primera vez por Rolf Banz en 1981 pero fue desestimado por otros investigadores debido a que Banz buscaba que las acciones tuvieran este resultado. 69 Gráfico 9. Exceso en los retornos de portafolios de distintos tamaños, 1926 a 2018. Fuente: Realizado por Berk & DeMarzo, con datos de Kenneth French. El Gráfico 9 muestra el exceso en el retorno promedio mensual (el retorno menos la tasa libre de riesgo de un mes) para diez portafolios formados en un año, basados en la capitalización de mercado de las empresas, y graficado como una función de la beta estimada del portafolio. La línea de 45º muestra la Security Market Line (SML). Si el portafolio de mercado fuera eficiente, todos los portafolios mostrados en la gráfica anterior se graficarían sobre la SML. Por otro lado, el error de estimación siempre puede sesgar la percepción de un alpha positiva (no se ha definido “Alpha”) en todas las acciones, e incluso es posible apreciar en el Gráfico 9 que los errores estándar pueden llegar a ser relativamente altos. Antes de continuar, es necesario definir qué es el alpha. Mientras que la beta mide la volatilidad de una inversión, el alpha mide la cantidad que la inversión ha convertido en retorno, en comparación con el mercado o con cualquier punto de referencia, mejor conocido como benchmark. Lo anterior podría sugerir que se pueden llevar a cabo estrategias de inversión que se centren en encontrar alphas postivas. Sin embargo, estas estrategias contienen riesgos que los 70 inversionistas no están dispuestos a tomar, y que mediciones como el CAPM no toman en cuenta. Por lo tanto, cuando el portafolio del mercado no es eficiente, las expectativas con respecto a las acciones con baja capitalización esperarían que estos activos presenten un alpha positivo (Berk & DeMarzo, 2018). En este sentido, el Size Effect es una evidencia en contra de la eficiencia en los mercados y a favor del principio del riesgo/rendimiento. Comportamiento de la distribución de los rendimientos en el S&P/BMV IPC La Teoría de la Especulación de Bachelier (1900) fungió como pionera en la teoría financiera debido a que cambió la forma en la que se observaba el movimiento de los precios en los activos financieros. Las postulaciones de Bachelier afirmaron que los precios tenían una distribución normal. Pero si esta hipótesis se cumpliera, la desviación estándar de los precios debe cumplir con la siguiente relación: 𝜎~√𝑡 Es decir, que la desviación estándar tiene que ser cercana a la raíz del tiempo “t”. Por otro lado, la teoría de Bachelier se cuestiona ahora que los programas estadísticos permiten obtener resultados con mayor exactitud, pero en la época en la que Bachelier desarrolló su teoría de la especulación los cálculos se debieron realizar a mano, resultando en una distribución normal de los precios. Desde entonces, estadísticamente se asumió que el comportamiento de los precios de estos activos sigue la “Ley de Gauss”, mejor conocida como la distribución normal hasta que Samuelson revisó el trabajo de Bachelier en la década de 1950. Samuelson fue al mismo tiempo uno de los principales críticos de la tesis de Bachelier, pues reconoció las limitaciones de suponer la normalidad en la distribución de los precios. Con argumentos basados en la teoría económica, Samuelson explicó que este supuesto implicaba que los precios no podían ser negativos, contrario a lo que se podía encontrar con evidencia empírica en los mercados financieros. 71 Sin embargo, la crítica al supuesto de la distribución normal tuvo una explicación más profunda, llevada a cabo por Matthew Fontaine Maury Osborne. Osborne obtuvo su doctorado en física en 1959 con un trabajo sobre los mercados financieros, pues construyó un modelo para explicar el comportamiento de los precios. Su trabajo lo llevó al descubrimiento de que los precios seguían una distribución log-normal (Osborne, 1959). Una distribución log-normal es una distribución estadística de valores logarítmicos de una distribución normal. La distribución log-normal grafica el logaritmo de variables aleatorias de una curva de distribución normal a través de cálculos con logaritmos. El trabajo de Osborne propone que son los rendimientos (obtenidos a partir de la diferencia logarítmica de dos activos) y no los precios los que siguen una distribución normal. En una distribución normal, el 68% de los resultados se encuentra dentro de una desviación estándar, y el 95% de los resultados se encuentra dentro de dos desviaciones estándar, mientras que el 99.73% de los resultados se encuentra en tres desviaciones estándar. La curtosis de una distribución de este tipo debería ser de 3, y el coeficiente de asimetría de 0. Sin embargo, al graficar la distribución de los rendimientos del S&P/BMV IPC se pueden encontrar resultados distintos. 72 Gráfico 10. Distribución del rendimiento en el S&P/BMV IPC de 1991 a 2021. Rendimientos logarítmicos diarios. Fuente: Elaboración propia con datos de Yahoo Finance. El gráfico anterior muestra la distribución de los rendimientos (obtenidos a partir de logaritmos) en el índice de la Bolsa Mexicana de Valores, el S&P/BMV IPC, en el período de 1991 a 2021. Los resultados estadísticos obtenidos son concluyentes, con una media de 0.05%, la distribución tiene una curtosis de 6.60, lo que implica que la distribución es leptocúrtica. La distribución leptocúrtica es un tipo de distribución de probabilidad que tiene colas más pesadas y un pico más alto en comparación con una distribución normal. Es decir, que los valores de los datos están más concentrados alrededor de la media y que existe más posibilidad de observar valores extremos. Esto se puede apreciar en el gráfico, pues la distribución es más puntiaguda que una distribución normal. La desviación estándar de esta muestra es de 1.43%, la distribución de una desviación estándar contiene el 76.46% del total, dos desviaciones estándar contienen el 95.01% del total, y tres desviaciones estándar contienen el 98.45% del total de la distribución. Cuatro 0 100 200 300 400 500 600 700 800 900 1000 -1 4 .3 1 % -1 3 .0 8 % -1 1 .8 5 % -1 0 .6 2 % -9 .3 9 % -8 .1 6 % -6 .9 3 % -5 .7 0 % -4 .4 7 % -3 .2 3 % -2 .0 0 % -0 .7 7 % 0 .4 6 % 1 .6 9 % 2 .9 2 % 4 .1 5 % 5 .3 8 % 6 .6 1 % 7 .8 4 % 9 .0 8 % 1 0 .3 1 % 1 1 .5 4 % Fr ec u en ci a 73 desviaciones estándar tienen dentro el 99.84% de la distribución y es hasta las 5 desviaciones estándar que se alcanza un 99.84% de la distribución. Lo anterior demuestra que existe una cantidad de observaciones fuera de lo esperado en una distribución normal. Lo que más llama la atención de esta gráfica es, sin duda, que las colas largas de la distribución contienen más eventos de los que se esperan bajo el supuesto de una distribución normal. Es decir, que en la realidad ocurren con mayor frecuencia eventos altamente riesgosos que en la teoría de la distribución normal serían casi improbables. El día con el menor rendimiento ocurrió el 27 de octubre de 1997 cuando el IPC cayó un 14.31% en un solo día, esto a partir de la crisis financiera asiática que sufrieron países como Tailandia, Indonesia y las Filipinas. Este “Lunes Negro” afectó a casi todas las bolsas del mundo, pues el S&P 500 cayó un 7.18% y la bolsa de Hong Kong perdió el 5.80%. El segundo dato con la variación negativa más fuerte ocurrió el 10 de septiembre de 1998 cuando el IPC tuvo una caída del 10.34%. Como será analizado más adelante, durante el año de 1998 se experimentaron fuertes momentos de volatilidad tras el default ruso y la devaluación las monedas de países emergentes. Por otro lado, el día que se registró el rendimiento diario más alto en la muestra resultó ser el 15 de septiembre de 1998, casi un año después del día con el peor rendimiento. Este día el IPC tuvo ganancias diarias de 12.15% tras un mes de agosto con pérdidas acumuladas de 28.3%. A su vez, el segundo registro más alto de rendimiento diario ocurrió un día después del “Lunes Negro”, el 28 de octubre de 1997, cuando el IPC tuvo una variación positiva del 11.05% . Los resultados obtenidos a partir de este análisis estadístico implican poner en consideración el pago que el riesgo le está dando a los inversionistas en el mercado mexicano. De la misma manera, se considera que el período con mayor y peor rendimiento comprende los años 1997 y 1998, un período que sufrió de alta volatilidad e inadaptación de los agentes. Con esto surge la pregunta: ¿Realmente se cumple la máxima del principio riesgo/rendimiento en la BMV? 74 El Sharpe Ratio del S&P/BMV IPC de 1991 a 2021 Como se explicó anteriormente, el Sharpe