Los administradores de activos profesionales se evalúan en función de su capacidad para superar al mercado. En la práctica, el rendimiento superior suele medirse en relación con puntos de referencia de la industria como el S&P 500 (para acciones estadounidenses de gran capitalización) o el índice Bloomberg Barclays U.S. Aggregate Bond.
La evaluación comparativa puede ayudar a desmitificar las habilidades y talentos de los administradores de activos, pero genera preocupación sobre los desincentivos para adquirir nueva información. Investigaciones anteriores argumentaron que a medida que una acción se vuelve más referenciada, los profesionales de la inversión pueden volverse menos interesados en esa acción, porque la demanda de la misma se centra más en la cobertura del riesgo y hay menos oferta de activos disponible para que los inversores especulen sobre los fundamentos de la empresa. Según este punto de vista, el benchmarking fomenta la sustitución de inversiones pasivas por activas.
Bo Hu, profesor asistente de finanzas en la Facultad de Negocios Donald G. Costello de la Universidad George Mason, sostiene que esta visión de la evaluación comparativa no tiene en cuenta con precisión cómo los administradores de activos aprenden sobre los mercados.
"La teoría existente supone que los administradores de activos sólo adquieren información exclusiva o específicamente sobre un activo a la vez, en lugar de una cartera", dice Hu. "Esta no es la realidad. El objetivo de los gestores de activos es optimizar el rendimiento de su cartera."
Su artículo de trabajo en coautoría en SSRN Electronic Journal ilustra este principio modelando y comparando dos tipos distintos de tecnologías de aprendizaje. El aprendizaje separativo considera cada activo de forma aislada.
Como explica Hu:"Con el aprendizaje separativo, la información general revelada por los precios es aditiva. Uno más uno es igual a dos". El aprendizaje integrador permite a los inversores procesar señales de toda la cartera, logrando un "efecto de información entre activos" en el que el mercado excede informativamente la suma de sus partes.
Los investigadores cuantifican la eficiencia informativa de los mercados mediante un uso novedoso de la teoría de la información. Hu explica:"Utilizamos una medida de información mutua que puede indicar cuánta incertidumbre sobre los pagos de todas las acciones se puede reducir si se observan todos los precios de las acciones. Esto es diferente de la medida estándar de informatividad de los precios, que se basa en un modelo de regresión o puede Solo captura relaciones lineales. Hasta donde yo sé, somos los primeros en utilizar esta medida para cuantificar la eficiencia de precios en diferentes niveles."
Como era de esperar, la relación inversa entre el nivel de referencia de un activo y su información sobre el precio se mantuvo firme bajo el aprendizaje separativo. Pero los resultados del aprendizaje integrador fueron más matizados. A medida que aumentaba la incertidumbre en torno a los rendimientos finales de un activo (como podría suceder en los primeros meses del mandato de un director ejecutivo, o cualquier otro cambio importante inminente en la empresa), atrajo más atención de los inversores, debido a los efectos cruzados antes mencionados. P>
En una economía con múltiples activos, los investigadores demostraron que la evaluación comparativa podría en realidad mejorar la eficiencia general del mercado. En otras palabras, la eficiencia del mercado puede ser mayor que la suma de la información sobre los precios de todos los activos. Esto ocurre en el marco del aprendizaje integrador, a medida que los inversores siguen prestando más atención a las acciones de alto riesgo. Sin embargo, cuando el nivel de referencia de un activo riesgoso aumenta más allá de cierto umbral, la eficiencia del mercado podría disminuir porque ese activo capta demasiada atención de los inversores a pesar de su oferta reducida.
Los investigadores también investigaron el impacto combinado de los efectos anteriores sobre los precios de los activos no referenciados. Descubrieron que, bajo el aprendizaje separativo, un aumento en el nivel de referencia de una acción siempre impulsaba el precio de la otra. Pero con el aprendizaje integrador, el precio del activo no referenciado podría disminuir, dependiendo nuevamente de si el activo referenciado era más o menos volátil que su contraparte. El activo de menor riesgo podría ser relativamente ignorado dada la limitada atención de los inversores.
"Creo que se pueden ver muchas cosas como sistemas de procesamiento de información. El mercado financiero es un ecosistema gigantesco e intrincado que constantemente produce datos y acumula información dispersa de los inversores. Su tecnología de aprendizaje es crucial para determinar cómo se incorpora su información a los precios", dice Hu . La dinámica entre activos del aprendizaje integrador parece más cercana a lo que desean los inversores del mundo real que la lógica aditiva del aprendizaje separativo.
La introducción de nuevas tecnologías, como grandes modelos de lenguaje como ChatGPT, puede hacer que el aprendizaje integrador sea aún más beneficioso.
"Las máquinas pueden ayudarnos a extraer información útil a un nivel coherente con el objetivo de la gestión de cartera", afirma Hu. "Creo que el aprendizaje integrador es cada vez más factible hoy en día y parece la mejor opción."
Más información: Wen Chen et al, ¿Cómo afecta la evaluación comparativa a la eficiencia del mercado? El papel de la tecnología del aprendizaje, Revista Electrónica SSRN (2022). DOI:10.2139/ssrn.4266487
Proporcionado por la Universidad George Mason