QAML Asia stock-selection framework — Interpretación del informe

Visión general

Morgan Stanley extiende su marco de selección de acciones Quant + Analyst + Machine Learning a Asia Pacífico sin Japón. Su conclusión central es que ML resulta más valioso como fuente diferenciada de información y diversificación, no como un sleeve que deba maximizarse; por ello prefiere una asignación Quantamental/ML de 75/25 y la mantiene como referencia estratégica.

Perspectivas principales

QAML combina tres pilares de selección de acciones en el universo MSCI AC Asia Pacific ex Japan IMI: Core Metrics, un conjunto equiponderado de señales de Value, Quality, Momentum, Growth y Low Risk; el Dynamic Metric Pool informado por analistas; y un sleeve de ML AdaBoost que usa señales fundamentales y más de 100 indicadores técnicos. Los dos primeros forman el subcomponente Quantamental. Los valores se puntúan en términos relativos por sector, se toma posición larga en el quintil superior y corta en el inferior, y se ajusta el apalancamiento del libro largo para que la cartera sea beta-neutral. Las señales se miden al cierre de mes, las carteras se rebalancean mensualmente y los resultados en USD son pre-cost. La tesis principal es diversificar entre fuentes de alpha cambiantes, no depender de una señal dominante. En la muestra completa desde 2002 hasta 31 July 2026, QAML obtuvo un CAGR de largo plazo de 23.6%, por encima de 21.0% para Dynamic Metric Pool, 20.1% para Core Metrics y 17.9% para ML independiente. QAML también lideró los retornos absolutos en todos los horizontes reportados. El liderazgo ajustado por riesgo de los sleeves independientes rotó: Dynamic Metric Pool lideró a cinco y tres años, Core Metrics a 10 años y ML a un año y YTD. Morgan Stanley considera que el beneficio del compuesto reside en una capitalización más fuerte de entradas complementarias, no en demostrar que cada sleeve supera sistemáticamente en solitario. ML aporta el componente más diferenciado. Core Metrics y Dynamic Metric Pool tuvieron una correlación de retorno de 0.93, mientras que ML tuvo una correlación de solo 0.33 con cada uno. QAML Composite mostró sus mayores correlaciones de estilo con Quality, 0.35, y Momentum, 0.33, seguidas por Value, 0.26, aunque el informe afirma que ningún factor de estilo individual domina. Un ejercicio de neutralización de Barra Momentum redujo retornos y CAGR/Vol, indicando que Momentum fue un contribuyente histórico importante; sin embargo, los retornos siguieron siendo positivos tras la neutralización. Morgan Stanley lo trata como diagnóstico de sensibilidad, no como atribución causal, porque las exposiciones a factores se solapan y no puede recrearse una cartera contrafactual sin Momentum. El modelo ML usa AdaBoost para identificar señales que distinguen futuros ganadores de perdedores en muestras móviles de 12 y 60 meses, regímenes macro y estacionalidad de calendario. Emplea 50 rondas de boosting y una tasa de aprendizaje de 1.0. Las señales fundamentales siguen siendo importantes, pero la selección reciente de ML enfatiza más la actividad de negociación y la estructura de mercado: Share Turnover 252d pasó de no estar entre los 20 primeros en 2002-2010 a una frecuencia de selección de 20.0% en 2011-2020 y 28.8% en 2021-2026. El informe advierte que la frecuencia de selección es un diagnóstico descriptivo de las primeras iteraciones de boosting, no una medida de la contribución final de un factor. El análisis de caídas motiva tratar la ponderación de ML como una decisión de calibración de cartera. En la caída de June-July 2022, las pérdidas fueron amplias entre los pilares de QAML, aunque ML registró la mayor caída; reducir solo ML habría proporcionado protección parcial. En September-October 2024, las pérdidas estuvieron mucho más concentradas en ML, lo que hizo al compuesto más sensible a su peso. Frente al QAML histórico 50/50, 75% Quantamental/25% ML elevó el CAGR/Vol de largo plazo de 3.27 a 3.33, redujo la máxima caída de toda la muestra de -21.8% a -19.6% y la máxima caída de 2024 de -16.5% a -11.4%. Eliminar ML redujo aún más la caída de 2024 a -5.9%, pero redujo el CAGR de 23.6% a 21.0% y el CAGR/Vol de 3.27 a 3.12. En consecuencia, Morgan Stanley elige 75/25 como su asignación estratégica preferida para APxJ, no como un peso óptimo universal. Adaptive QAML mantiene intacta la arquitectura de selección de acciones, pero varía dinámicamente el riesgo de ML alrededor de la base 75/25. El ML Risk Score mensual pondera por igual la volatilidad relativa de ML, el riesgo de caída de ML, la correlación ML-Quantamental y el estrés de factores Momentum/Low Vol. Usando solo información disponible al cierre del mes anterior y su distribución móvil de 10 años, la asignación pasa a 50/50 cuando el riesgo está por debajo del percentil 10, se mantiene en 75/25 en el 80% central y pasa a 100/0 cuando alcanza o supera el percentil 90. De January 2012 a July 2026, estuvo 123 meses, o 70.3% de la muestra, en la base 75/25; 21 meses en 50/50 y 31 meses en 100/0. Adaptive QAML produjo retornos ampliamente similares a 75/25 estático con menor volatilidad y caídas, pero su protección fue más útil durante estrés concentrado en ML que durante estrés generalizado. Morgan Stanley conserva no obstante el 75/25 estático como referencia preferida mientras espera mayor validación. La implementación sigue sin resolverse. La rotación media mensual de toda la cartera en 2012-2026 fue 44.7% para 50/50 estático, 36.5% para 75/25 estático, 33.8% sin ML y 37.5% para Adaptive QAML. El informe señala que una menor rotación no demuestra por sí sola invertibilidad, pues los resultados excluyen costes de transacción, impuestos, financiación, préstamo, liquidez e impacto de mercado. Incluir small caps amplía el conjunto de oportunidades del IMI, pero añade restricciones de liquidez, capacidad y préstamo. El universo APxJ estándar sin small caps siguió mostrando eficacia de QAML, aunque su CAGR y CAGR/Vol de largo plazo bajaron a 16.8% y 2.0, respectivamente, frente a 23.6% y 3.3 en APxJ IMI.