Ratio mide el rendimiento esperado por cada unidad de riesgo tomado por un inversionista a partir de la diferencia entre el rendimiento del portafolio y un activo libre de riesgo, entre el exceso de riesgo adquirido por el inversionista. En otras palabras, esta medida contrasta el rendimiento con el riesgo. Por lo tanto, es de suma relevancia su cálculo para efectos de este trabajo. En este caso, para calcular el Sharpe Ratio en el período de estudio de 1991 a 2021, se toma el rendimiento mensual del S&P/BMV IPC y se calcula la diferencia con respecto a la tasa mensual de CETES 28 para obtener el exceso de rendimiento, entre la desviación estándar de 12 meses en el S&P/BMV IPC. Este ejercicio, aplicado al mercado accionario mexicano, se realiza en moneda local. Gráfico 11. Comportamiento del Sharpe Ratio del S&P/BMV IPC: 1991-2021. Fuente: Elaborado con datos de Yahoo Finance y Banco de México (2023). El Gráfico 11 muestra el cálculo del Sharpe Ratio para el período de estudio. Los resultados son interesantes, pues durante todo el período se registró un Sharpe Ratio negativo -7.00 -6.00 -5.00 -4.00 -3.00 -2.00 -1.00 0.00 1.00 2.00 3.00 1 9 9 2 1 9 9 3 1 9 9 4 1 9 9 5 1 9 9 6 1 9 9 7 1 9 9 8 1 9 9 9 2 0 0 0 2 0 0 1 2 0 0 2 2 0 0 3 2 0 0 4 2 0 0 5 2 0 0 6 2 0 0 7 2 0 0 8 2 0 0 9 2 0 1 0 2 0 1 1 2 0 1 2 2 0 1 3 2 0 1 4 2 0 1 5 2 0 1 6 2 0 1 7 2 0 1 8 2 0 1 9 2 0 2 0 2 0 2 1 2 0 2 2 75 más de la mitad de las ocasiones, con un total de 205 meses con un ratio menor a cero, mientras que 167 del total de los registros fueron positivos. El ratio con el valor más bajo fue de -5.74 registrado en marzo de 2020 cuando comenzó la pandemia de Covid-19, y el más alto de 2.38 registrado en septiembre de 2005. De la misma manera, se podría explicar que la inversión en la Bolsa Mexicana de Valores no ofreció el rendimiento suficiente relativo con su nivel de riesgo, pues la media de todo el período es de -0.22 y la mediana de -0.11. Los resultados anteriores podrían concluir que no se ha observado una relación positiva entre el rendimiento y el riesgo para el acumulado del período. No obstante, es necesario realizar un análisis a detalle de períodos de tiempo seleccionados a partir de su relevancia histórica en el comportamiento del mercado de valores mexicano. A continuación, se mostrará de manera detallada un análisis de los períodos de crisis financieras en los que la volatilidad aumentó de manera considerable. La crisis del peso mexicano en 1994 Para darle un contexto a este comportamiento del riesgo en el mercado financiero, México se encontraba experimentando un proceso de liberación financiera que tardó algunos años en profundizar sus efectos. El año de 1994 fue particularmente complicado para los mercados financieros en México debido a una suma de choques internos y externos que desestabilizaron la economía a nivel macro, así como a nivel micro. De acuerdo con el Informe Anual del Banco de México14, en 1994 se observaron deterioros vertiginosos en más de una ocasión en los mercados financieros debido al incremento de la especulación sobre el peso mexicano, que se potenció debido a la posibilidad de crear estrategias de inversión con instrumentos derivados y la compra de deuda ofrecida por intermediarios financieros externos, así como por el cambio tecnológico en los sistemas de los mercados financieros. Esta evolución financiera permitió que aumentara de manera sustancial la movilidad internacional de los capitales. 14 Banco de México (1995). Informe Anual 1994. 76 Gráfico 12. Relación Riesgo/Rendimiento del S&P/BMV IPC en 1994. Datos Diarios, variación logarítmica Fuente: Elaborado con datos históricos de Yahoo Finance. El Gráfico 12 muestra que durante el año de 1994, el riesgo fue considerablemente alto y el retorno que pagó a los inversionistas tuvo un comportamiento muy volátil. Es posible apreciar que en puntos específicos el alto riesgo ofreció un retorno más alto, mostrando la relación positiva de la que se habla en la teoría financiera. El punto más alto del retorno en este año fue en el mes de diciembre, alcanzando casi un 8% tanto en el riesgo como en el rendimiento del índice. Por otro lado, para la mayor parte del período, se muestra una relación negativa entre el rendimiento y el riesgo. Este rompimiento del principio se podría explicar por el incremento de la especulación en los mercados financieros, pues como lo explicó el Banco de México, la incertidumbre creció entre los inversistas y gobiernos de otros países, conduciendo a una desestabilización económica y financiera. -8.00% -6.00% -4.00% -2.00% 0.00% 2.00% 4.00% 6.00% 8.00% 10.00% en e/ 9 4 fe b /9 4 m ar /9 4 ab r/ 9 4 m ay /9 4 ju n /9 4 ju l/ 9 4 ag o /9 4 ag o /9 4 se p /9 4 o ct /9 4 n o v/ 9 4 d ic /9 4 Retorno Riesgo 77 Gráfico 13. Diferencial entre rendimiento y riesgo del S&P/BMV IPC. 1994 Fuente: Elaborado con datos de Yahoo Finance. De la misma forma, el Gráfico 13 muestra que el diferencial entre el rendimiento y el riesgo durante este período fue volátil y que en la mayoría de los casos el riesgo fue mayor que el rendimiento diario. En 182 días de la muestra se presentó un diferencial negativo, mientras que un total de 67 ocasiones con una relación positiva entre el rendimiento y el riesgo. Por lo tanto, en este período se rompió la relación entre riesgo y rendimiento. -12.00% -10.00% -8.00% -6.00% -4.00% -2.00% 0.00% 2.00% 4.00% 6.00% en e/ 9 4 fe b /9 4 m ar /9 4 ab r/ 9 4 m ay /9 4 ju n /9 4 ju l/ 9 4 ag o /9 4 se p /9 4 o ct /9 4 n o v/ 9 4 d ic /9 4 78 Gráfico 14. Comportamiento del Sharpe Ratio del S&P/BMV IPC. 1994 Fuente: Elaborado con datos de Yahoo Finance y Banco de México (2023). El Sharpe Ratio calculado mensualmente para este período muestra resultados concluyentes. Para este caso, exactamente el cincuenta por ciento de los registros se encuentran por debajo del cero. Por otro lado, el Ratio mínimo fue de -1.42, el cual se presentó en el mes de junio y el valor máximo fue de 0.93, lo cual indica un rendimiento por debajo del riesgo asumido. En el mismo período se registró una media de -0.28, lo que se traduce en un rendimiento que no pudo compensar el riesgo asumido. Asimismo, la mediana fue de -0.40, lo que sugiere que hubo algunos meses con ratios tan bajos que tuvieron un impacto negativo en la media. Las Crisis de 1997-1999 El 27 de octubre de 1997, el S&P/BMV IPC tuvo un rendimiento negativo del 14.31%. Este rendimiento se encuentra a 10 desviaciones estándar de la media, lo que implicaría una ocurrencia muy poco probable estadísticamente en la teoría financiera, de acuerdo con un supuesto de distribución normal de los rendimientos. Sin embargo, el período de 1997 a 1999 se caracterizó por su alta volatilidad en el mercado financiero mexicano debido en parte al efecto de contagio de las crisis financieras ocurridas en otros mercados del mundo, como la crisis asiática de 1997 o la crisis rusa de 1998. -2.00 -1.50 -1.00 -0.50 0.00 0.50 1.00 1.50 en e/ 9 4 fe b /9 4 m ar /9 4 ab r/ 9 4 m ay /9 4 ju n /9 4 ju l/ 9 4 ag o /9 4 se p /9 4 o ct /9 4 n o v/ 9 4 d ic /9 4 79 Una vez que se llevó a cabo la liberalización financiera, ocurrieron tres crisis seguidas a finales de la década de 1990. La asiática en 1997, la rusa en 1998 y la brasileña en 1999. De acuerdo con Carreón, Gutiérrez, Saucedo, Sierra y Ramos (2009), el contagio de estas crisis en el mercado mexicano se podría atribuir a errores de regulación financiera doméstica, la cual no se encontraba adaptada a las características de cada economía, se trataba de una “copia incapaz de protegerse de choques externos”. Gráfico 15. Relación Riesgo/Rendimiento del S&P/BMV IPC de 1997 a 1999. Datos diarios, variación logarítmica Fuente: Elaborado con datos históricos de Yahoo Finance. En el Gráfico 15 es posible apreciar que el mercado mexicano se comportó de manera muy volátil durante estos tres años. En este período ocurrió la caída más fuerte desde que se tiene registro, con un rendimiento negativo del 14.31% el día 27 de octubre de 1997. Sin -15.00% -10.00% -5.00% 0.00% 5.00% 10.00% 15.00% 20.00% en e/ 9 7 ju n /9 7 n o v/ 9 7 ab r/ 9 8 se p /9 8 fe b /9 9 ju l/ 9 9 d ic /9 9 Retorno Riesgo 80 embargo, al día siguiente, el S&P/BMV IPC tuvo un rendimiento positivo de 11.05%. El mismo comportamiento ocurre con el segundo registro de mayor volatilidad, el 10 de septiembre de 1998 el S&P/BMV IPC cayó 10.34% pero el 15 de septiembre el índice tuvo un rendimiento positivo del 12.15%. Gráfico 16. Diferencial entre Rendimiento y Riesgo del S&P/BMV IPC. 1997-1999 Fuente: Elaboración