En 1990, un investigador de la Universidad de California en Los Ángeles llamado Narasimhan Jegadeesh publicó en The Journal of Finance un artículo de título sobrio —«Evidence of Predictable Behavior of Security Returns»— y conclusiones nada sobrias. El paper documentaba, con datos de tres a cinco décadas de cotizaciones, algo que la teoría dominante consideraba prácticamente imposible: que los retornos pasados de una acción contienen información útil sobre sus retornos futuros. Dicho de otra manera, que las acciones tienen una forma de memoria que un inversor podría, en principio, explotar.
Para entender por qué esto era explosivo hace falta recordar el clima intelectual de la época. La hipótesis del mercado eficiente, en la versión que Eugene Fama había sistematizado, sostenía que los precios incorporan toda la información disponible y que, por tanto, los movimientos futuros son esencialmente impredecibles a partir del pasado. Bajo esa lente, mirar el historial de precios de una acción para adivinar adónde va era poco más que leer posos de café. Jegadeesh se propuso mirar precisamente eso, con rigor estadístico, y encontró un patrón sistemático.
Dos memorias de signo opuesto
El hallazgo central no es una sola regularidad, sino dos que conviven y se oponen. Jegadeesh estima un modelo de regresión sobre los retornos mensuales de acciones individuales en el que el rendimiento de cada título se explica por sus propios retornos rezagados —el del mes anterior, el de dos meses antes, y así hasta el de doce meses atrás—.
La primera memoria es de corto plazo y tiene signo negativo. El coeficiente sobre el retorno del mes inmediatamente anterior es −0,092, negativo y fuertemente significativo (un t-estadístico de −18,58 en la muestra completa). Traducido: lo que subió mucho el mes pasado tiende a corregir, y lo que cayó tiende a rebotar. Es la llamada reversión a corto plazo, un fenómeno que más tarde se atribuiría en buena parte a microestructura del mercado —el vaivén entre precio de compra y de venta (bid-ask bounce)— y a sobrerreacciones que se deshacen rápido.
La segunda memoria es de medio plazo y tiene signo positivo. El coeficiente sobre el retorno de hace doce meses es 0,034, positivo y muy significativo (un t-estadístico de 9,09). Aquí no hay reversión, sino continuación: las acciones que han ido bien durante el último año tienden a seguir yendo bien, y las rezagadas a seguir rezagadas. De hecho, salvo el del mes anterior, los demás coeficientes rezagados son positivos, y la hipótesis de que todos son conjuntamente cero se rechaza con claridad. En conjunto, los retornos pasados explican un 10,8% de la variación transversal de los rendimientos —el R² medio de las regresiones mensuales—, una proporción nada trivial para un fenómeno que la teoría descartaba.
Esa segunda regularidad —la persistencia a doce meses— es la semilla de lo que la literatura financiera acabaría bautizando como momentum, y que Jegadeesh y Titman convertirían en estrategia formal en su célebre paper de 1993. Pero el ladrillo conceptual está ya aquí, en 1990: los precios no caminan completamente al azar; arrastran inercia.
De la regresión a la cartera
Documentar un coeficiente significativo es una cosa; demostrar que se puede ganar dinero con él es otra. La parte más persuasiva del paper es la que traduce las regresiones en carteras reales.
Jegadeesh usa los coeficientes estimados para construir, mes a mes y fuera de muestra, una predicción de rendimiento para cada acción. Después ordena los títulos en orden descendente por esa predicción y los reparte en diez carteras: la P1 reúne el decil de mayor rendimiento esperado y la P10 el de menor. La estrategia consiste en comprar la P1 —las acciones que el modelo espera que rindan más— y vender en corto la P10 —las que espera que rindan menos—, una cartera de coste cero que aísla el efecto predictivo.
El resultado es contundente. La cartera P1 produjo un retorno anormal de 1,11% al mes (t-estadístico de 12,25) y la P10 de −1,38% al mes (t-estadístico de −16,90). La diferencia entre ambas, la cartera larga-corta extrema P1−P10, generó un retorno anormal de 2,49% al mes sobre el periodo 1934-1987, con un t-estadístico de 16,82. Anualizado, eso ronda el 33%, una magnitud difícil de ignorar. Y no era un artefacto del azar: la regularidad aparece tanto dentro como fuera de los subperiodos de la muestra y en todos los quintiles de tamaño de empresa.
Figura 1. Abnormal returns on predictive portfolios — el retorno anormal por mes cae de forma casi monótona desde P1 hasta P10. Fuente: Jegadeesh (1990), The Journal of Finance.
