Cross-asset market transmission and spillovers — Interpretación del informe

Visión general

Morgan Stanley amplía su marco de machine learning QAML desde la selección de acciones hasta la transmisión entre clases de activos. Concluye que los estados de mercado interclase pueden ayudar a distinguir resultados posteriores ajustados por riesgo más fuertes de más débiles, y que una señal multihorizonte combinada ofrece la implementación de cartera más robusta.

Perspectivas principales

El informe pregunta si el estado actual de un mercado contiene información útil sobre lo que sucederá después en otro, en lugar de limitarse a preguntar si los mercados se mueven conjuntamente. Aplica un marco AdaBoost por separado a cada activo objetivo, permitiendo que el mercado de origen, el umbral y la dirección relevantes difieran según el objetivo y el horizonte de previsión. El universo cubre 116 activos de renta variable, renta fija, tipos cortos, forwards de FX, materias primas y crédito, utilizando 221 señales de 13 mercados de origen líquidos. Los datos incluyen rentabilidades ajustadas por volatilidad a 1, 3, 6 y 12 meses, indicadores de impulso y tendencia, posición del precio respecto a rangos históricos, comportamiento de cola y medidas de régimen de volatilidad. Para cada activo objetivo, Morgan Stanley entrena modelos separados para ratios Sharpe realizados a futuro de 1, 3, 6 y 12 meses. Los resultados se clasifican como más fuertes o más débiles frente a la mediana expansiva del Sharpe futuro de cada activo. El modelo usa ventanas de entrenamiento temporales expansivas, comienza solo tras disponer de 60 observaciones mensuales elegibles y añade observaciones únicamente cuando sus resultados futuros se han materializado por completo. Calibra cada puntuación del modelo fuera de muestra en un Sharpe futuro esperado relativo al Sharpe esperado de largo plazo del propio activo, de modo que la señal final indica si el entorno interclase actual parece históricamente mejor o peor de lo normal para ese activo concreto. El backtest indica una rentabilidad persistente en los cuatro horizontes. De febrero de 2013 a julio de 2026, la señal long/short promedio de 1/3/6/12 meses, equiponderada, generó un CAGR de 3.7%, una volatilidad anualizada de 5.2%, una relación CAGR/volatilidad neta de costes de 0.71 y un drawdown máximo de (8.6%). Sus ratios de información fueron 0.81 frente a un universo global equiponderado y 0.79 frente a un universo de volatilidad inversa. La señal de 1 mes fue el horizonte individual más fuerte, con un CAGR de 2.7%, volatilidad de 4.0% y una relación de 0.68, mientras que las señales de 3, 6 y 12 meses también se mantuvieron positivas. Morgan Stanley interpreta que el mejor resultado combinado demuestra que promediar horizontes captura transmisiones que ocurren a diferentes velocidades y reduce la dependencia de una única ventana de previsión. Los autores prueban si el resultado depende de la especificación del modelo. Reducir el conjunto de variables a 52 señales de rentabilidad ajustada por volatilidad redujo la relación CAGR/volatilidad de la estrategia combinada a 0.62, frente a 0.71 de la referencia completa de 221 señales, lo que indica que las medidas técnicas del estado de mercado añaden información más allá de las rentabilidades por sí solas. Una calibración alternativa con el conjunto completo de señales, basada directamente en el Sharpe futuro esperado condicional, produjo un CAGR de 3.9% y una relación CAGR/volatilidad de 0.75. Morgan Stanley describe esta calibración directa como una especificación complementaria de asignación interclase más amplia, mientras que la referencia es más táctica porque mide el Sharpe esperado frente a la norma de largo plazo de cada activo. Tanto el libro largo como el corto contribuyeron positivamente durante toda la muestra, aunque el libro largo fue el motor de rentabilidad mayor y más persistente, mientras que el corto añadió valor de forma más episódica. La exposición y la contribución a la rentabilidad difirieron materialmente: los tipos cortos dominaron el nocional bruto del libro largo tras el escalado por volatilidad, mientras que los forwards de FX dominaron el libro corto. Sin embargo, la renta variable y los forwards de FX fueron los principales contribuyentes de largo plazo a las rentabilidades de la estrategia, y los tipos cortos realizaron una contribución más moderada pese a su gran peso nocional. Las seis clases de activos objetivo contribuyeron positivamente durante toda la muestra, con un liderazgo cambiante a lo largo del tiempo. Una prueba de cartera restringida impuso asignaciones fijas por clase de activo antes de aplicar el mismo escalado por volatilidad. Esto redujo la concentración natural en forwards de FX y tipos cortos y amplió la representación de renta variable, renta fija, materias primas y crédito. Los resultados de horizontes individuales se debilitaron sustancialmente bajo la restricción, pero la señal Promedio mantuvo un desempeño neto de costes positivo: CAGR de 3.4%, volatilidad de 5.1%, relación CAGR/volatilidad de 0.66 y ratios de información de 0.72 y 0.68 frente a los dos índices globales. Los autores consideran que esta resiliencia respalda la especificación multihorizonte, porque el promedio reduce la sensibilidad tanto a la velocidad de transmisión como a la combinación de clases de activos mediante la cual se expresa la señal. El análisis de transmisión identifica las materias primas y la renta fija como las fuentes de información dominantes para la mayoría de las clases de activos objetivo. Para la renta variable, las mayores rentabilidades ajustadas por volatilidad del Brent a 6 y 12 meses se asociaron históricamente con resultados posteriores más débiles, mientras que un mayor impulso del cobre a tres meses se asoció con mejores resultados. Para la renta fija, un mayor impulso del Brent a 12 meses se asoció con resultados posteriores más fuertes, mientras que un mayor impulso del JPY a seis meses se asoció con resultados más débiles. Para los tipos cortos, la distancia del Treasury estadounidense a dos años respecto a su mínimo de 252 días se asoció con resultados más fuertes, mientras que el S&P 500 más próximo a su máximo de 252 días se asoció con resultados más débiles. Para los forwards de FX, un mayor impulso del Brent se asoció con resultados más débiles, mientras que las señales de posición de precio del oro y Nasdaq se asociaron con mejores resultados. Para materias primas y crédito, los tipos de corto plazo, la renta variable y las señales de materias primas añaden información más allá del impulso del propio mercado. En crédito específicamente, un mayor impulso del Brent a 12 meses se asoció con resultados posteriores más débiles, mientras que señales más fuertes de posición de precio y rango del Euro-Schatz se asociaron con mejores resultados. Morgan Stanley subraya que no se trata de reglas fijas y unidireccionales: la misma señal de origen puede tener implicaciones diferentes, incluso no lineales, para distintos objetivos. La conclusión central del informe es, por tanto, que los derrames interclase forman una red dinámica, específica por objetivo y dependiente del estado, en lugar de una jerarquía simple en la que un mercado siempre lidera a otro.

