En la entrada anterior del blog apunté como uno de los mejores traders de las últimas décadas, Michael Masters, usa como catalizador para algunos de sus trades el PEAD (acrónimo de Post-Earning Announcement Drift). PEAD es la tendencia a que una acción genere retornos anormalmente positivos durante las semanas o meses posteriores a una presentación de resultados que ha sido significativamente mejor a las estimaciones previstas.
He estado investigando un poco más y parece que el PEAD es considerado en el entorno académico una anomalía del mercado. Adicionalmente, creo que puede ser considerado factor de inversión. Como vimos en el post del libro Factor based investment , para que el PEAD sea considerado factor debe ser:
- Persistente. Ha sido rentable desde su primera publicación en 1968 por Ball and Brown.
- Penetrante. Funciona en diferentes países, aunque más en valores smallcap.
- Robusto. Funciona con ligeras variaciones de sus parámetros como el ratio de sorpresa o la duración de la tendencia post anuncio.
- Invertible. Podemos explotar este factor comprando acciones u opciones Call.
- Lógico. El mercado es eficiente pero no de forma instantánea, tarda un tiempo en adaptarse a la publicación de la sorpresa.
Por lo tanto, parece que estamos ante un factor y en este post voy a tratar de desarrollar un sistema que capture su rentabilidad. Para ello, lo primero que debo hacer es definir:
- Mercado y tipo de activos a operar en el sistema
- Fórmula de cálculo de la sorpresa, así como su trigger
- Duración temporal de la anomalía y gestión del riesgo
Mercado y tipo de activos
Lo primero a definir es el universo y las herramientas con que vamos a operar el sistema.
De lo que he leído el factor PEAD parece funcionar mejor en empresas de pequeña capitalización, por lo tanto ya tengo una hipótesis a comprobar: capitalización.
Por otro lado y de cara a simplificar el análisis, operaremos con acciones en vez de opciones.
Fórmula
Lo segundo es definir cómo vamos a calcular la sorpresa. Tenemos 2 opciones, hacerlo vía EAR (Earnings Announcement Return) o SUE (Standardized Unexpected Earnings).
En el caso SUE se mide exclusivamente la diferencia entre los beneficios presentados y la media de beneficios previsto por el consenso de analistas que sigue la empresa. Podría decirse que es un enfoque fundamental o value. En el caso EAR se mide la variación del precio de la acción el día de la presentación de resultados, en comparación a un grupo de acciones del mismo sector y expuestas a riesgos similares. En este caso se trata de una solución de análisis técnico.
En mi opinión, cuando se habla de presentación de resultados no hay que fijarse exclusivamente en los beneficios. Hay otros datos en el anuncio de resultados que mueven el precio y funcionan como catalizador: ventas, márgenes, inversiones, noticias inesperadas, etc. Además, el proveedor de datos que uso (US Premium Data de Norgate) no dispone de datos fundamentales, por lo que no tengo ni beneficio, ni consenso. Incluirlos en la BBDD sería muy muy costoso.
A fin de simplificar en lo posible el estudio, voy a usar una fórmula próxima al método EAR pero ligeramente diferente. El enfoque EAR académico usa como benchmark una cesta de acciones del mismo sector y riesgos, pero para mí esto tiene 2 inconvenientes:
A fin de simplificar en lo posible el estudio, voy a usar una fórmula próxima al método EAR pero ligeramente diferente. El enfoque EAR académico usa como benchmark una cesta de acciones del mismo sector y riesgos, pero para mí esto tiene 2 inconvenientes:
- La presentación de resultados de una acción muchas veces afecta a su sector y los arrastra, disparando la correlación entre ellos y desvirtuando la comparación (ejemplo de Twiter o Snapchat el día que Facebook presentó resultados en julio de 2018).
- Implica un trabajo de categorización muy extenso para cada acción.
Así la fórmula que voy a usar es:
VA = Variación diaria en % del precio de la acción (calculada como la diferencia entre el precio de cierre respecto al precio de cierre del día anterior)
VI = Variación diaria del índice
i = Día presentación resultados
nSigma = ((VAi - VIi) - Media(ABS(VA - VI)))/STDEV(ABS(VA - VI))
El número de desviaciones nSigma será el trigger que usaré para cuantificar el impacto que ha tenido la presentación de resultados en el valor de la acción. A mayor nSigma, mayor impacto ha tenido la presentación y sin duda será una de las principales variables a optimizar en el sistema.
Apuntar que por motivos obvios únicamente buscaré movimientos que se produzcan en temporada de resultados: Enero, Abril, Julio y Octubre.
