El CAPM dice que solo el riesgo de mercado (beta) explica los retornos. Los modelos multi-factor como Fama-French demuestran que necesitas múltiples factores: tamaño, valor, rentabilidad y inversión. En la práctica, los modelos multi-factor explican 2-3x más variabilidad de retornos que CAPM solo.
La Gran Pregunta: ¿Qué Determina los Retornos?
En 1964, William Sharpe propuso el Capital Asset Pricing Model (CAPM): una ecuación simple que supuestamente explica todos los retornos de acciones. Una década después, los datos empíricos comenzaron a mostrar grietas en el modelo.
🎯 CAPM: Un Solo Factor
E(R) = Rf + β(Rm - Rf)
Filosofía: Solo el riesgo sistemático (beta) debería determinar los retornos. Todo lo demás es ruido o ineficiencia temporal.
✅ Simple y elegante
✅ Fácil de implementar
❌ R² típico: 20-30%
❌ Ignora anomalías persistentes
🧬 Multi-Factor: La Realidad Compleja
E(R) = Rf + β₁(Rm-Rf) + β₂(SMB) + β₃(HML) + ...
Filosofía: Los retornos son multidimensionales. Diferentes características de riesgo requieren diferentes primas.
✅ Mejor poder explicativo
✅ R² típico: 60-80%
❌ Más complejo de estimar
❌ ¿Cuántos factores necesitas?
La Evolución: De 1 a 5 Factores
📊 Factor de Mercado (MKT)
MKT = Rm - Rf
Origen: CAPM (1964)
Lógica: Acciones más riesgosas que bonos deben dar mayor retorno
Prima histórica: ~6-8% anual
🏢 Factor Tamaño (SMB)
SMB = Small Minus Big
Origen: Banz (1981)
Lógica: Empresas pequeñas son más riesgosas → mayor retorno
Prima histórica: ~2-4% anual
💰 Factor Valor (HML)
HML = High Minus Low B/M
Origen: Rosenberg (1985)
Lógica: Empresas "baratas" superan a "caras" en el largo plazo
Prima histórica: ~3-5% anual
📈 Factor Rentabilidad (RMW)
RMW = Robust Minus Weak
Origen: Fama-French (2015)
Lógica: Empresas rentables superan a no rentables
Prima histórica: ~2-3% anual
🏗️ Factor Inversión (CMA)
CMA = Conservative Minus Aggressive
Origen: Fama-French (2015)
Lógica: Empresas que invierten poco superan a las que invierten mucho
Prima histórica: ~2-3% anual
Evidencia Empírica: Los Números No Mienten
📊 Poder Explicativo (R²) por Modelo
CAPM (1 factor):
25%
FF 3-Factor:
68%
FF 5-Factor:
75%
*Basado en estudios con acciones estadounidenses 1963-2020
• Small-cap premium: Empresas pequeñas superan consistentemente
• Value premium: Acciones "baratas" superan a "caras"
• Momentum effect: Tendencias persisten 3-12 meses
• Low-volatility anomaly: Acciones menos volátiles tienen mejores returns risk-adjusted
• Quality premium: Empresas rentables y estables superan
Calculadora de Comparación de Modelos
🧮 CAPM vs. Fama-French: Predicción de Retornos
Ingresa los parámetros para comparar modelos
¿Cuándo Usar Cada Modelo?
🎯 Usa CAPM Cuando:
Análisis rápido y aproximado
Costo de capital corporativo
Educación y conceptos básicos
Mercados altamente eficientes
Horizontes muy largos (>20 años)
"Útil como primera aproximación"
🧬 Usa Multi-Factor Cuando:
Gestión activa de portafolios
Performance attribution
Risk management sofisticado
Factor investing / smart beta
Investigación académica
"Esencial para gestión profesional"
Los Factores en Detalle
🏢 Small Minus Big (SMB)
Construcción: Retorno promedio de acciones small-cap menos retorno promedio de large-cap
Intuición económica: Empresas pequeñas son más riesgosas (menor liquidez, mayor volatilidad de earnings, riesgo de quiebra) y por tanto requieren mayor retorno esperado
Crítica: ¿Es realmente riesgo o ineficiencia de mercado?
💰 High Minus Low (HML)
Construcción: Retorno de acciones con alto Book/Market ratio menos las de bajo B/M
Intuición económica: Empresas value están en distress → mayor riesgo → mayor retorno requerido
Construcción: Retorno de empresas con alta rentabilidad menos las de baja rentabilidad
Intuición económica: Empresas rentables son inversiones de mayor calidad
Paradoja: ¿Por qué mayor calidad da mayor retorno? ¿No debería ser al revés?
Limitaciones de los Modelos Multi-Factor
⚠️ Problemas Persistentes
Data mining concerns: ¿Cuántos factores antes de overfitting?
Factor decay: Los factores pierden efectividad una vez publicados
Regional differences: Factores varían entre mercados
Time-varying loadings: Los betas no son constantes
Factor timing: ¿Cuándo está "activo" cada factor?
📉 La Paradoja del Value Factor (2010-2020)
Situación: El factor HML tuvo performance negativa por una década Retorno HML 2010-2020: -2.3% anual Pregunta crítica: ¿Murió el value premium o fue solo un período malo? Debate actual: Tecnología vs. definición tradicional de "value"
Implementación Práctica
🔧 Pasos para Implementar Modelos Multi-Factor
Obtener factor returns: Kenneth French website, Bloomberg, FactSet
• Machine Learning Factors: Algoritmos descubren factores no lineales
• Macro Factors: Inflación, curva de rendimientos, sorpresas económicas
• Alternative Data: Sentiment, satellite data, web scraping
• Dynamic Factor Models: Factor loadings que cambian con el tiempo
• International Factors: Currency, country-specific risks
La Regla de Oro de los Modelos Multi-Factor
🎯 Para Usar Factores Inteligentemente
Más factores ≠ mejor modelo: Evita overfitting
Entiende la intuición económica: ¿Por qué debería funcionar?
Valida out-of-sample: ¿Funciona en datos no usados para estimar?
Considera factor timing: Los factores tienen ciclos
Combina con otros enfoques: No abandones diversificación básica
Próximo Artículo
En el siguiente artículo exploraremos "Black-Litterman: Optimización Inteligente", donde aprenderemos cómo combinar las predicciones de modelos factor con nuestras views personales para crear portafolios más realistas que Markowitz puro.
📝 ¿Te gustó este artículo? Los modelos multi-factor explican mejor los retornos, pero aún enfrentamos el problema de inputs poco confiables en optimización. Black-Litterman soluciona esto elegantemente.