Durante décadas, la investigación financiera ha ido acumulando anomalías.
Patrones que, según los datos históricos, permitían obtener rentabilidades superiores a las que explicaba el riesgo de mercado.
Empresas baratas.
Empresas rentables.
Empresas con tendencia.
Empresas que invierten poco.
La lista creció hasta superar los cientos de variables. Y con ella creció también una pregunta incómoda:
¿cuántas de esas anomalías son reales y cuántas son producto de la forma en que se midieron?
Una estrategia no se valida por haber funcionado en un backtest. Se valida cuando sobrevive a pruebas diseñadas para intentar destruirla.
El estudio
En 2024, Zhibing Li, Laura Xiaolei Liu, Xiaoyu Liu y K. C. John Wei publicaron en Management Science el trabajo Replicating and Digesting Anomalies in the Chinese A-Share Market.
El objetivo era ambicioso:
- reproducir 469 variables de anomalías conocidas,
- aplicarlas al mercado chino de acciones A,
- y comprobar cuántas seguían generando diferencias de rentabilidad significativas cuando se medían con un diseño más exigente.
El trabajo sigue la línea de Replicating Anomalies, el estudio de Hou, Xue y Zhang (2020) que hizo un ejercicio similar con el mercado estadounidense y encontró que una gran parte de las anomalías publicadas no superaba umbrales estadísticos razonables.
Liu y sus coautores trasladaron esa misma pregunta a uno de los mercados más grandes, jóvenes y particulares del mundo.
Por qué China es un laboratorio especialmente interesante
El mercado chino de acciones A tiene características que lo hacen muy distinto de Estados Unidos o Europa:
- una participación muy elevada de inversores minoristas,
- un peso importante de empresas de propiedad estatal,
- restricciones históricas a la entrada de capital extranjero,
- y una gran cantidad de empresas muy pequeñas que, en algunos periodos, cotizaban con primas vinculadas al valor de la licencia de cotización.
Eso convierte a China en una prueba de robustez natural.
Si una anomalía responde a un mecanismo económico general, debería aparecer también allí, aunque con matices.
Si solo aparece bajo determinadas decisiones metodológicas, la sospecha aumenta.
Los mercados con estructuras distintas funcionan como experimentos independientes: permiten comprobar si un patrón es universal o si depende de un entorno concreto.
La decisión metodológica que lo cambia todo
La aportación más importante del estudio no es una cifra. Es una advertencia sobre el diseño de las pruebas.
Muchas investigaciones construyen carteras de anomalías de esta forma:
- ordenan todas las empresas por la variable estudiada,
- usan puntos de corte calculados con todo el universo de acciones,
- y ponderan las carteras por igual.
El problema es que ese diseño da el mismo peso a una microempresa poco líquida que a una gran compañía.
Y como las empresas muy pequeñas son numerosas, terminan dominando los resultados.
Liu y sus coautores proponen otra aproximación:
- calcular los puntos de corte con empresas del mercado principal,
- y ponderar las carteras por capitalización.
Es decir, medir las anomalías tal como podría implementarlas un inversor con un volumen de capital realista.
Una anomalía que solo existe en las empresas más pequeñas e ilíquidas puede ser estadísticamente interesante y, al mismo tiempo, prácticamente inexplotable.
Los resultados
Con ese diseño más exigente, el estudio encuentra que la mayoría de las anomalías no genera diferencias de rentabilidad significativas entre las carteras extremas.
| Medida | Anomalías no significativas |
|---|---|
| Diferencia de rentabilidad bruta (cartera alta menos baja) | 83,37 % |
| Alfa ajustado por CAPM | 84,22 % |
| Alfa ajustado por el modelo de tres factores de Fama-French | 86,99 % |
Fuente: Li, Liu, Liu y Wei (2024), Management Science. Porcentajes sobre 469 variables, con puntos de corte del mercado principal y ponderación por capitalización.
Además, el estudio detecta otros hallazgos relevantes:
- el diseño convencional (todos los puntos de corte y ponderación igual) sobrepondera microempresas y tiene una capacidad de inversión limitada,
- los resultados cambian según el periodo analizado,
- y la submuestra de empresas no estatales posterior a 2007 se considera más limpia para estudiar anomalías.
Qué modelo de factores explica mejor el mercado chino
La segunda parte del trabajo, el digesting del título, compara qué modelos de factores explican mejor las anomalías que sí sobreviven.
