Los activos que desaparecen también cuentan

Un backtest solo ve los activos que están en su base de datos. El problema es que las empresas salen del mercado continuamente: quiebras, fusiones, suspensiones y retiradas de cotización. Si el análisis conserva únicamente los activos que hoy siguen vivos, excluye en silencio a los que desaparecieron, y el registro resultante es más favorable que el que habría vivido un inversor real. A ese efecto se le llama sesgo de supervivencia [3].

El universo de hoy no es el universo de entonces

El primer punto que hay que resolver es qué activos existían y eran invertibles en cada fecha histórica. La lista actual de un índice es un fichero cómodo, pero usarla hacia el pasado incorpora conocimiento posterior: conserva las compañías que aguantaron y descarta las que no [3]. Un backtest de un índice que se remonta décadas atrás pero emplea los miembros actuales es, en la práctica, una estrategia que compra en parte por el mérito de haber sobrevivido hasta estar hoy en la lista [4]. La alternativa es un universo reconstruido punto por punto, con la pertenencia y las fechas de entrada y salida tal como regían entonces [4].

Qué se registra el día que un activo se va

La segunda decisión es qué rentabilidad se anota el día en que una posición deja el mercado. Una serie que simplemente termina se valora a menudo al último precio conocido, sin aviso ni marca en la salida, lo que equivale a suponer que la posición se vendió a un precio que nadie pudo negociar [4]. Shumway documentó este hueco en los datos de rentabilidad de Estados Unidos: las rentabilidades de salida faltaban para muchas compañías retiradas por motivos de desempeño desde 1962 [1]. Cuando el dato se reconstruye, suele aplicarse una corrección orientativa de signo negativo: alrededor de un 30 por ciento de pérdida para los mercados NYSE y Amex y un 55 por ciento para Nasdaq [2]. Conviene subrayar que son imputaciones para valores ausentes, no una afirmación de que toda salida sea una pérdida total.

No toda desaparición es una ruina

Una retirada de cotización no equivale a una ruina. Una compañía puede dejar de cotizar porque la han adquirido, y en ese caso la salida puede incorporar una prima sobre el último precio: la rentabilidad de salida puede ser positiva [2]. En una serie que se corta antes de esa prima, la ganancia real del inversor tampoco entra en el registro [4]. Por eso el tratamiento correcto distingue al menos tres situaciones que no son lo mismo: una salida real con su propio desenlace económico, que puede ser positivo o negativo; un hueco en los datos en el que la serie simplemente se interrumpe; y la selección favorable que produce quedarse solo con los supervivientes. Tratar cada baja como pérdida total es tan incorrecto como tratarla como rendimiento cero; ambas son suposiciones que conviene declarar de forma explícita.

Por qué el error se concentra en ciertos tramos

Los finales ausentes se agrupan en compañías pequeñas, poco negociadas y de precio bajo, que es justamente donde suelen mirar las estrategias de valor y de ganga profunda. El error opuesto, el de las primas de compra que nunca se registran, recae sobre carteras que mantienen objetivos de adquisición, que rara vez son la misma cartera [4]. Los dos errores existen, pero caen en estrategias distintas, así que uno no compensa al otro. La magnitud del efecto neto depende de cada estrategia y de cuántas de sus posiciones toquen esos tramos, por lo que la misma base de datos puede dejar casi intacta una cartera y distorsionar por completo otra. También las agrupaciones inversas de acciones se concentran en empresas en dificultades, y omitir una de ellas puede inventar una subida enorme en un solo día [4].

Comprobaciones concretas

Para saber si una base de datos sostiene un resultado, estas preguntas resultan útiles:

• Preguntar qué rentabilidad se registra el día en que un activo sale y con qué frecuencia ese campo está relleno, desglosado por motivo y por año [4].
• Repetir la estrategia marcando toda salida por motivos negativos como pérdida total; si la ventaja sobrevive a ese supuesto, la duda sobre los datos pierde urgencia [4].
• Comparar el resultado con el universo completo frente al de solo las mayores compañías de cada fecha [4].
• Revisar el desempeño por tramos de tamaño: un efecto real se construye de forma gradual, mientras que un problema de datos se mantiene plano y se dispara en los tramos más pequeños [4].
• Confirmar que los valores retirados están presentes con un identificador estable y no con un símbolo bursátil reutilizado por otra empresa [4].
• Medir qué parte de la actividad de la estrategia provino de compañías que acabaron desapareciendo [4].

Un caso hipotético, sin cifras: una cartera ordena los valores por baratura y compra los más castigados. Si los registros de los que después quebraron terminan antes del colapso y el motor los valora al último precio, la simulación evita las peores pérdidas sin haber hecho nada para evitarlas. Al reconstruir el universo tal como estaba, esas posiciones vuelven y con ellas su desenlace real.

Qué decide si el resultado es creíble

Incluir valores retirados en la base de datos es necesario, pero no suficiente: un proveedor puede contenerlos todos y aun así producir resultados inflados si las rentabilidades finales, la pertenencia histórica a los índices o las acciones corporativas están mal tratadas [4]. La diferencia no está en la lista de nombres, sino en las decisiones de la cadena de datos que casi nunca aparecen en una conversación comercial. Revisar esas decisiones es lo que permite separar una estrategia que aguanta de una que solo refleja a los que sobrevivieron.

Fuentes

[1] Tyler Shumway. The Delisting Bias in CRSP Data (The Journal of Finance, 1997). https://www.tylergshumway.org/Shumway-DelistingBiasCRSP-1997.pdf

[2] SAFE Research Datacenter (Alexander Hillert). Information on the preprocessed CRSP data set. https://datacenter.safe-frankfurt.de/documents/Data_Description_CRSP_Shumway_20250317.pdf

[3] QuantConnect. Research Guide. https://www.quantconnect.com/docs/key-concepts/research-guide

[4] Algoseek. Survivorship Bias in Backtesting: What to Ask a Data Vendor. https://algoseek.com/blog/data-guides/survivorship-bias-in-backtesting-what-to-ask-a-data-vendor/

Nota de riesgo: Este contenido es educativo y no constituye asesoramiento financiero personalizado ni una recomendación de inversión. Operar en mercados financieros implica riesgo de pérdida; ningún método garantiza resultados futuros.