propia con Yahoo Finance. El 17 de agosto de 1998, Rusia devaluó el rublo y anunció una restructuración de sus obligaciones de deuda adquirida en rublos que vencía a finales de 1999. De acuerdo con Ulatov y Pinto (2010), para el 9 de septiembre del mismo año, el tipo de cambio había alcanzado 21 rublos con respecto al dólar estadounidense. El último día de labores antes del default ruso el tipo de cambio se encontraba en 6.29 rublos por dólar. En el Gráfico 16 se muestra el diferencial entre el rendimiento y el riesgo de 1997 a 1999, durante este período las observaciones con un diferencial mayor a 0 fueron 214, -25.00% -20.00% -15.00% -10.00% -5.00% 0.00% 5.00% 10.00% en e/ 9 7 ju n /9 7 n o v/ 9 7 ab r/ 9 8 se p /9 8 fe b /9 9 ju l/ 9 9 d ic /9 9 81 mientras que las observaciones con un diferencial menor a 0 fueron 537. Destaca que el día 22 de octubre de 1997 se presentó un diferencial de -22.47%, lo que representa la observación con el rendimiento más bajo desde 1991 y se explica por una caída de las bolsas de valores en distintos países asiáticos. De esta forma, en este período también existió un quiebre en la relación riesgo/rendimiento. Los efectos financieros de esta crisis se expandieron por todo el mundo, y además de los bancos rusos, otras instituciones financieras quebraron. Uno de los casos más recordados es el de Long-Term Capital Management (LTCM), un “Hedge Fund”15 que perdió $550 millones de dólares el 21 de agosto de 1998, cuatro días después del anunció de default. Las estrategias de inversión de LTCM estaban fundamentadas en modelos matemáticos que aprovechaban el arbitraje en los activos financieros, desarrollados por dos de los economistas más prolíficos de su época: Myron Scholes y Robert Merton. Para que se lograran generar los rendimientos esperados, el fondo debía contar con un apalancamiento muy alto. De acuerdo con Mandelbrot y Hudson (2004) el apalancamiento de LTCM era de 50 a 1, lo que significa que este fondo debía cubrir un margen mínimo del 2% del valor total de la operación en su cuenta de operación. En la década de 1970, Fiscker Black realizó una documentación amplia acerca de este efecto. Black (1972) explica que el efecto apalancamiento causa la aparente relación inversa entre el riesgo y el retorno, sus argumentos se basan en lo siguiente: la caída en los precios de los activos financieros generan rendimientos negativos para los inversionistas, en consecuencia, la volatilidad aumenta debido a que las empresas con mayor deuda en su estructura de capital están ahora más apalancadas. 15 Los Hedge Funds, o Fondos de Cobertura, son un tipo de fondo de inversión que reúne capital de inversores acreditados o institucionales y lo invierte en una variedad de activos, usualmente con estrategias más complejas y de mayor riesgo en comparación con los fondos de inversión tradicionales. Estos fondos operan con una menor regulación que los fondos mutuos y buscan obtener ganancias tanto en mercados alcistas como bajistas, utilizando técnicas como el apalancamiento, la venta en corto y otros métodos de inversión especulativos. 82 A su vez, en un estudio sobre el apalancamiento de los Hedge Funds a nivel mundial, Ang, Gorovyy y van Inwegen (2011) muestran resultados empíricos de que el apalancamiento de los Hedge Funds es contra cíclico al apalancamiento de instituciones financieras intermediarias: decrece en los períodos de crisis (llegó a su mínimo en 2009) mientras que los apalancamientos bancarios alcanzan sus máximos. Aunque esta explicación parece lógica, todavía queda una pregunta por resolver. De acuerdo con Lo (2017) el efecto apalancamiento es incluso más fuerte en las compañías que no tienen deuda. La explicación alternativa de Andrew Lo se basa en el marco de la HMA. En ella, los incrementos en la volatilidad provocan que una porción significativa de inversionistas reduzcan rápidamente sus posiciones de activos financieros reaccionando al miedo generalizado del mercado. Las ventas de pánico provocan una caída en los precios de los activos financieros, y generan una presión para que incrementen los precios de los activos más seguros. Los cambios en los precios, provocados por el miedo de los inversionistas, causan que la relación positiva entre el riesgo y el rendimiento sea temporalmente incumplida. Una vez que el sentimiento de incertidumbre disminuye, el comportamiento de los precios se vuelve más estable y se restaura el prinicipio del riesgo/rendimiento en el mercado. La HMA afirma que el riesgo no siempre es necesariamente premiado, esto depende del ambiente. 83 Gráfico 17. Comportamiento del Sharpe Ratio del S&P/BMV IPC. 1997-1999 Fuente: Elaborado con datos de Yahoo Finance y Banco de México (2023). Siguiendo con este análisis, el resultado que se presenta en el Gráfico 17 muestra que la relación riesgo rendimiento en un período con alta volatilidad como lo fueron los años de 1997 a 1999 se comportó de una manera peculiar. Para este período, el 58 por ciento de las observaciones fueron superiores a 0, mientras que el 42 por ciento restante resultaron en valores menores a 0. A su vez, el valor mínimo fue de -4.06 registrado en agosto de 1998 y el máximo de 2.22 ocurrió en junio de 1997. El período comprendido por 36 meses registró una media de 0.13, lo que permite concluir que el rendimiento obtenido compensó al riesgo asumido por los inversionistas, y la mediana fue de 0.35, ligeramente superior a la media. Lo anterior implica que, precisamente debido a la volatilidad del mercado, se presentaron meses con variaciones atípicas que elevaron la media. Los resultados anteriores podrían tener su explicación en diversos factores, es importante resaltar que este período fue el único que presentó una media positiva y su explicación podría atenderse en un futuro trabajo de mayor alcance. -5.00 -4.00 -3.00 -2.00 -1.00 0.00 1.00 2.00 3.00 en e/ 9 7 ab r/ 9 7 ju l/ 9 7 o ct /9 7 en e/ 9 8 ab r/ 9 8 ju l/ 9 8 o ct /9 8 en e/ 9 9 ab r/ 9 9 ju l/ 9 9 o ct /9 9 en e/ 0 0 84 La Crisis de 2008-2009 Uno de los períodos de volatilidad más recordados —y una de las recesiones más fuertes desde el fin de la Segunda Guerra Mundial— es el de la crisis financiera de 2008, la cual inició en el mercado inmobiliario estadounidense debido a la ola de incumplimientos en un contexto de bajas tasas de interés que ofrecían los créditos para adquirir una vivienda durante los años previos y a la especulación con activos sintéticos que se respaldaron en las hipotecas. De hecho, la crisis tuvo su origen en los Mortgage Backed Securities (MBS), comericializadas por diversos intermediarios y adquiridas por inversionistas en todo el mundo. Esta especulación alimentó el riesgo, pero más importante aún, generó un ambiente totalmente nuevo en los mercados financieros. Cuando los precios de la vivienda alcanzaron su máximo, los deudores de hipotecas se vieron en la situación de impago y comenzó el colapso del mercado inmobiliario. Esta crisis afectó a casi todos los sectores de la economía, particularmente el mercado de trabajo. Además de las familias que perdieron su hogar, millones de trabajadores cayeron en el desempleo. De acuerdo con Goodman y Mance (2011), para febrero del 2010 se habían perdido 8.8 millones de empleos en los Estados Unidos con respecto a los meses previos a la crisis. 