Aún así, a lo largo del post ha quedado demostrado que el factor PEAD existe, mejora el benckmark de un Buy&Hold y puede ser capturado por un pequeño inversor.
Apuntar que por motivos obvios únicamente buscaré movimientos que se produzcan en temporada de resultados: Enero, Abril, Julio y Octubre.
Duración temporal de la anomalía y gestión del riesgo
Según los estudios académicos la anomalía provocada por la sorpresa puede durar desde semanas hasta meses. Por ello estudiaré una salida por tiempo, una protección contra pérdidas con un stop loss y una salida por objetivo alcanzado con un stop profit.
Dirección semana anterior
Michael Masters afirma que para él, el PEAD funciona mejor cuando la sorpresa es Mean Reversion respecto a la última semana de la dirección del precio. Es decir, entra largo si la sorpresa es positiva y la semana anterior el precio de la acción ha caído o se ha quedado plano. Si por el contrario la sorpresa es positiva pero la acción ya había subido, considera que la sorpresa está mayormente descontada y no habrá efecto PEAD.
El problema es que el marco temporal de este punto es el corto plazo (1-2 semanas post PEAD), mientras que lo que pretendo analizar en esta entrada para el desarrollo del sistema son marcos temporales del orden de meses. Por ello, dejo para otro post el estudio del factor PEAD en el corto plazo con las consideraciones de Masters, ya que es demasiado diferente a lo que pretendo comprobar en esta entrada del blog.
El problema es que el marco temporal de este punto es el corto plazo (1-2 semanas post PEAD), mientras que lo que pretendo analizar en esta entrada para el desarrollo del sistema son marcos temporales del orden de meses. Por ello, dejo para otro post el estudio del factor PEAD en el corto plazo con las consideraciones de Masters, ya que es demasiado diferente a lo que pretendo comprobar en esta entrada del blog.
Optimización
Una vez tengo claro todo lo que debo considerar en el estudio, lanzo una primera optimización que será la base sobre la que iré construyendo el sistema. Las condiciones son las siguientes:
- Período optimización inSample: Enero 1995- Diciembre 2010
- Período backtest out of sample: Enero 2010 - Julio 2018
- Universo: SP500 con acciones deslistadas
- 20 posiciones
- Entra largo cuando estamos en temporada de resultados y el trigger se activa
- Sale cuando la sorpresa es negativa en las siguientes presentaciones o pasa un período N de tiempo.
- No considero la correlación con el índice
- nSigma: a optimizar
- Salida temporal: a optimizar
- Sin Stop Loss
- Sin Stop Profit
- Sin filtro de índice alcista o bajista
El benchmark que utilizaré para comparar las bondades del factor será un Buy&Hold sobre el índice analizado. Para el SP500, hablamos de un CAR/MDD (Compounded Annual Return / Máximo Drawdown) de 0.11 y un MDD del 56%.
 |
| Optimización RAR MDD SP500 para nSigma y Salida temporal desde 1995 hasta 2010 |
 |
| Optimización CAR MDD SP500 para nSigma y Salida temporal desde 1995 hasta 2010 |
 |
| Optimización MDD SP500 para nSigma y Salida temporal desde 1995 hasta 2010 |
 |
| Optimización CAR SP500 para nSigma y Salida temporal desde 1995 hasta 2010 |
Como primera aproximación, los resultados son bastante coherentes y superan ampliamente una estrategia Buy & Hold. Tanto el ratio Risk Adjusted Return (RAR) como el CAR divididos por el MDD son en su mayoría positivos y con bastantes zonas estables superiores al benchmark. Lo mismo para el MDD, donde vemos una zona particularmente óptima para nSigmas superiores a 10 y más de 100 días de duración del factor sorpresa en el anuncio de los resultados.
De cara a siguientes optimizaciones, selecciono valores nsigma entorno a 12 y tiempo sobre los 220 días.
Empresas Small Cap
Algunos traders afirman que el factor PEAD es ligeramente más rentable en acciones de pequeña capitalización que en large caps. He realizado una optimización con los parámetros anteriores cambiando el universo SP500 por SP600 smallcap (de nuevo con acciones deslistadas) para comprobarlo.
Los resultados son similares, si bien ligeramente superiores para el SP500 en periodos temporales más amplios (+100 días) y mejores para el SP600 en períodos más cortos (-50 días).
De ahora en adelante en el estudio, trabajaré sobre el índice SP1500 que incluye large y small cap.
 |
| Optimización CAR MDD SP600 para nSigma y Salida temporal desde 1995 hasta 2010 |
 |
| Optimización RAR MDD SP600 para nSigma y Salida temporal desde 1995 hasta 2010 |
 |
| Optimización CAR SP600 para nSigma y Salida temporal desde 1995 hasta 2010 |
Los resultados son similares, si bien ligeramente superiores para el SP500 en periodos temporales más amplios (+100 días) y mejores para el SP600 en períodos más cortos (-50 días).
