Finance, Markets and Valuation
DOI:
10.46503/UYHB1869
Corresponding author
Raul Barberá Beltran
Recibido: 20 Oct 2019
Revisado: 8 Nov 2019
Aceptado: 15 Dic 2019
Finance, Markets and
Valuation
ISSN 2530-3163.
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 91–113
El valor de la información económico-financiera para la
toma de decisiones de inversión en el mercado bursátil
español
The value of financial information to make investment
decisions in the Spanish stock market
Raul Barberá Beltran
1
1
Universitat Politécnica de Valencia. Valencia, España. Email: raubarbe@doctor.upv.es
JEL: G11; G12
Resumen
En este artículo se estudia la correlación entre empresas cotizadas en el mercado continuo español
y un conjunto de ratios y variables económico financieras utilizadas en la performance empresarial.
Con los resultados se busca explicar el comportamiento de los precios de las acciones del mercado
continuo español y diseñar un modelo que permita optimizar inversiones a largo plazo. Se comparan
las rentabilidades con las del Ibex 35 y el Ibex Total Return y se concluye que algunos ratios tienen más
influencia que otros en la e volución del precio y que no se consigue batir al mercado de forma significativa.
Keywords: Mercados bursátiles; Ibex-35
Abstract
This article studies the correlation between companies listed on the Spanish continuous market and
a set of ratios and financial economic variables used to measure business performance. The goal is to
explain the behavior of the prices of the shares of the Spanish continuous market and design a model that
optimizes long-term investments. The returns are compared with those of the Ibex 35 and the Ibex Total
Return and it is concluded that some ratios have more influence than others in the evolution of the price
and that it is not possible to beat the market significantly.
Keywords: Stock markets; Ibex-35
1 Introducción
La crisis financiera mundial de 2008-2009 y sus consecuentes ramificaciones en los merca-
dos de capitales han llevado a una creciente atención hacia la importancia del comportamiento
en las finanzas (Dincer, Hacioglu, Tatoglu, y Delen, 2016). Los diferentes tipos de inversores
reciben información de distintas fuentes y de distinta calidad y eso hace que se comporten
de manera diferente. Es muy común que unos inversores imiten el comportamiento de otros
Cómo citar este artículo: Barberá Beltrán, R. (2019) El valor de la información económico-financiera
para la toma de decisiones de inversión en el mercado bursátil español. Finance, Markets and
Valuation 5(2), pp. 91–113.
91
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 91–113
Artículo Definición
Cuta Durán (2017)
El análisis fundamental se centraenlas causas de los precios
de determinada inversión, lo que hace que sea un método
con alto grado de complejidad y de especialidad por reque-
rirse el manejo de una gran cantidad de información que en
ocasiones no es de acceso público
Eiamkanitchat, Moontuy, y
Ramingwong (2016)
El análisis fundamental incluye mirar cualquier información,
que no sean los patrones de negociación de la acción en sí,
lo que puede afectar el costo y el valor percibido de una
acción
Magallón y Ciancas (2010)
Proceso consistente en estimar cuál es el valor intrínseco de
una empresa, evaluando para ello una serie de indicadores
de los estados financieros que pueden afectar al valor de la
compañía en cuestión
Nti, Adekoya, y Weyori
(2019)
El análisis fundamental utiliza la posición económica de la
empresa, los empleados, la junta directiva, el estado finan-
ciero, el informe anual de la empresa, las hojas de balance,
los informes de ingresos, las circunstancias terrestres y cli-
máticas como los desastres naturales o no naturales y los
datos políticos para predecir el precio futuro de las acciones
Anbalagan y Maheswari
(2015)
El enfoque de los analistas fundamentales se refiere a la
empresa que subyace a las acciones en en lugar de las
acciones reales
García y Moya (2009)
El análisis fundamental estudia toda la información dispo-
nible acerca de la empresa, su sector y la economía en su
conjunto
Tabla 1. Definiciones de análisis fundamental usadas en literatura
y al hacerlo olviden su propia información. Este tipo de análisis sobre el comportamiento se
ha extendido hasta los años 2000 y se ha concluido que es el causante de la volatilidad del
mercado (Venezia, Nashikkar, y Shapira, 2011).
Los inversores pueden pensar que el mercado es eficiente o ineficiente. Si es eficiente, es
imposible batir al mercado en términos de rentabilidad y riesgo, por lo que la estrategia de
inversión a seguir será de naturaleza pasiva, el denominado index tracking (García, Guijarro, y
Moya, 2011, 2013; García, Guijarro, Oliver, y Tamoši
¯
unien
˙
e, 2018).
Los inversores que piensan que pueden batir al mercado pueden tomar decisiones de
inversión mediante análisis técnico o análisis fundamental. Un analista fundamental cree que
al analizar la estrategia, la gestión, el producto, las estadísticas financieras y otros números
cuantificables de la compañía, ayudará a elegir acciones que superen al mercado. Un analista
técnico cree que el gráfico, el volumen, el impulso y una serie de indicadores técnicos son
la clave para un rendimiento superior (Liu, 2019). Existen diversas definiciones que se han
empleado para explicar el concepto de análisis fundamental como el de análisis técnico, tal y
como muestran las tablas 1 y 2.