85 Gráfico 18. Relación riesgo/rendimiento en el S&P/BMV IPC de 2008 a 2009. Datos diarios, variación logarítmica Fuente: Elaborado con datos históricos de Yahoo Finance. En el Gráfico 18 se muestra la relación entre el riesgo y el rendimiento del S&P/BMV IPC de 2008 a 2009. En el mercado mexicano, el S&P/BMV IPC tuvo una caída del 30.03% de enero a octubre del 2008, mientras que el S&P 500 de Estados Unidos tuvo una caída similar en el mismo período, con un rendimiento negativo del 33.54%. Sin embargo, el índice del mercado chino, el Shangai Composite (SSE), fue el que tuvo un impacto más fuerte con una caída del 67.58%. -10.00% -8.00% -6.00% -4.00% -2.00% 0.00% 2.00% 4.00% 6.00% 8.00% 10.00% 12.00% en e/ 0 8 fe b /0 8 m ar /0 8 ab r/ 0 8 m ay /0 8 ju n /0 8 ju l/ 0 8 ag o /0 8 se p /0 8 o ct /0 8 n o v/ 0 8 d ic /0 8 en e/ 0 9 fe b /0 9 m ar /0 9 ab r/ 0 9 m ay /0 9 ju n /0 9 ju l/ 0 9 ag o /0 9 se p /0 9 o ct /0 9 n o v/ 0 9 d ic /0 9 Rendimiento Riesgo 86 Gráfico 19. Diferencial entre rendimiento y riesgo del S&P/BMV IPC. 2008-2009 Fuente: Elaborado con datos históricos de Yahoo Finance. A su vez, el Gráfico 19 muestra la diferencia diaria entre el Rendimiento y el Riesgo durante el período de estudio. En dicho período, las observaciones con un diferencial menor a 0 correspondieron a 369 días, mientras que aquellas con un diferencial mayor a 0 fueron de 142 días. De la misma forma, la relación entre el rendimiento y el riesgo parece haberse roto tras el cambio en el ambiente, derivado de la crisis financiera. De acuerdo con Vikram Mansharamani (2011), la burbuja en los precios de las viviendas creció de manera acelerada debido a que los bancos redujeron sus estándares para otorgar créditos, emitiendo más préstamos de los que sus hojas de balance les permitían con el conocimiento previo de que podrían titulizarlos con el capital de los bancos y continuar prestando con recursos reciclados. Cuando el sistema bancario se desplomó, seguido de la explosión de la burbuja en el mercado subprime, los bancos que dependían de las operaciones con títulos sintéticos contaban con un mayor número de préstamos del esperado, lo que provocó de inmediato que disminuyera la emisión de créditos (Mansharamani, 2011). Este escenario presentaba pocas alternativas para los inversionistas, con poca (o nula) -14.00% -12.00% -10.00% -8.00% -6.00% -4.00% -2.00% 0.00% 2.00% 4.00% 6.00% en e/ 0 8 m ar /0 8 m ay /0 8 ju l/ 0 8 se p /0 8 n o v/ 0 8 en e/ 0 9 m ar /0 9 m ay /0 9 ju l/ 0 9 se p /0 9 n o v/ 0 9 87 disponibilidad de crédito y bajas tasas de interés, el camino conducía a los mercados de activos financieros. Gráfico 20. Índice S&P/Case-Shiller de los precios de la vivienda. 2000 – 2020. Fuente: Elaborado con datos de la Federal Reserve Economic Data (FRED) En el Gráfico 20 se presenta el índice de los precios de la vivienda Case-Shiller16, el cual se basa, a su vez, en otros índices para medir el comportamiento de los precios de las residencias de Estados Unidos. Este índice alcanzó sus máximos de 2006 a 2007, un año antes de que ocurriera la crisis financiera, y fue de utilidad para anticipar este período de volatilidad. Sin embargo, cabe destacar que en años recientes, los niveles del índice ya han superado los alcanzados en 2008, reflejando una nueva fase de incertidumbre en el mercado inmobiliario. De acuerdo con un comunicado de prensa de Standard & Poor’s, se reportó un incremento anual del 10.4% en el índice durante el 2020 debido principalmente a la incertidumbre generada por la pandemia de COVID-19, este ha sido el máximo crecimiento registrado del mercado desde 2013 A su vez, las restricciones del gobierno estadounidense produjeron un cambio secular en la demanda de residencias dentro de las ciudades por viviendas fuera de los sitios más urbanizados, lo que estaría indicando un momento de pánico en el mercado. Lo anterior se debe a que, en tiempos de incertidumbre, las medidas gubernamentales restrictivas pueden 16 Creado en la década de 1980 por tres economistas: Allan Weiss, Karl Case y Robert Shiller. La información de este índice es distribuida por Standard & Poor’s. 88 intensificar la percepción de riesgo entre los consumidores. Esta percepción puede llevar a un comportamiento irracional, pues los agentes buscan asegurar propiedades fuera de los centros urbanos, anticipando una mayor inestabilidad económica o temiendo una escasez de opciones habitacionales en el futuro cercano. Este comportamiento caracteriza los mercados en pánico, pues las decisiones se toman de manera precipitada y con una menor racionalidad. Esto podría significar que en otros mercados también existe un rompimiento de la relación entre el rendimiento y el riesgo. Gráfico 21. Comportamiento del Sharpe Ratio del S&P/BMV IPC. 2008-2009. Fuente: Elaborado con datos de Yahoo Finance y Banco de México (2023). Por último, el Sharpe Ratio calculado para este período ofrece los resultados más concluyentes del análisis. El 67 por ciento de las observaciones registró un ratio menor a 0, y solo el 33 por ciento de las observaciones se registró un índice positivo. Por otro lado, el valor mínimo fue de -4.50 registrado en octubre del 2008, cuando el índice de la Bolsa Mexicana de Valores registró su mayor caída, y el máximo de 1.41, que ocurrió en marzo del mismo año. La media para este período fue de -0.60 y la mediana fue de -0.23, lo que implica que también en esta etapa el rendimiento obtenido no fue suficiente para compensar el riesgo adquirido por los inversionistas, por lo que hubiera resultado una mejor opción haber invertido en activos libres de riesgo. -5.00 -4.00 -3.00 -2.00 -1.00 0.00 1.00 2.00 en e/ 0 8 fe b /0 8 m ar /0 8 ab r/ 0 8 m ay /0 8 ju n /0 8 ju l/ 0 8 ag o /0 8 se p /0 8 o ct /0 8 n o v/ 0 8 d ic /0 8 en e/ 0 9 fe b /0 9 m ar /0 9 ab r/ 0 9 m ay /0 9 ju n /0 9 ju l/ 0 9 ag o /0 9 se p /0 9 o ct /0 9 n o v/ 0 9 d ic /0 9 89 La Crisis Sanitaria de 2020: el COVID-19 La crisis sanitaria de COVID-19 no sólo tuvo repercuciones en el sector salud, sino que toda la economía resultó afectada. Esta pandemia paralizó sectores enteros como el turístico y el de la construcción casi por completo, la economía mundial sufrió una de las recesiones más fuertes de su historia. De acuerdo con el Reporte de Estabilidad Financiera del Banco de México, el Producto Interno Bruto de la economía mexicana sufrió una caída del 17% en el segundo trimestre del 2020, mientras que en el tercer trimestre registró una recuperación del 12.1% con la reapertura de actividades específicas de diversos sectores. En México no hubo una política económica que resultara efectiva para evitar el impacto, pero ningún país logró evitarlo. Entre las acciones llevadas a cabo, se mantuvo abierta la frontera con otros países para permitir el flujo de turistas al territorio mexicano. En términos de política monetaria, el Banco de México redujo su tasa de interés de 7% en marzo de 2020 hasta un 4% en abril del 2021, lo que más tarde, en conjunto con otros factores de ofera y externos propiciaría el incremento de los precios en productos de consumo básico como alimentos y energéticos. Los mercados financieros no estuvieron libres del impacto, el S&P/BMV IPC tuvo uno de sus rendimientos más bajos en casi una década y la narrativa de la crisis sanitaria provocó que la volatilidad fuera constante durante meses. 90 Gráfico 22. Riesgo/Rendimiento del S&P/BMV IPC en 2020-2021. Datos Diarios, Variación Logarítmica Fuente: Elaborado con datos históricos de Yahoo Finance. Es posible observar en el Gráfico 22 que durante el primer semestre del 2020 el riesgo se disparó, mientras que el rendimiento se volvía mucho más volátil. El 11 de marzo la OMS clasificó al COVID-19 como pandemia17, desencadenando uno de los episodios de mayor incertidumbre en el mercado. También ha sido uno de los períodos mejor registrados en cuanto al comportamiento de los mercados, el 17 de marzo la BMV suspendió sus operaciones de remates por 15 minutos luego de que el S&P/BMV IPC cayera casi un 8%. Los efectos de la incertidumbre en los mercados no se hicieron esperar, pues la caída en el índice de la BMV fue similar al de la crisis de 2008, interrrumpiendo más de 10 años consecutivos de crecimiento en el el S&P/BMV IPC y generando pérdidas millonarias entre los inversionistas. Una vez más, se rompió la relación entre el riesgo y el rendimiento hasta 17 Organización Mundial de la Salud. (11/03/20). Alocución de apertura del Director General de la OMS en la rueda de prensa sobre la COVID-19 celebrada el 11 de marzo de 2020. -8.00% -6.00% -4.00% -2.00% 0.00% 2.00% 4.00% 6.00% 8.00% en e/ 2 0 m ar /2 0 m ay /2 0 ju l/ 2 0 se p /2 0 n o v/ 2 0 en e/ 2 1 m ar /2 1 m ay /2 1 ju l/ 2 1 se p /2 1 n o v/ 2 1 Rendimiento Riesgo 91 que mejoraron las expectativas en torno a los anuncios de una posible vacuna alrededor del mes de agosto cuando se restableció la relación positiva. Gráfico 23. Diferencial entre Rendimiento y Riesgo del S&P/BMV IPC. 2020-2021 Fuente: Elaborado con datos de Yahoo Finance. El Gráfico 23 muestra el diferencial entre el rendimiento y el riesgo en el período de 2020-2021. Durante dicho período, las observaciones con un diferencial menor a 0 fueron 358, mientras que las observaciones con un diferencial mayor a 0 fueron 146. El 27 de marzo del 2020 se presentó el diferencial más grande, de -9.27%, esto debido a que fue durante esta fecha que la pandemia por Covid-19 provocó incretidumbre a nivel mundial, colapsando las bolsas de todo el mundo. No obstante, este período de crisis marcó un antecedente para que el 2021 fuera uno de los años con mejor rendimiento en los mercados. El reporte del Banco de México mencionado anteriormente indica que los rendimientos positivos en los mercados financieros fueron aún mayores por la disminución de la aversión