La Figura 1 resume visualmente toda la tesis. En el eje vertical, el retorno anormal en porcentaje por mes (de −3 a +3); en el horizontal, las diez carteras. La línea de «todos los meses» desciende de forma casi monótona: la P1 aporta retornos anormales positivos y la P10 negativos, con el cruce por cero entre la P5 y la P6. Es exactamente la pendiente que cabría esperar si las predicciones del modelo tuvieran contenido real. La curva de enero (la serie con el pico en P1 cercano al +2,4%) se separa de la del resto del año, lo que nos lleva al matiz más interesante del paper.
El efecto enero, y lo que sobrevive a él
Cualquiera familiarizado con las anomalías de mercado sospechará de inmediato del «efecto enero», esa tendencia de las pequeñas compañías a disparar su rentabilidad al arrancar el año. Jegadeesh es consciente y desmonta la objeción separando el mes de enero del resto.
Los números son nítidos. La diferencia de retornos anormales entre las carteras extremas fue mucho mayor en enero —4,37% al mes, con un t-estadístico de 5,42— que en el resto del año, lo que confirma que enero concentra una parte desproporcionada del efecto. Pero la clave es que fuera de enero la estrategia siguió ganando: 2,20% al mes de febrero a diciembre, con un t-estadístico de 15,63. La predictibilidad no es solo un fenómeno de enero; sobrevive al resto del año. Los coeficientes rezagados son conjuntamente significativos incluso excluyendo enero.
Jegadeesh refuerza la robustez con la Tabla III, que mide qué proporción de los meses cada cartera produjo retornos anormales positivos. La P1 acierta en el lado positivo en torno al 70% de los meses, mientras que la P10 lo hace mucho menos; la diferencia P1−P10 es positiva en cerca del 80% de los meses. No es un par de meses afortunados arrastrando la media: es un patrón persistente.
¿Es riesgo disfrazado? Las explicaciones que no cuadran
La pregunta obligada para cualquier anomalía es si lo que parece una comida gratis es en realidad la compensación por algún riesgo no medido. Jegadeesh dedica la última parte del paper a examinar candidatos y, honestamente, a descartarlos.
Prueba con un ajuste por tamaño (el modelo de Banz, que reconoce la prima de las pequeñas compañías): el efecto se reduce algo pero no desaparece —la estrategia extrema basada en tamaño sigue dando 2,46% al mes—. Prueba con betas de mercado que varían en el tiempo, por si las carteras predictivas estuvieran cargando riesgo sistémico de forma cambiante: tampoco explica la anomalía. Y analiza con cuidado el sesgo del bid-ask spread y el efecto del bid-ask bounce sobre la reversión de corto plazo, comprobando que la predictibilidad de medio plazo persiste tras controlarlo.
El cierre es el adecuado para un buen paper empírico: ningún modelo de valoración de activos disponible explica satisfactoriamente la regularidad observada, y la búsqueda de modelos que capturen esta variación a corto plazo de los retornos «queda para el futuro». Jegadeesh documenta el fenómeno con solidez y deja abierta la pregunta teórica.
Por qué este paper sigue importando
Visto desde hoy, «Evidence of Predictable Behavior of Security Returns» es una pieza fundadora. Junto a los trabajos de DeBondt y Thaler sobre sobrerreacción y, sobre todo, al posterior Jegadeesh-Titman (1993), inaugura una de las anomalías más estudiadas y, lo notable, más persistentes de las finanzas: el momentum. Lo que en 1990 era una herejía contra el mercado perfectamente eficiente se ha convertido en uno de los factores que la industria de la inversión cuantitativa utiliza de forma rutinaria, al lado del value, el tamaño o la calidad.
Conviene leer el paper con la cabeza fría, no obstante. Jegadeesh es el primero en señalar que una porción del efecto se concentra en enero, en compañías pequeñas y en datos antiguos, y que los costes de transacción se comen una parte sustancial del rendimiento bruto —aun así, asumiendo un 0,5% de coste de ida y vuelta, su cálculo deja la estrategia principal en un 20,8% anual neto—. La lección para un inversor no es «hay dinero fácil escondido en los gráficos», sino algo más matizado y más útil: los precios no son una hoja en blanco que se reescribe cada día desde cero. Arrastran información del pasado reciente, en dos direcciones distintas según el horizonte. Reconocer esa estructura —sin sobreestimar lo que se puede extraer de ella una vez descontados costes e impuestos— es parte del oficio de construir carteras con criterio.