Marco de análisis

Morgan Stanley construye clasificadores AdaBoost específicos para cada activo con muestras históricas expansivas y estados de mercado basados en percentiles. Convierte los resultados del modelo en expectativas de Sharpe futuro económicamente interpretables, clasifica los activos mensualmente, toma el 20% superior e inferior, aplica ponderación por volatilidad inversa y un desfase de implementación de un día hábil, y evalúa los resultados netos de supuestos fijos de costes de transacción, roll y margen. Después prueba conjuntos de variables y calibraciones alternativos, asignaciones restringidas por clase de activo, atribución de rentabilidades e importancia de las señales de mercado de origen.

Notas metodológicas

• OtroOtro

  Clasificación de machine learning AdaBoost con ventanas de entrenamiento temporales expansivas

  El modelo combina secuencialmente clasificadores simples para identificar estados de mercados de origen que históricamente distinguen resultados futuros ajustados por riesgo más fuertes de más débiles para cada activo objetivo.

• Teoría cuantitativa, factorial y de carterasRatios de Sharpe e información

  Calibración del Sharpe realizado a futuro y ratios de información relativos al índice

  El informe etiqueta los resultados usando el Sharpe realizado a futuro, calibra las puntuaciones del modelo a un Sharpe esperado y evalúa el rendimiento de la estrategia frente a índices de universo global equiponderado y de volatilidad inversa.

• Teoría cuantitativa, factorial y de carterasModelo multifactorial

  Conjunto de señales interclase multihorizonte

  La estrategia combina previsiones separadas a 1, 3, 6 y 12 meses para que la información transmitida a diferentes velocidades pueda contribuir a la señal de cartera.

Datos clave

• Universo objetivo116 assets across six asset classesRenta variable, renta fija, tipos cortos, forwards de FX, materias primas y crédito.
• Mercados de origen y señales13 source markets; 221 candidate signalsLas señales combinan rentabilidades ajustadas por riesgo y medidas técnicas del estado de mercado.
• Rendimiento de la señal Promedio3.7% CAGR; 5.2% annualised volatility; 0.71 CAGR/volatility; (8.6%) maximum drawdownFebrero de 2013–julio de 2026, neto de costes de implementación.
• Ratios de información de la señal Promedio0.81 vs global equal-weighted universe; 0.79 vs global inverse-volatility universeMedida de rendimiento relativo al índice basada en regresión.
• Calibración directa alternativa3.9% CAGR; 5.2% annualised volatility; 0.75 CAGR/volatilityUtiliza el conjunto completo de señales y clasifica directamente según el Sharpe futuro esperado condicional.
• Señal Promedio restringida3.4% CAGR; 5.1% annualised volatility; 0.66 CAGR/volatilitySe imponen objetivos fijos por clase de activo antes del escalado por volatilidad.

Impacto e implicaciones

Los hallazgos de Morgan Stanley respaldan tratar la información interclase como específica por objetivo y dependiente del estado, en vez de basarse en correlaciones amplias o relaciones direccionales fijas. El informe favorece la implementación multihorizonte combinada porque se mantuvo positiva bajo especificaciones alternativas y con una estructura de asignación por clase de activo materialmente distinta.

Aspectos que vigilar

• Si la importancia de las señales varía materialmente por geografía dentro de cada clase de activo.
• Si las clasificaciones de señales se mantienen estables bajo esquemas alternativos de ponderación, incluidos enfoques basados en rankings.
• Si el análisis VAR de adelantos y retrasos captura información complementaria a las relaciones no lineales de derrame del modelo.