al riesgo, derivada de los estímulos -12.00% -10.00% -8.00% -6.00% -4.00% -2.00% 0.00% 2.00% 4.00% en e/ 2 0 m ar /2 0 m ay /2 0 ju l/ 2 0 se p /2 0 n o v/ 2 0 en e/ 2 1 m ar /2 1 m ay /2 1 ju l/ 2 1 se p /2 1 n o v/ 2 1 92 fiscales, monetarios y financieros que se llevaron a cabo en todo el mundo, así como por el incremento gradual de la actividad económica y un mejoramiento en las expectativas en torno al desarrollo de una vacuna. Gráfico 24. Comportamiento del Sharpe Ratio del S&P/BMV IPC. 2020-2021. Fuente: Elaborado con datos de Yahoo Finance y Banco de México (2023). Finalmente, el Sharpe Ratio calculado de 2020 a 2021 permite elaborar un análisis más preciso de la relación entre el riesgo y el rendimiento durante estos años. Para este período, el 54% de las veces se registró un Sharpe Ratio negativo y el otro 46% se observó un ratio por arriba de 0. De la misma forma, el ratio más bajo fue de -5.73, registrado en marzo de 2020, mes en el que comenzaría la pandemia; y el más alto de 1.74, registrado en noviembre de 2020. Igualmente, la media fue negativa, registrando un índice promedio de - 0.26 y la mediana se registró un poco por encima, pero también fue negativa con un valor de -0.04, lo que demuestra que también se rompió la relación riesgo/rendimiento y que el rendimiento obtenido no fue capaz de compensar el riesgo asumido. Este período de volatilidad es el más reciente en haber ocurrido y del que nació la idea por llevar a cabo el presente trabajo, pues fue evidente para todos los inversionsitas que la volatilidad durante los primeros meses del 2020 generó incertidumbre y especulación. Este -7.00 -6.00 -5.00 -4.00 -3.00 -2.00 -1.00 0.00 1.00 2.00 3.00 en e/ 2 0 fe b /2 0 m ar /2 0 ab r/ 2 0 m ay /2 0 ju n /2 0 ju l/ 2 0 ag o /2 0 se p /2 0 o ct /2 0 n o v/ 2 0 d ic /2 0 en e/ 2 1 fe b /2 1 m ar /2 1 ab r/ 2 1 m ay /2 1 ju n /2 1 ju l/ 2 1 ag o /2 1 se p /2 1 o ct /2 1 n o v/ 2 1 d ic /2 1 93 análisis es de suma relevancia para demostrar que no siempre se cumple la máxima de que un mayor riesgo siempre implica un rendimiento más alto, por lo que es también importante recalcar qué papel juega la capacidad de adaptación de los inversionsitas ante este panorama y el cambio en el ambiente financiero. Los Mercados Adaptativos en Acción Parecía que los individuos se habían logrado adaptar al ambiente. Alimentado por la política monetaria expansiva que siguieron los bancos centrales de todo el mundo el ambiente cambió radicalmente. Como se mostró en el Gráfico 7, el IPC alcanzó sus máximos históricos a finales del 2021, con un rendimiento del 61.70% desde el mínimo alcanzado en marzo del 2020 hasta su máximo de agosto de 2021. De hecho, este crecimiento acelerado también ocurrió luego de las crisis de 1994, 2001 y 2008 cuando los períodos de volatilidad fueron altos y la aversión al riesgo comenzó a desaparecer, o a adaptarse a su ambiente. Sin embargo, no todos los agentes logran sobrevivir a estos períodos, y esto es justamente lo que trata de incorporar la HMA desde el punto de vista biológico. Los comportamientos “inadaptados” tienen consecuencias similares en la naturaleza y en los mercados financieros, pues como se muestra en el Gráfico 25, dos empresas similares pertenecientes al mismo sector experimentaron situaciones totalmente distintas durante el mismo período de la pandemia por Covid 19. 94 Gráfico 25. Precio de las Acciones de VOLARA y AEROMEX de 2020 a 2021 Fuente: Elaborado con datos históricos de Yahoo Finance. Desde el inicio del 2020 y hasta finales del 2021, el precio de las acciones de Aeroméxico (AEROMEX) tuvo un rendimiento negativo del 83.00% mientras que las acciones de Volaris (VOLAR.A) subieron 83.52%. Estos resultados muestran una similitud entre los rendimientos de ambas empresas, y demuestra que el mercado es capaz de incorporar toda la información de manera casi perfecta. Este período en el que la demanda cayó drásticamente debido al confinamiento y al cierre de las fronteras con otros países terminó en un proceso de bancarrota para Aeroméxico, pues fue incapaz de pagar su deuda a corto plazo cuando sus ingresos cayeron. 0 5 10 15 20 25 30 35 40 45 50 0 2 4 6 8 10 12 14 16 18 01/2020 04/2020 07/2020 10/2020 01/2021 04/2021 07/2021 10/2021 AEROMEX VOLAR.A 95 Tabla 6. Balance general de Aeroméxico y Volaris. 2020-2021. Aeroméxico Volaris Capitalización Precio de cierre 31 Dic. 2020. Pesos Mexicanos 16.35 20.02 Precio de cierre 31 Dic. 2021. Pesos Mexicanos 2.78 36.74 Rendimiento Total, 2020-2021(%) -83.00% 83.52% Beneficios Ingresos Totales 28,522.1 21,486.6 UAFIDAR - 6,802.0 5,426.2 Ingresos Netos Balance Activo corriente 13,741.0 10,103.3 Pasivo corriente 96,771.4 20,966.0 Deuda Neta Total 111,498.8 75,496.1 Capital Contable - 32,951.0 2,796.2 Valoración Ratio Deuda a Capital -3.38 27.00 Aplancamiento deuda neta a UAFIDAR -16.39 13.91 Fuente: Elaborado con datos del reporte anual de Volaris y Aeroméxico A su vez, la interrogante que surge a partir de estos resultados es, si pertenecían al mismo sector ¿por qué una empresa logró “sobrevivir” a la pandemia y la otra tuvo que recurrir a la restructuración de su deuda? De acuerdo con sus Estados de Situación Financiera, contenidos en los reportes anuales de ambas empresas, el pasivo circulante de Aeroméxico pasó de 41,680 millones de pesos en el 2019 a 96,771 millones de pesos en el 2021. Esto significó un incremento del 132.18% en la deuda a corto plazo para la empresa. Mientras tanto, Volaris registró un pasivo a corto plazo de 17,324 millones de pesos en el 2019 y de 20,966 millones de pesos en el 2020, es decir, un crecimiento del 21.02%. 96 Una posible explicación al bajo rendimiento de Aeroméxico podría venir desde su apalancamiento. Para calcularlo, las aerolíneas utilizan el UAFIDAR18 y la deuda neta de la compañía. La relación de apalancamiento de deuda neta a UAFIDAR de Aeroméxico resultó ser de -16.39, lo que se puede explicar desde la UAFIDAR negativa de 6,802 millones de pesos de la empresa. Por otro lado, Volaris tuvo una relación de apalancamiento de deuda neta a UAFIDAR de 13.91, lo que significa que se cuenta con un balance general estable con respecto a la competencia dentro del sector y dado que esta empresa se consolidó como la aerolínea con mayor pasajeros transportados en ese año con un total de 24.4 millones, se puede concluir que la deuda que manejan se invierte en el crecimiento de esta. Tabla 7. Método Altman Z-Score de Distintas Aerolíneas. Marzo de 2020. Fuente: Elaborado con datos de Bloomberg Por otro lado, haciendo uso del método de Altman Z-Score desarrollado a finales de la década de 1960 por Edward Altman, Kotoky y Whitley (2020), quienes llevaron a cabo un análisis del comportamiento de distintas aerolíneas que a inicios del 2020 presentaban problemas administrativos por el inicio de la pandemia de Covid-19. Esta metodología mide el riesgo de quiebra de una empresa pública, ya que toma en cuenta estadísticas disponibles en los reportes anuales, tales como su rentabilidad, apalancamiento, liquidez, solvencia y su actividad. 18 Se calcula a partir de la suma de la Utilidad o Pérdida antes de Costos/Ingresos Financieros, Impuestos, Depreciación, Amortización, Deterioro y Rentas Aerolínea País Método Altman Z-Score Precision Air Tanzania -4.22 Azul Brasil -2.04 Medview Airlines Nigeria -1.73 Thai Airways Tailandia -1.08 Gol Linhas Brasil -1.06 Grupo Aeroméxico México -1.03 97 En dicho análisis, el Grupo Aeroméxico obtuvo una calificación de -1.03, muy por debajo de la puntuación mínima aceptada por esta metodología. De acuerdo con el Z-Score de Altman, una puntuación menor a 1.8 implica un riesgo de quiebra para la empresa, mientras que una puntuación por encima de 3.0 significa que la compañía se encuentra en una posición de estabilidad financiera sólida. Por lo tanto, al momento de este análisis Aeroméxico se encontraba muy por debajo del nivel mínimo del Z-Score de Altman. Unos meses más tarde, Aeroméxico —al igual que el resto de las compañías que se encuentran en el estudio—pasaría por un proceso de reesructuración financiera debido a los altos niveles de apalancamiento en los que se encontraba. Los efectos de la pandemia comenzaron en los países asiáticos, pero rápidamente se extendieron al Occidente, por lo que este efecto de contagio terminó por sepultar a las aerolíneas que ya se enfrentaban a diversos problemas financieros. En este período también se encuentra el caso de una aerolínea mexicana que se enfrentó a un proceso de bancarrota, pero de la cual no se encuentra información debido a que no es una empresa pública, se trata de Interjet. Esta aerolínea, al igual que Aeroméxico, se encontraba en una posición de endeudamiento que le impidió continuar con sus operaciones. En 2021, el Sistema de Administración Tributaria (SAT) realizó un embargo de las cuentas bancarias de esta compañía por incumplir con el pago de obligaciones fiscales por 2,947 millones de pesos19. Finalmente, es posible afirmar que la HMA se cumple en cuanto a sus supuestos, pues los agentes económicos racionales e irracionales conviven en un mismo entorno en el que también se encuentran distintos niveles de aversión al riesgo, las empresas también se ven afectadas por los cambios en el ambiente y sólo sobreviven las que se logran adaptar. En este caso, Aeroméxico cargaba con un sobreendeudamiento que le costó la declaración de bancarrota. 