Una metodología para mejorar el cálculo de la prima de riesgo

De la teoría sobre el cálculo de las primas de riesgo a sus implicaciones prácticas. La profesora del IESE Valentina Raponi explica cómo su investigación puede ayudar a mejorar el cálculo de la Beta.

La profesora Valentina Raponi se ha sentado con el equipo de IESE Insight para arrojar luz sobre una investigación suya publicada junto a Cesare Robotti y Paolo Zaffaroni en Review of Financial Studies. El tema, relacionado con los modelos de cálculo de la Beta, puede parecer áspero, pero Raponi aspira a hacerlo comprensible incluso para su abuela.

IESE Insight: ¿De qué trata exactamente la investigación?

Valentina Raponi: Hemos testado modelos de cálculo de la Beta y, en concreto, hemos tratado de calcular las primas de riesgo. En esencia, la prima de riesgo es el precio del riesgo y supone uno de los coeficientes más importantes no solo en el mundo de las finanzas, sino también en la macroeconomía y las finanzas corporativas.

II: ¿Por qué es tan relevante esta variable?

V. R.: Supongamos que sigues varios activos, cada uno con una rentabilidad diferente. Como es lógico, si buscas una mayor rentabilidad, la pagas asumiendo un mayor riesgo. Eso es lo que mide la prima de riesgo: el exceso de rentabilidad que se espera de los activos de riesgo respecto a los activos libres de riesgo. En nuestro artículo nos centramos en cómo se pueden medir estas cantidades con los datos disponibles. Analizamos los principales supuestos para calcular las primas de riesgo que se hacen con la teoría estándar más utilizada, es decir, el modelo de valoración de activos financieros CAPM y los modelos de tres y cinco factores de Fama y French.

Lo que hemos visto es que, en ocasiones, estos supuestos pueden ser bastante restrictivos. Algunos, por ejemplo, exigen para el análisis una serie temporal de datos muy larga, aunque se centren en tan solo unas cuantas carteras. El caso es que se negocian miles de títulos todos los días, lo cual te puede dejar con muestras muy grandes, aunque quizás una serie temporal corta. A veces no tenemos los datos y otras utilizamos factores que no están disponibles.

II: ¿Cómo habéis resuelto esta dificultad?

V. R.: Hemos ideado una nueva metodología que permite calcular y hacer inferencias válidas respecto a las primas de riesgo en un momento determinado. Con este nuevo modelo también se puede ver si las primas de riesgo son significativas o no con una muestra grande y una serie temporal corta. Esa es nuestra gran aportación.

Otra ventaja interesante para los directivos es que se pueden calcular las primas de riesgo en un escenario temporal variable. Pongamos que dispones de datos mensuales: se puede calcular la prima de riesgo en cada momento, es decir, en este caso, cada mes. Con nuestra metodología, los resultados pueden ser muy diferentes de los que arroja la metodología estándar.

Por ejemplo, hemos documentado una gran variación temporal en las primas de riesgo, mientras que la metodología estándar da a entender que estas primas de riesgo son constantes. Con la metodología estándar, factores como la liquidez o el HML y el SMB son relevantes para la asignación de precios el 50% del tiempo, mientras que con nuestro modelo lo son el 70% del tiempo [HML: diferencia entre la rentabilidad de las acciones de las empresas con un alto ratio valor libro/valor de mercado menos la rentabilidad de las acciones de las empresas con un bajo ratio valor libro/valor de mercado; SMB: diferencia entre la rentabilidad de las acciones de empresas de pequeña capitalización bursátil y la rentabilidad de las acciones de empresas de gran capitalización bursátil]. Aunque se trata de un modelo bastante teórico, tiene usos prácticos.

II: ¿Cuál es la lección más importante de la investigación?

V. R.: Debes prestar mucha atención a la serie de datos de que dispones, es decir, los que vas a analizar. No hay que usar ciegamente los métodos habituales. Primero tienes que ver qué supuestos necesitas para calcular lo que quieres de forma consistente.