Si bien en la actualidad el análisis técnico parece centrar el interés de los investigadores,
son todavía numerosos los estudios que emplean el análisis fundamental, especialmente
los ligados a la valoración de empresas (García y cols., 2011; Wang, García, Guijarro, y Moya,
2011). Más recientemente se han incorporado al análisis fundamental variables relacionadas
Raul Barberá Beltrán 92
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 91–113
Artículo Definición
Cuta Durán (2017)
El análisis técnico se centra en los efectos que tienen de-
terminados fundamentales en el precio de mercado de las
distintas especies, lo que permite a los usuarios de esta
técnica participar en cuantos mercados deseen de forma
simultánea
Eiamkanitchat y cols. (2016)
Exponen que el análisis técnico es un aparato de intercam-
bio utilizado para evaluar valores y tratar de pronosticar su
desarrollo futuro al desglosar los conocimientos acumula-
dos de la acción de intercambio, como el movimiento de
precios y el volumen
García y Moya (2009)
El análisis técnico y el análisis chartista se centran en la
información aportada por la evolución del precio del activo
en cuestión
Murphy (2000)
Estudio de los movimientos del mercado, principalmente
mediante uso de gráficos, con el propósito de identificar la
probable tendencia futura de los precios de una determina-
da especie
Tabla 2. Definiciones de análisis técnico usadas en literatura
con la sostenibilidad y el comportamiento socialmente responsable de las empresas (Arribas,
Espinós-Vañó, García, y Morales-Bañuelos, 2019; García, González-Bueno, Oliver, y Riley, 2019).
En cuanto al análisis técnico, en la actualidad prima el empleo de la inteligencia artificial
para detectar patrones y realizar predicciones (García y cols., 2018).
Muchos indicadores técnicos han sido seleccionados como variables de entrada con el
fin de desarrollar un sistema de comercio automatizado que determina la compra y venta de
decisiones de negociación utilizando las reglas de negociación óptimas dentro del mercado
de futuros. Sin embargo, las reglas técnicas comerciales óptimas por solas pueden no ser
suficientes para una aplicación real, dado el mercado de futuros que cambia sin cesar. En su
estudio, se desarrolla un sistema de cambio de reglas (RCTS) que consiste en numerosas reglas
de negociación generadas usando un análisis de conjunto aproximado para cubrir diversas
condiciones de mercado (Kim y Enke, 2016).
Mediante el uso de Análisis Fundamental y Técnico, un inversor puede obtener un mayor
rendimiento de las acciones en lugar de utilizar solo un análisis individual (Amini, Rahnama, y
Alinezhad, 2015).
La teoría económica y financiera, combinando análisis técnico, análisis fundamental y
análisis de series temporales se han empleado también de manera combinada para predecir el
comportamiento de los precios en las acciones brasileñas (de Oliveira, Nobre, y Zárate, 2013).
El inversor fundamental tiene claro que la acción representa una porción de la empresa de
la que va a ser dueño y por tanto esta valdrá lo que valga la empresa el día de mañana. Este
tipo de filosofía inversora tiene, como todo en la vida, sus pros y sus contras.
Se debe e valuar a los clientes de la empresa.
También hay que analizar la competencia y perspectivas.
Estamos sujetos a posibles problemas empresariales.
Según la hipótesis de eficiencia de los mercados los precios de cotización reflejan toda la
información que hay.
Raul Barberá Beltrán 93
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 91–113
Hay 3 grados de eficiencias, según esta visión:
Forma débil: el precio de los títulos refleja la información pasada obtenida de las cotizaciones
históricas, por lo tanto usar las cotizaciones históricas no es válido.
Forma semifuerte: el mercado es eficiente cuando las informaciones pasadas y también la
hecha pública que pueda afectar al título (anuncios de dividendos, etc.) ya están reflejadas
en la cotización del título. Solo se puede obtener más rentabilidad que el mercado usando
información privilegiada.
Forma fuerte: La cotización del activo refleja toda la información y nadie es capaz de obtener
más rendimiento que el mercado de forma consistente.
La eficiencia de los mercados fue introducida por primera vez por Fama (1995) en el artículo
“Random walks in Stock Market Prices”, en el que estudió la correlación entre los cambios en
los precios diarios de las acciones del Dow Jones Industrial Average. Concluyó que los cambios
en los precios presentan una pequeña correlación positiva, prácticamente nula (García y cols.,
2018).
Nuestro tema de discusión es si las estrategias fundamentales se pueden mejorar con la
aplicación de modelos matemáticos. Hemos observado como ciertos investigadores diseñan
de este modo planes de diversificación que mejoran las recomendaciones de los asesores
financieros (Musto, Semeraro, de Gemmis, y Lops, 2015). Hay investigaciones recientes que
han demostrado que los ciudadanos están dispuestos a asumir más riesgo en la gestión de sus
ahorros en esta época que conocemos como la era de la información. Sus asesores financieros
pueden mejorar los retornos de esas inversiones y garantizar una mejor diversificación del
riesgo (Hackethal, Haliassos, y Jappelli, 2012).
