Pasamos un año midiendo con un instrumento seis veces menos sensible de lo necesario

Durante un año medimos si una señal servía de la forma que hace todo el mundo: construir una cesta con los 25 nombres mejor puntuados, ver cuánto rinde frente al mercado y decidir. Hicimos eso unas veinticinco veces, con distintas señales, y casi siempre salió lo mismo: nada. Lo publicamos como veredictos. Hace dos semanas descubrimos que el problema podía no ser la señal, sino la regla que usábamos para juzgarla.

Una cesta de 25 nombres sobre un universo de 500 tira el 95% de la información. Solo mira a los que quedan arriba del todo y al resto los ignora. La alternativa es medir la correlación de rangos entre la señal y el retorno posterior sobre TODO el universo cada mes —el rank-IC de toda la vida— que usa los quinientos nombres en lugar de veinticinco. Comparamos los dos instrumentos sobre exactamente los mismos datos y la diferencia es incómoda: el efecto más pequeño que la cesta es capaz de distinguir del ruido son **44,7 puntos básicos al mes**; con el corte transversal completo baja a **unos 7 equivalentes**. Seis veces más sensible, sin datos nuevos.

Eso convierte cada null anterior en una pregunta sin responder: ¿no había efecto, o no supimos verlo? Es la pregunta incómoda de verdad, porque la respuesta cómoda —«no había nada»— es justamente la que nos deja tranquilos.

Así que volvimos a medirlo todo. Diez señales, con las definiciones originales intactas y el signo esperado fijado por la literatura ANTES de mirar el resultado, sobre unos 495 nombres al mes y hasta diez años de historia. Cuatro anomalías fundamentales de la campaña de julio (emisión neta de acciones, crecimiento de activos, accruals, momentum fundamental) y seis familias clásicas con décadas de literatura detrás: valor por dos vías, calidad por dos vías, momentum a doce meses y baja volatilidad.

**Ninguna de las diez sobrevive.** Y los números tienen su gracia. Momentum a doce meses, el factor más citado de la historia de las finanzas cuantitativas, da un IC de **+0,0018**. Baja volatilidad da **+0,0001**. No son «positivos pero sin potencia»: están clavados en cero, en el S&P 500, durante una década. Tres de las cuatro anomalías fundamentales salen además con el **signo contrario** al que predice la literatura.

El caso que más nos enseñó es el de los accruals. En julio, midiendo con cestas, fue «el único con pulso»: un p-valor de 0,049, rozando la significancia, suficiente para dejarlo en lista de espera y volver a mirarlo con más datos. Con el corte transversal completo se queda en **p=0,66 y con el signo cambiado**. Aquel pulso no era un efecto débil: era un artefacto de la cola de los 25 nombres de arriba. La cesta no solo era menos sensible — nos estaba enseñando cosas que no existían.

Puestos a hacerlo bien, aprovechamos para probar el último candidato que nos quedaba: la hipótesis de que las empresas que CAMBIAN el lenguaje de sus informes anuales rinden peor después (Cohen, Malloy y Nguyen, Journal of Finance 2020). Descargamos 22.200 documentos de la SEC y calculamos 19.647 similitudes año contra año. Resultado: **null**, con un matiz que importa más que el null. El intervalo de confianza de nuestro estimador es [−20,7, +41,4] puntos básicos al mes: ahí dentro cabe el cero y cabe también el efecto completo que describe el paper. Nuestro test no podía distinguirlos. Lo honesto no es decir «no funciona», es decir **«no somos capaces de saberlo»**.

Y de ahí sale el número que más nos ha hecho pensar de todo esto. Con la variabilidad que tiene el exceso mensual de una cesta de veinticinco nombres, detectar un efecto real de 20 puntos básicos al mes con seguridad estadística exigiría **unos cincuenta años de datos**. No cincuenta años de una anomalía concreta: cincuenta años de cualquier anomalía de ese tamaño. La mayoría de las cosas que la industria vende como «factores» son, a esta escala, indistinguibles del ruido durante toda una vida profesional. Eso no es pesimismo, es aritmética.

Por el camino cazamos un espejismo más, el séptimo del proyecto. La similitud de los informes parecía predecir la **volatilidad** futura —no el retorno, la volatilidad— con un p-valor por debajo de 0,0001. Habría sido un hallazgo útil: la volatilidad sí se puede predecir, y sirve para dimensionar posiciones. Metimos un control por la volatilidad de los sesenta días anteriores y el efecto se desplomó a **p=0,46**. Las empresas cuyo informe no cambia son, sencillamente, las que ya estaban tranquilas. Sin ese control tendríamos hoy un indicador nuevo que en realidad es una media móvil con pasos de más.

Probamos también si convenía cortar cada posición cuando tocase en vez de a plazo fijo. Calculamos el techo haciendo trampas —eligiendo con previsión perfecta el mejor momento de salida— y salía diecisiete veces mejor. Parecía enorme. Repetimos el mismo truco sobre una cesta **elegida al azar** y ganó todavía más: +863 puntos básicos frente a los +798 de la cesta con señal. Todo el «techo» era el máximo de cinco ruidos correlacionados. Si hubiéramos entrenado un modelo ahí, habría producido un backtest precioso por exactamente la misma razón.

¿Qué queda después de todo esto? El veredicto no cambia: seguimos sin encontrar alfa simple explotable a coste minorista en grandes capitalizaciones. Pero cambia el **tipo** de veredicto. Antes era «hemos buscado mucho y no aparece», que suena a cansancio. Ahora es «lo hemos medido con el instrumento correcto, seis veces más sensible, y sigue sin estar ahí», que es una afirmación distinta y bastante más sólida.

Y queda una regla que nos aplicamos desde ya: **la cesta es para operar, el IC es para decidir**. Construir una cartera concentrada tiene sentido cuando ya sabes que la señal vale; usarla como instrumento de medida nos costó un factor seis de sensibilidad en cada test que hicimos durante un año. Es un error que no duele mientras lo cometes, porque produce nulls —y un null se parece mucho a un trabajo bien hecho.

Publicamos esto porque nos comprometimos a publicar el libro entero, y un error de método propio forma parte del libro. Todos los números de arriba salen de scripts reproducibles; el detalle, con intervalos de confianza y deflación por número de pruebas, está en la documentación del proyecto. Nuestras estrategias siguen en simulado (paper): nada de esto opera con dinero real ni es recomendación de inversión.