19 Hernández, E. (2021). 98 Una Mirada al Futuro El análisis realizado en este trabajo conllevó una evaluación ex post, en la que se estudiaron los modelos económicos que tenían como objetivo proyectar el rendimiento otorgado por cada unidad adicional de riesgo adquirida. Pero la intención es llegar un paso más allá, y hacer un esfuerzo por abrir el panorama y brindar una perspectiva de cómo podría contribuir esta investigación para explicar el proceso de cambios en el ambiente en un futuro. En lo que va del Siglo XXI, la economía global ha experimentado tres crisis financieras con distintos orígenes que terminaron por reconfigurar el sector financiero, cambiando por completo el ambiente en el que se desenvuelven los agentes económicos. La primera crisis se originó por una burbuja en el sector tecnológico, la segunda tuvo su origen en el sector inmobiliario y la tercera comenzó como una pandemia, es decir, en el sector salud. Esta última fue quizás la más inesperada, y la que tuvo consecuencias más fuertes en el comportamiento y la adaptación de los agentes económicos. Cuando inició la pandemia por COVID-19 no existía tratamiento alguno, y mucho menos una vacuna que previniera este virus, por lo que se tomaron medidas abruptas por parte de los gobiernos en todo el mundo con el fin de contener la expansión de la enfermedad entre sus habitantes. Esto condicionó tanto a la economía como a la sociedad, en donde se desarrollaron y se aceleraron las innovaciones tecnológicas que cambiaron drásticamente el sector laboral y educativo. Dos años después, con el desarrollo de la vacuna, aparentemente todo regresó a la normalidad. Sin embargo, existe una amenaza que se avecina para la cual no parece existir una solución a sus posibles consecuencias. El calentamiento global es, muy probablemente, el origen de la próxima gran crisis mundial. Según el Informe de los Objetivos de Desarrollo Sostenible (ODS) de las Naciones Unidas (2023), la crisis climática es una realidad que empeora cada año, pues las emisiones de gases invernadero continúan incrementando por parte de la mayoría de los países. Además, este informe afirma que la temperatura mundial se encuentra 1,1°C por encima de los niveles 99 preindustriales, y es posible que alcance o incluse supere los 1,5°C para 2035. Esto implicaría un punto de inflexión en el que no habrá retorno. Las posibles consecuencias son devastadoras, pues un incremento en la temperatura produciría un aumento en el nivel del mar, el cual amenaza a cientos de millones de personas. No solo existe un riesgo en cuanto al aumento del nivel del mar, el cambio climático está provocando la extinción masiva de especies que son fundamentales para preservar el ecosistema en el que existen. La polución del aire y el agua también implica un problema que, si no se corrige en conjunto con los demás factores para el año 2030, podría desencadenar una crisis no solo económica sino humanitaria. La discusión sobre el calentamiento global se ha vuelto cada vez más profunda en la narrativa económica actual, formando parte importante de los discursos de mandatarios nacionales, y también en los reportes de compañías multinacionales. Actualmente es común encontrar a estas empresas asociadas a los criterios ESG (Environmental, Social and Governance, por sus siglas en inglés) pues se ha vuelto un requerimiento por parte de gestoras de activos tan importantes como BlackRock. De acuerdo con el Observatorio de Inversión ESG (Georgeso, 2023), nueve de cada diez inversores institucionales que forman parte del estudio creen que la gestión de riesgos ambientales es un tema de suma importancia en la evaluación de compañías. Sin embargo, puede ser que estas medidas hayan sido tomadas demasiado tarde. Con tan solo siete años para cambiar de rumbo, las emisiones de CO2 emitidas por los países más contaminantes es una de las tareas más desalentadoras, pero no imposibles de lograr por parte de sus respectivos gobiernos. De acuerdo con el Banco Mundial (2020), los países que mayor cantidad emiten de gases invernadero son China con 12.9 Millones de Toneladas de CO2, Estados Unidos con 5.5 Millones de Toneladas de CO2 y la India con 3.2 Millones de Toneladas CO2. 100 Gráfico 26. Emisiones de Gases de Efecto Invernadero en 2019 (kt de Equivalente de CO2). Fuente: Elaboración propia con datos del Banco Mundial En México se ha mostrado compromiso por cumplir con los ODS, por lo cual se han emitido Bonos Soberanos alineados a los ODS. El 14 de septiembre de 2020, México emitió el primer Bono Soberano Sostenible del mundo por 750 millones de euros, iniciando un programa de financiamiento con la construcción de una curva de rendimiento sostenible. La última emisión que se realizó fue el 18 de enero de 2024 por 2,000 millones de euros. Tabla 8. Emisión de Bonos Sostenibles Realizadas por el Gobierno de México Fecha Instrumento Monto (Millones) Moneda 08/08/2022 UMS Bono ODS 2,203 Dólares 20/04/2023 UMS Bono ODS 2,941 Dólares 26/08/2022 UMS Bono ODS 29,700 Yenes 26/08/2022 UMS Bono ODS 23,803 Yenes 26/08/2022 UMS Bono ODS 14,904 Yenes 26/08/2022 UMS Bono ODS 3,999 Yenes 26/08/2022 UMS Bono ODS 3,194 Yenes 14/09/2020 UMS Bono ODS 750 Euros 06/07/2021 UMS Bono ODS 1,250 Euros 18/01/2024 UMS Bono ODS 2,000 Euros Fuente: Elaboración propia con datos de la Secretaría de Hacienda y Crédito Público 0 2 4 6 8 10 12 14 ALE SAU IRN IDN BRA JPN RUS IND EUA CHN 101 De acuerdo con el Marco de los Bonos Soberanos para ODS, publicado por la Secretaría de Hacienda y Crédito Público (SHCP, 2024) estos bonos pueden adoptar la forma de Bonos ODS Verdes, Bonos ODS Sociales o Bonos ODS Sostenibles. Además, estos se encontrarán vinculados a los gastos elegibles establecidos en el Presupuesto de Egresos de la Federación (PEF), que pueden ser Proyectos Verdes y/o Sociales y que forman parte del Presupuesto Federal. Sin duda, este es un esfuerzo importante por parte del gobierno mexicano para sumarse a las medidas necesarias para prevenir un desastre climático en los próximos años, pero hace falta mucho más para lograr cambiar el rumbo actual. Es necesario que el resto de los países, en especial China, realicen esfuerzos por cumplir los ODS y reducir sus emisiones de gases invernadero. 102 CONCLUSIONES Los mercados están en constante cambio, como lo demuestran las evidencias empíricas mostradas en este trabajo. Una de las conclusiones es que estos cambios se han acelerado cada vez más, lo que se explica desde el incremento en la volatilidad en los mercados financieros y las recientes crisis que esto ha provocado. A su vez, los cambios en el ambiente han provocado que los individuos se adapten a él y quienes no lo hayan hecho así, no lograron sobrevivir a los eventos consecuentes. En este trabajo se muestra que los rendimientos en el mercado accionario mexicano no necesariamente siguen una distribución normal. Los resultados permiten concluir que desde 1991 los eventos “atípicos” en los cuales el rendimiento se encuentra fuera de la media, es decir, en las colas largas de la distribución, son más comúnes de lo que se podría encontrar en la teoría. Por ello, su escaso estudio demuestra la dificultad para calcularlos y más aún para pronosticarlos. A partir de eventos de este tipo y de la búsqueda de una teoría capaz de explicar el comportamiento de los mercados financieros surge la Hipótesis de los Mercados Adaptativos, que es una propia evolución de la Hipótesis de los Mercados Eficientes, pero con los principios de la adaptación aplicados a la teoría financiera. Si se observa desde esta perspectiva, los precios reflejarían tanta información como la que provee la combinación de las condiciones ambientales en un ecosistema y los participantes del mercado podrían