1.1 Revisión bibliográfica
A lo largo de las siguientes líneas pretendemos dar a conocer la bibliografía publicada
recientemente en referencia a las estrategias de inversión cuya base para seleccionar valores es
el análisis fundamental, así como el análisis de sus resultados y las variables empleadas (datos
contables, entorno macroeconómico, etc.). Este grupo de variables fundamentales junto con
un grupo de variables macroeconómicas se usarán para establecer su nivel de relación con el
precio de las acciones de las acciones. A partir de la introducción de este artículo ofrecemos
una revisión de la literatura existente, el diseño de la investigación y unos comentarios sobre
los resultados de los análisis estadísticos expuestos en las tablas.
Se ha demostrado que existe una relación entre el nivel de propiedad institucional de las
empresas cotizadas y su política de reparto de dividendos (Mallorquí, Martín, Díaz, y Díaz, 2008).
Aunque muchos aseguran que la tendencia a la generosidad o el rechazo hacia el dividendo de
cada empresa sigue siendo un misterio, que se ha estudiado la influencia de dicha política en
lo referente aspectos importantes como el país, la industria, el año o la propia empresa, siendo
esta la más importante a tener en cuenta si se pretende teorizar sobre las futuras políticas de
dividendos (Erkan, Fainshmidt, y Judge, 2016).
Cuando se habla de inversores institucionales, se pueden observar estrategias basadas en
esperar beneficios del crecimiento de la empresa (Value Investing) y estrategias que se enfocan
en empresas grandes y consolidadas. Las instituciones simpatizantes de la primera estrategia
se centran en negocios con una rentabilidad por dividendo (RD) baja o nula ya que esto ralentiza
el crecimiento de la empresa. Las que usan la segunda estrategia, por el contrario, buscarán
negocios con una RD alta, pues está demostrado que el crecimiento y la RD son inversamente
proporcionales (Huang y Paul, 2017).
Raul Barberá Beltrán 94
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 91–113
En cualquier caso, aunque cada indicador pueda cobrar una importancia relevante en según
qué situación, son muchas las investigaciones destinadas a exhibir las anomalías del mercado
que no son explicadas por la hipótesis de los mercados eficientes y, por lo tanto, es necesario
que cualquier método de inversión que se utilice esté preparado con las debidas restricciones
para ofrecer beneficios sea cual sea la reacción del mercado (Yalçın, 2010)).
Con todo esto, la presente investigación permitirá proporcionar orientaciones a los inverso-
res sobre factores importantes a considerar al seleccionar acciones designadas para satisfacer
necesidades de liquidez. Orientaciones que un asesor debe tener en cuenta en su asesoramien-
to.
Los autores Boz, Plans, Guerrero, y Jiménez (2015) estudiaron que información es la que
explica el riesgo de las acciones y analizaron si la implantación de las NIIF influye en dichas
informaciones. Si sabemos que variables explican el riesgo conoceremos que indicadores
observar para analizar su comportamiento y prever lo que vaya a suceder en el futuro. Con este
estudio se pudo confirmar que la información que el riesgo es una combinación de información
contable y macroeconómica.
Aunque disponemos de varias publicaciones con estudios analíticos de esta índole, no
muchos utilizan datos de América Latina y aún menos del mercado continuo español. Fraire,
Valdés, y Vázquez (2017) dejan claro que en la Bolsa de Valores de México existe evidencia de
que hay un equilibrio en el largo plazo, lo cual significa que las acciones, junto con las variables
contable-financieras y macroeconómicas utilizadas, se mueven juntas en el tiempo y convergen
a ese equilibrio en el largo plazo. Aún así, no todos los investigadores simpatizan con la idea
de emplear indicadores económicos. Baetje y Menkho (2016), por ejemplo, afirman que los
indicadores económicos pierden poder predictivo a partir de la década de 1970, mientras que
los indicadores técnicos mejoran con el tiempo. Las capacidades predictivas de los indicadores
económicos y técnicos parecen tener una calidad similar cuando se evalúan por sus errores
de pronóstico a largo plazo. Pero los resultados a lo largo del tiempo son completamente
diferentes.
El problema de selección de valores se resuelve usando varios enfoques. Hay estudios finan-
cieros que tienden a usar modelos de regresión para determinar la relación entre las razones
financieras históricas y las ganancias futuras (o rendimiento de las acciones). El modelo de
regresión empleado en este estudio es lineal. La mayoría de los estudios anteriores muestran
que raramente se demostró exitosa debido a la existencia de ruido y no linealidad en datos
pasados e históricos. Por otra parte, Ali, Mubeen, y Hussain (2018) muestra que el modelo de re-
gresión logística puede ser utilizado por los inversores, tanto individuales como institucionales
o administradores de fondos para mejorar su capacidad de predecir en los precios.
En cambio, investigadores de otros campos, como la inteligencia artificial (AI) y la toma de
decisiones de criterios múltiples (MCDM), han intentado aprovechar la potencia computacional
de la programación informática para resolver el complejo problema de selección de valores
(Arévalo, García, Guijarro, y Peris, 2017; Cervelló-Royo, Guijarro, y Michniuk, 2015; Silva, Neves,
y Horta, 2015).