Marco de análisis

Morgan Stanley construye backtests long/short beta-neutrales y relativos por sector, compara cada pilar de QAML y su compuesto en horizontes largos y cortos, y después prueba correlaciones, exposición de estilo, caídas y pesos alternativos de ML. También examina la robustez de parámetros de ML, usa un puntaje histórico de riesgo para probar asignaciones adaptativas y señala la necesidad de validar resultados pre-cost frente a fricciones operativas de APxJ.

Notas metodológicas

• Teoría cuantitativa, factorial y de carterasModelo multifactorial

  Selección de acciones Quantamental multifactorial

  Core Metrics promedia señales de Value, Quality, Momentum, Growth y Low Risk, mientras Dynamic Metric Pool añade métricas sugeridas por analistas sujetas a controles de correlación y dispersión.

• Teoría cuantitativa, factorial y de carterasAnálisis de factores de estilo

  Diagnóstico de correlación y exposición de estilo Barra

  El informe compara correlaciones entre componentes y sensibilidad a proxies de Quality, Value y Momentum para identificar el grado de diferenciación de las fuentes de retorno de QAML.

• OtroOtro

  Clasificación de aprendizaje automático AdaBoost

  El sleeve ML selecciona secuencialmente señales que distinguen futuros ganadores de perdedores y aumenta el peso de observaciones difíciles de clasificar en rondas anteriores.

• OtroOtro

  Presupuesto adaptativo de riesgo de ML

  Un puntaje estandarizado de volatilidad, caída, correlación y estrés de factores de ML determina si se aumenta, mantiene o reduce la asignación de ML en el siguiente rebalanceo mensual.

Correspondencia y comparación de activos

Correspondencia estructurada entre la tesis y activos concretos (fortalezas, debilidades, pares y riesgos).

• QAML Asia strategy

  Marco de selección de acciones long/short beta-neutral en APxJ que combina sleeves Quantamental y ML.

  Fortalezas

  Perfil de retorno absoluto histórico más fuerte en todos los horizontes reportados; ML aporta información diferenciada.

  Debilidades

  El rendimiento es pre-cost y el liderazgo ajustado por riesgo rota entre componentes.

  Comparación

  La asignación preferida 75/25 mejoró las métricas históricas de retorno-riesgo y caída frente a la 50/50 original; sin ML reduce más la caída, pero sacrifica retorno y diversificación.

  Riesgos

  Caídas específicas de ML, estrés amplio de factores, rotación, liquidez, préstamo, financiación, impacto de mercado y restricciones de capacidad.

Datos clave

• CAGR de largo plazo de QAML Composite23.6%Backtest APxJ IMI pre-cost desde 2002 hasta 31 July 2026; superior a todos los sleeves independientes.
• CAGR/Vol de largo plazo de QAML Composite3.27Especificación original de 50% Quantamental / 50% ML.
• CAGR/Vol de la asignación preferida 75/253.33Frente a 3.27 para QAML original 50/50.
• Máxima caída de toda la muestra-19.6%Asignación preferida 75/25 frente a -21.8% para 50/50.
• Máxima caída de 2024-11.4%Asignación preferida 75/25 frente a -16.5% para 50/50.
• Correlación de ML con cada pilar Quantamental0.33Frente a 0.93 de correlación entre Core Metrics y Dynamic Metric Pool.
• Rotación media mensual36.5%75/25 estático en 2012-2026, frente a 44.7% para 50/50 y 37.5% para Adaptive QAML.

Impacto e implicaciones

El informe sostiene que ML debe evaluarse por su contribución incremental de diversificación e información, no solo por su retorno independiente. Para APxJ, Morgan Stanley prefiere un presupuesto estratégico de riesgo de ML inferior al diseño original 50/50; Adaptive QAML puede mejorar adicionalmente la eficiencia de riesgo cuando se eleva el estrés específico de ML, pero requiere validación post-cost y de robustez.

Riesgos

• Todos los resultados históricos son pre-cost y pueden no mantenerse bajo supuestos de costes de negociación, impuestos, financiación, préstamo e impacto de mercado en APxJ.
• La inclusión de small caps puede aumentar restricciones de liquidez, capacidad, impacto de mercado y préstamo.
• Adaptive QAML no es una cobertura universal contra caídas; ofrece protección más limitada cuando el estrés es generalizado entre todos los pilares.
• Las exposiciones a país, moneda, sector y factores siguen siendo diagnósticos relevantes en la implementación regional long/short.
• La capacidad no puede inferirse del backtest actual y requiere análisis de liquidez e impacto de mercado a nivel de valor.

Aspectos que vigilar

• Pruebas post-cost de las especificaciones 50/50, 75/25 preferida y Adaptive QAML con supuestos de costes de transacción, impuestos, financiación, préstamo e impacto de mercado de APxJ.
• Robustez walk-forward de Adaptive QAML respecto a ventanas de observación, umbrales de estado y frecuencia de cambio.
• Si las alternativas transparentes de tipos y curva de rendimientos específicas de APxJ mejoran los proxies actuales de tipos estadounidenses.
• La compensación económica entre la reducción de riesgo de Adaptive QAML y su rotación incremental.
• La extensión de QAML y la calibración de riesgo de ML desde APxJ hacia Emerging Markets.