ser vistos como distintas especies que cohabitan en el mismo ambiente. Bajo este supuesto, las distintas especies de inversionistas están en constante competencia por generar rendimientos así como en la naturaleza se buscan las oportunidades por conseguir recursos para sobrevivir. En la naturaleza también ocurren crisis, los cambios climáticos en nuestro planeta desde millones de años atrás han provocado una serie de extinsiones en distintas especies, por lo que este hecho también puede ser aplicado a la hipótesis planteada desde el inicio de este trabajo. Por ejemplo, la pandemia causada por la 103 Covid-19 a principios del 2020 fue un evento externo que cambió por completo el ambiente en todos los sectores, principalmente el financiero. Cuando el brote de Covid-19 fue declarado pandemia en marzo del 2020, miles de millones de personas fueron enviadas al confinamiento en un intento por detener el esparcimiento del virus. La incertidumbre gobernó en los mercados financieros, pues nadie estaba seguro de cómo se superaría esta crisis debido a que existía poca información sobre una cura. Sin embargo, mientras la vacuna era desarrollada, los avances tecnológicos fueron sorprendentes en cuanto a los servicios de almacenamiento en la nube, de streaming y de videollamadas, así como ciberseguridad, realidad virtual, inteligencia artficial y la automatización de servicios financieros. La industria del turismo fue una de las principales víctimas de los cambios en el ambiente, pues la crisis de la Covid-19 provocó que las fronteras internacionales cerraran con un plazo indefinido. En México, las aerolíneas nacionales Interjet y Aeroméxico fueron de las más afectadas tras la parálisis en las rutas aéreas, y a pesar de que las fronteras mexicanas nunca fueron cerradas para recibir turistas extranjeros, ambas empresas quedaron al borde de la extinción. En el caso de Interjet, esta compañía cesó operaciones desde el 2020 y actualmente se encuentra en el proceso de bancarrota; mientras que Aeroméxico pasó por una reestructuración financiera para continuar con sus operaciones, pues la pandemia provocó que también se encontrara en situación de quiebra. Por otro lado, encontramos el caso de Volaris, una empresa que pertenece al mismo sector y que supo adaptarse a los cambios en el ambiente, lo que generó consecuencias positivas en sus ingresos durante el 2021. Esta aerolínea fue la que mayor crecimiento tuvo durante el período de estudio, ello gracias a que se recuperó la demanda de manera acelerada, pero también a que la compañía aumentó su capacidad operativa de acuerdo con las necesidades del mercado. Esta información fue procesada e incorporada al mercado, lo que se tradujo en resultados positivos en el rendimiento de las acciones de Volaris. 104 Otra de las conclusiones a las que se puede llegar a partir de los resultados obtenidos es que los mercados se adaptan, pero la adaptación forma parte de un ciclo y ocurre cuando el ambiente cambia, es decir, cuando el ciclo se encuentra en su pendiente negativa, con estados de miedo, negación, pánico e ira. El comportamiento que mostró el mercado durante el 2020 fue justamente lo que se mencionó con anterioridad, pero en el 2021, cuando la Fed inundó de liquidez a los mercados, la euforia y el optimismo no se hicieron esperar. No obstante, durante el 2022 estas decisiones de política monetaria han tenido fuertes consecuencias pues la inflación incrementó a niveles históricos, por lo que ocasionó una caída en las expectativas de crecimiento económico a nivel mundial, así como un ciclo a la baja en los mercados. Los resultados de este trabajo muestran que durante la etapa de alta volatilidad — mejor conocida como miedo— se rompe el principio de riesgo/rendimiento que ha sido ampliamente esparcido por la teoría financiera. Durante distintos períodos se comprueba esta hipótesis. Un primer ejemplo se dio durante 1994 cuando se vivió una de las crisis más fuertes en nuestro país derivada de una especulación cambiaria y la imposibilidad de pagar los compromisos internacionales. Un segundo episodio tuvo llugar durante 1998 cuando también ocurrió una especulación cambiaria a partir del default ruso; más tarde entre los años de 2007 y 2008 con la crisis inmobiliaria —en la que hubo especulación con activos sintéticos—. Finalmente la pandemia por Covid 19, un período particular debido a su origen externo, generó especulación por el lado de la oferta y al día de hoy ha provocado tasas de inflación históricas en la mayoría de las economías. Todos los períodos estudiados coinciden en que ocurrieron comportamientos irracionales, o inadaptados desde el punto de vista de la HMA, por lo que se podría llegar a la conclusión que este es el origen de la especulación. Un cambio en el ambiente genera desconcierto momentáneo para los seres humanos, y desde el punto de vista biológico, esto toma un cierto tiempo en ser asimilado y posteriormente adaptado al comportamiento. La relación de riesgo/rendimiento muestra no ser siempre positiva en estos casos. 105 Para poder medir qué tan fuerte es la variación del comportamiento de los inversionistas en estos períodos se necesitaría de un modelo capaz de medir las emociones de miedo, pero también de aversión al riesgo. Una posible solución se encuentra en los modelos que intentan medir el sentimiento del mercado como es el caso del índice VIX, pero parece que existe un rezago temporal entre los indicadores de este índice y las reacciones del mercado. Mientras tanto, seguirá siendo una tarea difícil pronosticar el comportamiento de los mercados. La búsqueda de confirmar información imposibilita explorar diferentes ideas. Este sesgo en la investigación ha ocurrido a lo largo de la historia de la teoría financiera. Por lo tanto, la sabiduría común de que un mayor riesgo necesariamente conlleva un premio más alto debe ser cuestionada como se hace en este trabajo. En palabras de Andrew Lo (2017), desde el punto de vista de la Hipótesis de los Mercados Adaptativos: “La evolución a la velocidad del pensamiento es más eficiente y poderosa que la evolución a la velocidad de la reproducción biológica. La evolución a la velocidad del pensamiento nos ha permitido adaptar nuestro cerebro a través del tiempo y sobre ciertas circunstancias para generar comportamientos que aumenten nuestra capacidad y probabilidad de sobrevivencia”. 106 BIBLIOGRAFÍA • Ang, A., Gorovyy. S., & Van Inwegen, G. (2011). Hedge Fund Leverage. Journal of Finance Economics, 102 (1). • Ariely, D. (2008). Predicably Irrational: The hidden forces that shape our decisions. Harper Collins. • Bachelier, L. (1900). Théorie de la speculation. Annales scientifiques de l’École Normale Supérieure, 3 (17), 21-86. • Banco de México (1995). Informe Anual 1994. • Banco de México. (2020). Reporte de Estabilidad Financiera. • Banco Mundial. (2020). Emisiones de gases de efecto invernadero totales. • Bechara, A. & Damasio, A. (2005). The Somatic Marker Hypothesis: A Neural Theory of Economic Decision, 52(2), 336-372. • Berk, J., & DeMarzo, P. (2018). Corporate Finance (4th ed.). Pearson. • Bernoulli, D. (1738). Hydrodynamica. Johann Reinhold Dulsecker. • Black, F. (1972). Capital Market Equilibrium with Restricted Borrowing. The Journal of Business. 45(3), 444 – 455. • Black, F. (1986). “Noise”. Journal of Finance, 41 (3), 528 – 543. • Black, F. & Scholes, M. (1973). The Pricing of Options and Corporate Liabilities. The Journal of Political Economy, Vol. 81, (3), 637-654. • Blanco, F. (2017). Cognitive Bias. Universidad de Deusto. Games and Economic Behavior. • Bolsa Mexicana de Valores. (n.d.). Acerca de. Recuperado el 19 de septiembre de 2020, https://www.bmv.com.mx/es/grupo-bmv/acerca-de • Capinski, M., & Zastawniak, T. (2003). Mathematics for Finance: An Introduction to Financial Engineering. Springer. • Carreón et al. (2009). Efecto Contagio de la Crisis “Credit Subprime”: El Caso de México. 107 • Chen, N. & Zhang F. (1998). Risk and Return of Value Stocks. The Journal of Business, University of Chicago Press, 71 (4), 501-535. • Choi, J. (2013). What Drives the Value Premium? The Role of Asset Risk and Leverage. Review of Financial Studies. 