La mayoría de artículos mencionados tienen como objetivo elaborar un modelo econo-
métrico que permita predecir el precio futuro de las acciones. En este estudio, en cambio, lo
que pretendemos es mostrar cuáles de las variables que vamos a emplear tiene una mayor
correlación con la evolución del activo.
El resto del artículo se estructura de la siguiente manera. En primer lugar, dedicamos un
apartado metodología donde exponemos las bases de datos empleadas para obtener tanto la
Raul Barberá Beltrán 95
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 91–113
bibliografía de referencia como los datos históricos. En la sección 2 de la metodología explica-
mos el proceso de selección de las variables económico financieras empleadas para el modelo
y por qué de su elección o descarte. Finalmente presentaremos las conclusiones principales
del trabajo (sección 3).
2 Metodología y resultados
Para llevar a cabo este estudio se han recogido artículos previos cuyos descriptores funda-
mentales fueron: análisis fundamental, estrategias de inversión, rentabilidad por dividendos,
asesoramiento financiero. En toda esta literatura hemos podido distinguir debates sobre los
impactos de las crisis, actitudes y percepciones de los inversores, sensibilidad a las perdidas y
las ganancias, etc.
A continuación, se ha realizado sobre ellos una revisión descriptivaconelfin de proporcionar
al lector información actualizada sobre las posibles estrategias de inversión de las que dispone
un asesor financiero como servicios disponibles para ofrecer a sus clientes y poder aportar la
mejor planificación para el futuro de sus ahorros.
2.1 Bases de datos
Se ha realizado un análisis de datos referentes a las cuentas anuales de 98 empresas coti-
zadas en España. Estos datos fueron extraídos de la herramienta SABI (Sistema de análisis de
Balances Ibéricos).
La información sobre los precios de cierre históricos de cada una de las empresas se obtuvo
del servidor del graficador Visual Chart. Esta plataforma fue seleccionada como herramienta de
trabajo para la investigación porque, en la actualidad, ofrece uno de los entornos de operativa
bursátil más avanzados. Dispone de una amplia gama de herramientas de trabajo y, su licencia
para trabajar con precios de cierre es gratuita.
2.2 Elección de variables contables
De entrada, se escogen un total de 20 variables contables. Justificamos su elección en base
a que las empresas las suelen publicar periódicamente en sus informes financieros y también
por su uso por parte de otros investigadores. De manera general son las variables que se suelen
emplear en la performance empresarial.
Inmovilizado
Inmovilizado material
Activo circulante
Existencias
Tesorería
Activo
Fondos Propios
Pasivo Fijo
Pasivo Líquido
Ingresos de Explotación
Resultado de la explotación
Resultado del ejercicio
Deudores
Capital Suscrito
Acreedores a largo plazo
Raul Barberá Beltrán 96
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 91–113
Deudas financieras
Acreedores comerciales
Gastos financieros
Resultado ordinario antes de impuestos
Gastos de personal
Las variables contables son útiles para evaluar sus efectos en el precio de las acciones
mediante en el método de análisis de componentes principales y pudiéndose así predecir el
precio de las acciones e identificar factores efectivos Zahedi y Rounaghi (2015).
El objetivo es el de observar su correlación con el precio de cierre anual de su cotización.
Toda esta información se empleará para realizar un análisis estadístico que nos permita
observar la existencia de un equilibrio en el largo plazo entre el precio de las acciones y las
variables contables y financieras. Esto se consigue realizando un ANOVA de una vía donde el
año es el factor, y guardamos el residuo estandarizado.
Al finalizar el análisis se observa que no hay correlación entre el precio y las variables
financieras. Estos resultados nos llevan a repetir el análisis que hemos hecho con los residuos,
pero en lugar de utilizar las variables financieras directamente, utilizamos ratios. Los ratios
los calculamos a partir de las variables que ya tenemos. Primero hay que hacer una revisión
bibliográfica para ver qué ratios seleccionar.
2.3 Elección de ratios
Los ratios financieros que podemos calcular a raíz de estos datos tienen la ventaja de
ser independientes del tamaño de la empresa. Pero su información es limitada ya que los
analistas solamente tienen a su disposición la información contable publicada y esta suele ser
imprecisa. Castro (2016) ya establece la hipótesis de que las variables fundamentales influyen
conmayor magnitud que las macroeconómicas, pero no sin antes dejar claro que la información
contable puede llevarnos a carecer de estimaciones precisas a causa de activos intangibles
no reflejados en los balances. El análisis de ratios es un método muy eficiente tal y como
demuestra Rodríguez-Masero y Gómez-Simón (2016) en su estudio sobre el caso de Abengoa
exponiendo que la comparación de ratios con los de otras empresas permiten hacer una un
pronóstico sobre la situación futura de la empresa. Estos autores se centraron en el análisis de
la rentabilidad mediante la interrelación de la rentabilidad económica (ROA) y financiera (ROE),
el apalancamiento financiero para anticiparse al nivel de endeudamiento y el ratio de tesorería
que confirmara las conclusiones anteriores.