Los mejores resultados corresponden a:
- CH3 y CH4, modelos diseñados específicamente para China por Liu, Stambaugh y Yuan, que excluyen el 30 % de empresas más pequeñas porque su precio refleja en parte su valor como “carcasa” para salidas a bolsa indirectas, y que miden el valor con la rentabilidad por beneficios,
- y el modelo q-factor de Hou, Xue y Zhang, basado en inversión y rentabilidad empresarial.
En el periodo posterior a 2007, el modelo q-factor destaca especialmente. En la submuestra de empresas no estatales, CH4 y q-factor ofrecen el mejor comportamiento.
Un modelo de factores importado sin adaptación puede explicar mal un mercado con una estructura distinta. Los factores no son leyes universales: son descripciones aproximadas de cómo se forman los precios en un entorno concreto.
Lo que este estudio no dice
Es fácil convertir un 87 % en un titular sensacionalista.
“El 87 % de las estrategias cuantitativas no funciona.”
Eso sería un error.
Los porcentajes se refieren a pruebas concretas:
- 469 variables específicas,
- un mercado concreto,
- un diseño de carteras concreto,
- y unos umbrales estadísticos concretos.
Tampoco significa que todas las anomalías sean falsas. Muchas variables de la lista son versiones casi idénticas de la misma idea. Si una señal de valoración funciona, es esperable que haya diez variantes que digan lo mismo.
Lo que el estudio sí demuestra es que el número de anomalías publicadas sobreestima enormemente el número de fuentes de rentabilidad independientes y explotables.
El problema no es que no existan factores. El problema es que existen muchos menos de los que sugiere la literatura publicada.
Tres lecciones metodológicas
1. Rentabilidad bruta no es alfa
Una estrategia puede ganar más que el mercado simplemente porque asume más riesgo o porque está expuesta a factores ya conocidos. Solo cuando se controlan esos factores puede hablarse de rentabilidad adicional.
2. La ponderación importa
Ponderar por igual o por capitalización no es un detalle técnico. Puede decidir si una anomalía existe o desaparece.
3. La replicabilidad es la prueba principal
Una señal que solo funciona en un periodo, en un mercado y bajo una configuración concreta debe tratarse con mucha prudencia. Esto conecta directamente con el debate sobre el Factor Zoo y con los riesgos descritos en Backtests e ilusiones.
La conexión con ValQual
ValQual utiliza variables de valoración y calidad empresarial para construir su ranking.
Este estudio no permite concluir nada directo sobre ese ranking: los resultados chinos no se pueden extrapolar sin más a otro universo de empresas.
Pero sí plantea las preguntas correctas:
- ¿siguen aportando información las variables elegidas cuando se cambian los filtros de capitalización?
- ¿se mantienen en distintos periodos y mercados?
- ¿sobreviven a costes de transacción y rotación?
- ¿responden a un mecanismo económico razonable o solo a un ajuste histórico?
Por eso preferimos explicar qué sugiere la evidencia, qué todavía no se ha demostrado y qué decisiones son metodológicas, en lugar de presentar resultados históricos como certezas.
Conclusión
El trabajo de Laura Xiaolei Liu y sus coautores es una de las revisiones más rigurosas de la literatura de anomalías fuera de Estados Unidos.
Su mensaje no es pesimista.
Es exigente.
Obliga a separar las anomalías que dependen de microempresas, periodos favorables o decisiones de diseño, de aquellas que tienen una base más sólida.
En Factor Investing, la pregunta importante no es cuántas anomalías se han descubierto, sino cuántas siguen en pie cuando alguien intenta medirlas bien.
Bibliografía & Recursos
Estudio principal
- Li, Z., Liu, L. X., Liu, X. y Wei, K. C. J. (2024). Replicating and Digesting Anomalies in the Chinese A-Share Market. Management Science. DOI: 10.1287/mnsc.2023.4904
Lecturas relacionadas
- Hou, K., Xue, C. y Zhang, L. (2020). Replicating Anomalies. The Review of Financial Studies.
- Liu, J., Stambaugh, R. F. y Yuan, Y. (2019). Size and Value in China. Journal of Financial Economics.
- Hou, K., Xue, C. y Zhang, L. (2015). Digesting Anomalies: An Investment Approach. The Review of Financial Studies.
En ValQual