26(11), 2845-2875. • Comisión Nacional Bancaria y de Valores. (2022). Instrumentos. Recuperado el 02 de septiembre de 2022, de https://www.cnbv.gob.mx/SECTORES- SUPERVISADOS/BURSÁTIL/Descripción/Paginas/Instrumentos.aspx • Cootner, P.H. (Ed.) (1964). The Random Character of Stock Prices. MIT Press. • Corporate Finance Institute (2022). Statistics: A Numerical or Graphical Representation of Data. Recuperado el 15 de agosto de 2022, de https://corporatefinanceinstitute.com/resources/knowledge/other/statistics/ • Einstein, A. (1905). On the movement of small particles suspended in stationary liquids required by the molecular-kinetic theory of heat. Annalen der Physik 17, 549 – 560. • Ewen, M. (2018). Where is the Risk Reward? The Impact of Volatility-Based Fund Classification on Performance. MDPI, 6(3), 1-20. • Fabozzi, F. (2013). Bond Markets, Analysis and Strategies. (8th ed.). Pearson. • Fabozzi, F. & Mann, S. (2010). Introduction to Fixed Income Analytics. (2nd ed.). John Wilet & Sons, Inc. • Fama et al. (1969). The Adjustment of Stock Prices to New Information. International Economic Review, 10 (1), 1-21. • Fama, E. (1965). The Behavior of Stock-Market Prices. The Journal of Business, 38 (1) 34-105. • Fama, E. (1970). Efficient Capital Markets: A Review of Theory and Empirical Work. The Journal of Finance, 25 (2), 384-417. • Fama, E. & French, K. (1992). The Cross-Section of Expected Stock Returns. Journal of Finance, 47(2), 427-465. • Fama, E. F. (1963). The Behavior of Stock-Market Prices. Journal of Business, 38(1), 34-105. • Federal Reserve Economic Data. (2022), Gross Domestic Product. Recuperado el 29 de septiembre de 2022, https://fred.stlouisfed.org/series/GDP#0. 108 • Fischer, I. (1930). The Theory of Interest. Macmillan. • French, C. (2003). The Treynor Capital Asset Pricing Model. Journal of Investment Management, 1(2), 60-72. • Gigerenzer, G. (2008). Rationality for Mortals: How People Cope with Uncertainty. Oxford University Press. • Goodman, C. & Mance, S. (2011). Employment Loss and the 2007-09 Recession: an Overview. U.S. Department of Labor, Bureau of Labor Satistics, 134(4), 3-12. • Hernández, E. (2021). Pérdida de 2,803 mdp llevó a Interjet a la quiebra. Forbes. Recuperado el 23 de enero de 2023. URL: https://www.forbes.com.mx/perdida-de-2- 8-mil-mdp-llevo-a-interjet-a-la-quiebra/ • Ibbotson, R. (2016). SBBI Yearbook 2016: Stocks, Bonds, Bills, and Inflation: U.S. Capital Markets Performance by Asset Class 1926-2015. Duff & Phelps. • Kahneman, D. (2003). Maps of Bounded Rationality: Psychology for Behavioral Economics. The American Economic Review. • Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux. • Kahneman, D. (2013). Thinking Fast and Slow. Penguin Books. • Kahneman, D. & Tversky, A. (1979). Prospect Theory: An Analysis of Decision Under Risk. Econometrica. 47 (2). • Kahneman, D. & Tversky, A. (1982). Judgment under uncertainty: Heuristics and biases. Cambridge University Press. • Kahneman, D., & Tversky, A. (1992). Advances in Prospect Theory: Cumulative Representation of Uncertainty. Journal of Risk and Uncertainty, 5(4), 297-323. • Klarman, S. A. (1991). Margin of Safety: Risk-Averse Value Investing Strategies for the Thoughtful Investor. HarperCollins. • Köszegi, B., & Rabin, M. (2006). A Model of Reference-Dependent Preferences. The Quarterly Journal of Economics, 121(4), 1133-1165. • Kotoky, A. & Whitley, A. (2020). These Are the Airlines Teetering on the Brink of Covid Ruin (1 de noviembre de 2020). Bloomberg. https://www.bloomberg.com/news/articles/2020-11-01/these-are-the-airlines- teetering-on-the-brink-as-covid-drags-on 109 • Lintner, J. (1965). The Valuation of Risk Assets and the Selection of Risky Investments in Stock Portfolios and Capital Budgets. Review of Economics and Statistics, 47(1), 13-37. • List, J. A. (2003). Does Market Experience Eliminate Market Anomalies? The Quarterly Journal of Economics, 118(1), 41-71. • Lo, A. (2017). Adaptive Markets: Financial evolution at the speed of thought. Princeton University Press. • Lo. A. (2004). Reconciling Efficient Markets with Behavioral Finance: The Adaptive Markets Hypothesis. Journal of Portfolio Management 30 (1), 15-29 • Lo. A. (2007). Efficient Market Hypothesis. The New Palgrave: A Dictionary of Economics, Second Edition, 2007. New York: Palgrave McMillan. • Ly, et al. (2013). A Practitioner’s Guide to Nudging. Rotman School of Management Working Paper No. 2609347. • Malkiel, B. (1990). A Random Walk Down Wall Street. Alianza Editorial. • Malkiel, B. G. (1973). A Random Walk Down Wall Street. W. W. Norton & Company. • Mandelbrot, B & Hudson, R. (2004). The (Mis) Behavior of Markets. A Fractal View of Risk, Ruin and Reward. Basic Books. • Mandelbrot, B. (1975). Les Objets Fractals: Forme, Hasard et Dimension. [Fractals: Form, Chance and Dimension]. Flammarion. • Mansharamani, V. (2011). Boombustology: Spotting Financial Bubbles Before They Burst. Wiley. • Mansilla, R. (2017). Los Orígenes Interdisciplinarios de las Finanzas, 5 (12) 41-56. • Markowitz, H. (1952). Portfolio selection. Journal of Finance. • Marzilli, E. & Fuster, A. (2013). The Endowment Effect. NBER Working Paper Series. • Mill, J. S. (1836). On the Definition of Political Economy, and on the Method of Investigation Proper to It. London and Westminster Review, Essays on Some Unsettled Questions of Political Economy. • Mossin, J. (1966). Equilibrium in a Capital Asset Market. Econometrica, 34(4), 768- 783. 110 • Nair, V. & Antony, A. (2013). Evolutions and Challenges of Behavioral Finance. International Journal of Science and Research (IJSR) 4(3):1055-1059. • Newman, J. & Morgenstern. (1944). Theory of Games and Economic Behavior. Princeton University Press • Obermaier, M., Koch, T., & Badem, C. (2015). Everybody Follows the Crowd? Effects of Opinion Polls and Past Election Results on Electoral Preferences. Journal of Media Psychology. • Osborne, M. F. M. (1959). Brownian Motion in the Stock Market. Operations Research, 7(2), 145-173. • Pinto, Ulatov (2010), Financial Globalization and the Russian Crisis of 1998. Policy Research Working Paper. World Bank • Reinhart, C. & Rogoff, K. (2009). The aftermath of financial crisis. American Economic Review 99(2):466-472. • Rice, A. (2007). Mathematical Statistics and Data Analysis. University of California, Berkeley. Thomson (3rd ed.) • Romero, V. (2005). Einstein 1905: Movimiento Browniano. Instituto de Física, Universidad Nacional Autónoma de México • S&P Global. (2023). Metodología de los índices S&P/BMV. Recuperado el 12 de diciembre de 2023 de https://www.spglobal.com/spdji/es/documents/methodologies/methodology-sp- bmv-indices-spanish.pdf • Saito, A. & Savoia, J. & Famá, R. (2013), Financial theory evolution. International Journal of Education and Research, 1 (4). • Samson, A. (2014). The Behavioral Economics Guide 2014. Behavioral Economics (1st ed.) • Samuelson, P. (1965). Proof That Properly Anticipated Prices Fluctuate Randomly. Industrial Management Review, 6 (2), 41. • Schachermayer, W. (2018). Matemáticas y Finanzas. Universidad de Murcia. • Secretaría de Hacienda y Crédito Público. (2024). Marco de Referencia de los Bonos Soberanos Vinculados a los Objetivos de Desarrollo Sostenible (ODS). 111 • Sharpe, W. (1963). A Simplified Model for Portfolio Analysis. Management Science, 9(2), 277-293. • Sharpe, W. (1964). Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk. Journal of Finance, 19(3), 425-442. • Sharpe, W. (1966). Mutual Fund Performance. Journal of Business, 39(1), 119-138. • Sharpe, W. (1994). The Sharpe Ratio. Journal of Portfolio Management. • Sharpe, W. (1996). Mutual Fund Performance. Journal of Business, 119-138. • Shiller. R. (2003). From Efficient Markets Theory to Behavioral Finance. Journal of Economic Perspectives, 17 (1), 83-104. • Simon, H. (1955). A Behavioral Model of Rational Choice. The Quarterly Journal of Economics, 69 (1), 99-118. • Simon, H. A. (1982). Models of Bounded Rationality: Empirically Grounded Economic Reason. MIT Press. • Steiner, A. (2013). Reconciling Ex Post and Ex Ante Volatility Figures. Research Note. Andreas Steiner Consulting GmbH. • Thaler, R. (2015). Portarse Mal: El Comportamiento Irracional en la Vida Económica. Editorial Paidós. • Thaler, R. (2015). Todo lo que he aprendido con la psicología económica. Editorial Deusto. • Thaler, R. (2016). Economía del Comportamiento: Pasado, Presente y Futuro. American Economic Review, 106(7), 1677-1600. • Thaler, R. H., & Shefrin, H. M. (1981). An Economic Theory of Self-Control. Journal of Political Economy, 89(2), 392-406. • Treynor, J. (1962). Toward a Theory of Market Value of Risky Assets. Unpublished manuscript. “Rough Draft”. Una versión final fue publicada en 1999, en Asset Pricing and Portfolio Performance. London: Risk Books, 15-22 • Zhang, L. (2002). The Value Premium. Simon School of Business Working Paper No. FR 02-19 • Zipf, R. (2003). Fixed Income Mathematics. Academic Press