Sin embargo, uno de los indicadores más utilizados es el DY (Dividend Yeld). Lewellen (2004)
analiza la predicción de retornos mediante ratios financieros mostrando que el rendimiento de
dividendos predecía el rendimiento del mercado durante el periodo 1946-2000. La relación
precio-beneficio y el rendimiento de los dividendos son ratios con los que se puede pronosticar
la evolución de las acciones (Meriç, Kamışlı, y Temizel, 2017).
Pražák y Stavarek (2017) afirman que los ratios que tienen que ver con el apalancamiento, la
rentabilidad, o la liquidez afectan al precio de las acciones. En su estudio basado en el Método
Generalizado de los Momentos se demuestra la existencia de un efecto negativo y estadísti-
camente significativo entre la liquidez y los precios. Un impacto positivo y estadísticamente
significativo entre el apalancamiento y el precio. La relación con otros ratios basados en la
deuda como el ROE o el ROI y el precio no era clara.
Ballings, den Poel, Hespeels, y Gryp (2015) presentaron indicadores financieros importantes
que mejoran el valor predictivo su nuestro modelo. Estos incluyen indicadores de liquidez
Raul Barberá Beltrán 97
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 91–113
Ratio Descripción Estudios
ROA Return on Assets
Ali y cols. (2018); Ballings y cols. (2015); Nti y cols. (2019);
Rodríguez-Masero y Gómez-Simón (2016); Zahedi y Rounaghi
(2015)
ROE Return of Equity
Ballings y cols. (2015); Elze (2010); Nti y cols. (2019); Rodríguez-
Masero y Gómez-Simón (2016); Zahedi y Rounaghi (2015)
DY Dividend Yeld
Elze (2010); Fong (2015); Lewellen (2004); Meriç y cols. (2017);
Zahedi y Rounaghi (2015)
PER Price-to-Earnings Nti y cols. (2019); Silva y cols. (2015)
ROCE Ret. On Cap. Empl. Ballings y cols. (2015)
Tabla 3. Estudios en los que se emplean ratios financieros
Ratio Años significativos
PVC 11 años
BPA 8 años
ROA 5 años
PCFR 4 años
Tabla 4. Nivel de significación de los ratios principales
(índice actual, período de cobro de cuentas por cobrar), indicadores de solvencia (índice de
solvencia, índice de endeudamiento) e indicadores de rentabilidad (ROE, ROCE, ROA).
En las siguientes tablas podremos observar algunas estadísticas descriptivas de las variables
empleadas, así como las correlaciones entre la cotización de cada empresa y las variables
en cuestión. Se escogieron para tal fin un total de 18 ratios financieros, de los cuales cuatro
mostraron correlaciones significativas con el precio de cierre en el nivel 0,01 en un número
mayor de años (tabla 4).
No obstante, la razón por la que el PVC y el PCFR han destacado sobre los demás en sus
correlaciones es porque su fórmula depende directamente del precio y eso hace que no sean
válidos para el estudio.
PVC =
Precio
Valor contable
(1)
PCFR =
Precio
Cash flow
(2)
El BPA y el ROA en cambio dependen del resultado del ejercicio, el resultado ordinario antes
de impuestos y el activo. En menor medida, también el número de acciones aunque es una
variable que no cambia tan a menudo.
BPA =
Resultado del ejercicio
Número de acciones
(3)
ROA =
Resultado ordinario antes de impuestos
Número de acciones
(4)
Este análisis lo hemos cuantificado de forma objetiva para saber que el resultado no es fruto
Raul Barberá Beltrán 98
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 91–113
Ratio Correlación de Pearson
PVC 0.264
BPA 0.083
PER 0.237
PCFR 0.140
Tabla 5. Correlaciones entre precios de cierre y ratios financieros
Ratio Años significativos
PVC 11 años
BPA 8 años
ROA 7 años
PER 9 años
Tabla 6. Años de significatividad de las correlaciones entre precios de cierre y ratios financieros con
retardos
de la casualidad. Para ello hemos utilizado los residuos estandarizados. Las tablas elaboradas
muestran un grado de asociación lineal entre el precio y estos ratios mayor al que muestran
entre el precio y los demás ratios. Además, esta relación siempre es directa.
Si el BPA o el ROA crecen es porque el resultado del ejercicio o el resultado ordinario antes
de impuestos están creciendo y por lo tanto el precio les acompañará.
Por otro lado, las variables que indicamos como significativas sólo lo son algunos años. Para
salir de dudas calculamos la correlación para todo el periodo, sin dividir por años. Obtenemos
estas correlaciones entre los residuos de CLOSE y los residuos de las restantes variables (las
originales y los ratios).
Debemos considerar la muestra como única. Hay un sólo vector de residuos de toda la
muestra para cada variable, también hay un sólo vector de residuos de toda la muestra para
CLOSE.
Esta segunda prueba no muestra correlación significativa entre el residuo del precio del
cierre y ninguno de los residuos de las variables contables.
La correlación entre el residuo del precio y los residuos de los ratios vuelven a mostrar
significación con los mismos ratios, a excepción del ROA cuya correlación disminuye considera-
blemente. No obstante, el PER que gana significación realizando el estudio de esta manera
(tabla 5).