De ahora en adelante en el estudio, trabajaré sobre el índice SP1500 que incluye large y small cap.
Filtro índice
Un clásico entre los filtros a aplicar en cualquier sistema. Voy a ver si aporta alguna mejora significativa.
Sistema PEAD sin filtro índice:
Sistema PEAD con filtro índice:
Sistema PEAD sin filtro índice:
- CAR 13.78%
- RAR 14.78%
- MDD -37.68%
- CAR/MDD 0.37
- RAR/MDD 0.39
- Profit factor 1.96
- Recovery Factor 2.35
- % acierto 61.37%
- Sharpe ratio 0.21
- Ulcer Index 11.63
Sistema PEAD con filtro índice:
- CAR 15.54%
- RAR 21.51%
- MDD -27.06%
- CAR/MDD 0.57
- RAR/MDD 0.80
- Profit factor 3.08
- Recovery Factor 4.45
- % acierto 65.22%
- Sharpe ratio 0,30
- Ulcer Index 8.77
 |
| Backtest con filtro índice |
Stop loss y Stop Profit
Otras de las herramientas básicas que todo trader debería considerar. Voy a ver cómo afecta usar stops de pérdidas y objetivos de beneficios y si en este sistema mejoran los resultados.
En las optimizaciones anteriores podemos apreciar fácilmente la implicación que tiene aplicar stops en el sistema. A Stop Loss más pequeño, mejor DD pero peor CAR, a Stop Profit más grande, mejor CAR e indiferente sobre el DD.
Hay 2 zonas que parecen optimizar el binomio rentabilidad - riesgo: La zona que tiene un SL entre 10 - 30, sin SP y la zona que tiene un SL entre 8 - 12, con SP entre 25 y 30. Por robustez debería quedarme con la primera opción, ya que los parámetros son menos sensibles y añadimos menos variables.
Zona que tiene un SL entre 10 y 30 (elijo 20), sin SP, desde 1995 hasta hoy (agosto 2018):
 |
| Optimización CAR MDD Stop Loss y Stop Profit SP1500 desde 1995 hasta 2010 |
 |
| Optimización RAR MDD Stop Loss y Stop Profit SP1500 desde 1995 hasta 2010 |
 |
| Optimización CAR Stop Loss y Stop Profit SP1500 desde 1995 hasta 2010 |
 |
| Optimización MDD Stop Loss y Stop Profit SP1500 desde 1995 hasta 2010 |
Hay 2 zonas que parecen optimizar el binomio rentabilidad - riesgo: La zona que tiene un SL entre 10 - 30, sin SP y la zona que tiene un SL entre 8 - 12, con SP entre 25 y 30. Por robustez debería quedarme con la primera opción, ya que los parámetros son menos sensibles y añadimos menos variables.
Zona que tiene un SL entre 10 y 30 (elijo 20), sin SP, desde 1995 hasta hoy (agosto 2018):
- CAR 9.57%
- RAR 12.78%
- MDD -23.78%
- CAR/MDD 0.40
- RAR/MDD 0.54
- Profit factor 1.98
- Recovery Factor 4.76
- % acierto 39.57%
- Sharpe ratio 0.19
- Ulcer Index 7.56
- CAR 8.06%
- RAR 11.91%
- MDD -13.24%
- CAR/MDD 0.61
- RAR/MDD 0.90
- Profit factor 1.65
- Recovery Factor 6.20
- % acierto 43.94%
- Sharpe ratio 0.24
- Ulcer Index 5.16
Conclusiones
Podría seguir mejorando el sistema (de hecho, he comprobado que si se opera sobre el SP500 los resultados son aún mejores) pero no lo voy a hacer ya que tengo claro que no voy a incorporarlo a la cartera. El motivo es que tengo otros sistemas con mejores ratios, y éste está muy correlacionado con ellos por su naturaleza (lado largo y medio / largo plazo temporal).Aún así, a lo largo del post ha quedado demostrado que el factor PEAD existe, mejora el benckmark de un Buy&Hold y puede ser capturado por un pequeño inversor.
 |
| Backtest factor PEAD con filtro índice, Stop Loss, Stop Profit sobre universo SP500 |
 |
| Rentabilidades factor PEAD con filtro índice, Stop Loss, Stop Profit sobre universo SP500 |
Comentarios
Publicar un comentario