En este caso la correlación del residuo estandarizado del PER con el del precio se debe a
que este ratio depende tanto del BPA como del precio.
PER =
Precio
BPA
(5)
Finalmente, el análisis con ratios lo repetimos una vez más con retardos. De este modo
vemos la correlación entre la variable que contiene los precios de cierre en el año t con los
residuos de cada ratio en el año t-1.
No obstante, los resultados se repitieron en general, exceptuando el ROA que ganó dos años
de significatividad (tabla 6).
Raul Barberá Beltrán 99
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 91–113
Ratio Años significativos
Variación del PVC 9 años
Variación del PER 8 años
Variación del BPA 3 años
Variación del Apalancamiento Financiero 2 años
Variación del ROA 2 años
Variación del EBITD 2 años
Variación de la Rentabilidad Financiera 1 año
Variación del Pay Out 1 año
Variación de la RD 1 año
Variación del Cash Flow 1 año
Tabla 7.
Años de significatividad de las correlaciones entre precios de cierre y las variaciones de los ratios
financieros
2.4 Análisis de variaciones
Hasta el momento nos hemos centrado en estudiar la relación entre las variables financieras
y el precio. En este apartado pasamos a estudiar la relación entre la evolución de las variables
financieras y la evolución del precio.
Elaboramos una tabla con la diferencia de cada variable financiera entre cada año y el
anterior. El primer estudio lo realizamos con términos absolutos. Calculamos las correlaciones
entre la evolución del precio de cierre y las demás series, esta vez directamente y sin utilizar
residuos.
El PVC y el PER mostraron correlaciones significativas en 9 y 8 años respectivamente. Las
demás variables superaron los tres años (tabla 7).
El estudio lo repetimos usando porcentajes en lugar de términos absolutos. Aunque el
número de años de significación varía ligeramente, las variables que destacan siguen siendo
las mismas. Cabe mencionar que el PVC gana importancia con respecto a las variaciones de los
demás ratios (tabla 8).
El estudio se repitió con retardos, pero en los resultados a penas se observaron diferencias
(tablas 9 y 10).
2.5 Elección de variables macroeconómicas
Después de no encontrar evidencias que expliquen la evolución de los precios de las accio-
nes mediante ratios tratamos de observar la correlación de estos con variables macroeconómi-
cas. En 2019 (Nti y cols., 2019) revela que las variables macroeconómicas como la única fuente
de datos para la predicción del mercado de valores no han recibido mucha atención.
Los estudios de Kirui, Wawire, y Onono (2014) revelaron que la tasa de cambio mostró una
relación significativa con devoluciones de acciones, mientras que el producto interno bruto, la
inflación y la tasa de la cuenta del Tesoro indicaron relaciones insignificantes. También Kwofie
y Ansah (2018) y Tsaurai (2018) vieron una relación significativa a largo plazo del rendimiento
del mercado con la inflación y la tasa de cambio.
Con la no significatividad del PIB coinciden con Fraire y cols. (2017), cuyo trabajo amplían
modelos ya existentes mediante cuatro variables principales utilizadas en la literatura macro-
económica:
Raul Barberá Beltrán 100
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 91–113
Ratio Años significativos
Variación del PVC 11 años
Variación de la RD 4 años
Variación de Mas. Activ 3 años
Variación del EBITD 3 años
Variación del Valor Contable 3 años
Variación del Apalancamiento Financiero 2 años
Variación de la Rentabilidad Financiera 2 años
Variación del PER 2 años
Variación del Ratio de Solvencia 1 año
Variación del BPA 1 año
Variación del Pay Out 1 año
Variación del Cash Flow 1 año
Variación del ROE I 1 año
Tabla 8. Años de significatividad de las correlaciones entre precios de cierre y ratios financieros en
porcentajes
Ratio Años significativos
Variación del PVC 9 años
Variación del PVC 9 años
Variación del PER 6 años
Variación del ROE II 3 años
Variación del BPA 2 años
Variación del Apalancamiento Financiero 2 años
Variación del EBITD 2 años
Variación del EBITDA 2 años
Variación de la Rentabilidad Financiera 2 años
Variación del ROE I 1 año
Variación de la RD 1 año
Variación del ROA 1 año
Tabla 9. Años de significatividad de las correlaciones entre precios de cierre y ratios financieros con
retardos en términos absolutos
Raul Barberá Beltrán 101
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 91–113
Ratio Años significativos
Variación del Valor Contable 5 años
Variación de la RD 3 años
Variación del Apalancamiento Financiero 2 años
Variación de la Rentabilidad Financiera 2 años
Variación del PVC 2 años
Variación del ROE II 2 años
Variación de Masas de Activo 1 año
Variación del Ratio de Solvencia 1 año
Variación del EBITDA 1 año
Variación del PER 1 año
Tabla 10. Años de significatividad de las correlaciones entre precios de cierre y ratios financieros con
retardos en porcentajes
Variable Estudios
IPC Fraire y cols. (2017)
PIB Fraire y cols. (2017); Prempeh y cols. (2016)
Rendimiento del petróleo
Fraire y cols. (2017); Gay (2016)
Tasa de cambio
Gay (2016); Kirui y cols. (2014); Kwofie y Ansah (2018); Tsaurai
(2018)
Tasa de inflación Kwofie y Ansah (2018); Prempeh y cols. (2016); Tsaurai (2018)
Tabla 11. Estudios en los que se emplean variables macroeconómicas
Índice de precios del consumo (IPC)
Rendimiento del petróleo
Producto interior bruto (PIB)
Rendimiento del CETE (principal instrumento libre de riesgo en México)
Gay (2016) investiga la relación de series de tiempo entre los precios del índice del mercado
de valores y las variables macroeconómicas del tipo de cambio y el precio del petróleo para
Brasil, Rusia, India y China, aunque no se encontró una relación significativa entre el tipo de
cambio respectivo y el precio del petróleo en los precios del índice bursátil. Prempeh y cols.
(2016) utiliza la prueba de causalidad de Granger para determinar el vínculo causal entre los
precios de las acciones y las variables macroeconómicas en Ghana demostrando que existe
una causalidad unidireccional que se extiende desde el Producto Interior Bruto Real hasta el
precio de las acciones (tabla 11).
En esta parte del estudio se seleccionaron series formadas por 12 variables macroeconómi-
cas a lo largo de los años 2001-2016. Con estas series obtuvimos las correlaciones bivariadas de
cada variable con el precio de cierre de las 87 empresas que componen el estudio.
Las series formadas por las variables macroeconómicas y el precio de cierre anual llegaron
a mostrar una correlación significativa en el 36,78 % en el mejor de los casos (tabla 12).
Por otra parte, la única variable que muestra una correlación significativa (0,544) con el
índice Ibex35 es el PIB Per Capita.
Raul Barberá Beltrán 102
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 91–113
Variable Veces Significativa
PIB 36,78 %
IPV 35,63 %
Déficit en millones de euros 35,63 %
PIB per Capita 34,48 %
Deuda en millones de euros 34,48 %
Deuda per Capita 33,33 %
Gasto público en millones de euros 27,59 %
Crudo 27,59 %
Tasa de actividad 26,44 %
Deuda sobre PIB 26,44 %
PIB Variación Volumen 19,54 %
Tasa de Paro 18,39 %
IPC 16,09 %
Tabla 12.
Porcentaje de años en los que se observa una correlación significativa con los precios de cierre
2.6 Previsión de los dividendos
El primer paso del modelo que pretendemos construir se basa en una selección de posibles
empresas basada en la rentabilidad por dividendos que se obtendrán en un futuro próximos.
Zahedi y Rounaghi (2015) ya afirmaron en su estudio que predecir el precio de las acciones
basándose en series temporales de variables relevantes y patrones de comportamiento puede
determinar la eficiencia de la predicción.
Las estrategias que invierte en empresas que tienen altas relaciones de ganancias brutas a
activos y alto rendimiento de dividendos históricamente han superado los índicesdel mercado y
han demostrado una buena protección contra el riesgo a la baja en los malos tiempos (períodos
de exceso de rentabilidad negativa del mercado), según afirma Fong (2015).
Para obtener este dato se han testeado 4 métodos de previsión. Según Nti y cols. (2019)
cada modelo de predicción necesita evaluación para determinar la precisión del modelo. Un
método muy empleado en la literatura el error cuadrático medio (RMSE), que se define en Dash,
Dash, y Bisoi (2014) como sigue:
R M S E =
s
Í
n
i =1
(t
i
y
i
)
2
)
n
(6)
Este índice de rendimiento mostrará una estimación del residual entre el valor real
t
i
y el
valor predicho
y
i
donde
y
i
es el valor predicho producido por el modelo,
t
i
es el valor real y
n=número total de datos de prueba.
Hemos analizado el error que producen al compararlos con las series de dividendos de
nuestra base de datos.
Tanto si hablamos de error medio como de error total, el Suavizado Exponencial es el que
ofrece mejores resultados (tabla 13). No obstante, al comparar las series de precios con las
de previsiones solo pudimos hallar una correlación significativa en tres años, cuatro cuando
repetimos el estudio con retardos.
Raul Barberá Beltrán 103
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 91–113
Método Error total Error medio
Suavizado Exponencial 287058912,77 3299527,73
Medias Móviles (A3) 377882282,02 4343474,51
Medias Móviles (A2) 430642004,12 4949908,09
Medias Móviles Ponderadas 434047941,53 4989056,80
Tabla 13. Errores en los métodos de previsión
ROA BPA ROE EBITDA
Correlación Close X X
Correlación Close M. Única X
Correlación Close Retardos X X
Correlación Valor de Mercado X X
Q de Tobin X
Tabla 14. Ratios más significativos en cada estudio
2.7 Diseño del sistema de inversión
Los resultados de los análisis realizados hasta ahora serán empleados para la elaboración
de un sistema de inversión profesional basado en indicadores fundamentales. A la hora de
decidir dónde invertir y en qué medida contamos inicialmente por el abanico de opciones que
nos ofrece la muestra de 98 empresas de las que disponemos. A partir de aquí, nuestro sistema
debe responder a dos preguntas:
1. ¿Qué compañías escoger?
2.
¿Qué porcentaje del monto disponible destinamos a cada una de las compañías escogidas?
Con los resultados de los análisis realizados pondremos a prueba un modelo matemático
inicial tras realizar un primer filtro entre el conjunto de valores que componen el mercado
continuo.
Este filtro se basa en escoger aquellos ratios financieros que más correlación han mostrado
con las cotizaciones históricas. De este modo pretendemos reducir el riesgo de nuestra futura
inversión escogiendo únicamente empresas que muestren signos de solidez y crecimiento.
Aunque los análisis de correlaciones no mostraron señales de significaciones en exceso,
que hubo cuatro ratios que repitieron protagonismo a lo largo de todos los estudios.
A partir de aquí realizaremos el cálculo de las variaciones de estos cuatro ratios año a año,
quedándonos solo con las empresas que hayan mostrado una evolución positiva.
Se realizará una sola inversión a principios de cada año. Para responder a estas preguntas
pasaremos por 4 fases:
1.
En enero del año n, se seleccionarán todas las empresas que hayan incrementado el valor
de los 4 ratios mencionados entre el 31 de diciembre del año n-2 y el 31 de diciembre del
año n-1. Todas las demás quedaran descartadas.
2.
A las empresas que hayan superado la fase 1 se les realizara una previsión de dividendos para
el ejercicio n en base a las series históricas de dividendos mediante el método del suavizado
exponencial.
3.
Mediante un modelo matemático diseñado para optimizar la rentabilidad por dividendo
obtenido durante en ejercicio n, realizaremos el reparto de nuestro capital. Este modelo se
Raul Barberá Beltrán 104
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 91–113
basaen maximizarla rentabilidadpor dividendo previstomanteniendo restringidosel capital
máximo a invertir tanto en total como por empresa y la rentabilidad mínima aceptable para
realizar nuestra inversión.
4.
Un año después repetiremos las tres primeras fases con la misma cantidad pero reduciendo
el porcentaje máximo por empresa, manteniendo de este modo el riesgo bajo control.
El número de acciones a comprar de cada una de estas empresas formaran el conjunto
de variables de nuestro modelo. Las restricciones mantendrán la diversificación bajo control
permitiéndonos así reducir el riesgo. Por otra parte, dentro de la seguridad que nos ha dado el
filtro por variables fundamentales, el modelo maximizara la rentabilidad por dividendo que
obtendremos durante el periodo que mantengamos la inversión. Esto también disminuye el
riesgo, ya que las empresas que pagan dividendos superan a los que no pagan dividendos en
mercados en declive, tal y como demuestran Fuller y Goldstein (2011).
M ax
n
Õ
i =1
d
i
x
i
s. a.
n
Õ
i =1
p
i
x
i
C
n
Õ
i =1
p
i
x
i
+ a
i
λ
n
Õ
i =1
a
i
+
n
Õ
i =1
p
i
x
i
!
Í
n
i =1
d
i
x
i
C
B
x
i
Ú
+
(7)
donde [1 i n tenemos:
x
i
: Número de acciones de la empresa i .
d
i
: Dividendos previstos de la empresa i para el año siguiente.
C : Capital disponible para esta operación.
a
i
: Cantidad en euros que ya teníamos invertida en la empresa i .
p
i
: Precio por acción de la empresa i en el momento de la inversión.
λ: Porcentaje máximo admisible a invertir en una única empresa.
B: Beneficio mínimo exigible.
Cartera obtenida tras aplicar el modelo
Nuestro estudio se inicia en el año 2001. Toda la información que tenemos es información
de cierre de año. A pues, no podemos tomar decisiones de entrada hasta que finaliza el año
2002.
Lo que necesitamos es saber que empresas mostraron una mejora de los cuatro ratios desde
el inicio del ejercicio 2001 hasta el inicio del ejercicio 2002. Si alguna de las 4 variaciones es
negativa, la empresa queda descartada. El primer filtro lo superan 17 empresas.
Programamos el modelo y simulamos una inversión de 1000 euros. Como restricciones
se establece que la inversión en una misma empresa no pueda exceder el 60 % del capital y
que no se considere ninguna combinación que, en base a las previsiones calculadas en la fase
anterior, devuelva una rentabilidad por dividendo inferior al 5 % durante el siguiente ejercicio.
Raul Barberá Beltrán 105
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 91–113
Empresa Número acciones Porcentaje en cartera
ACX.MC 2 1 %
PSG.MC 882 60 %
ZOT.MC 133 39 %
Tabla 15. Cartera obtenida tras la primera simulación
El programa nos devuelve la solución de la tabla 15.
El capital invertido seria 999,66 euros, lo que según nuestras previsiones devolvería durante
el siguiente año un beneficio de 266,34 euros, es decir, un 26,64 % de la inversión solamente el
dividendos.
Todo el proceso se repetirá año a año. Se irá reduciendo manualmente el porcentaje máximo
admisible para reducir el riesgo asumido por el inversor mediante una adecuada diversificación
de activos.
Análisis de las rentabilidades obtenidas
Desde diciembre de 2016 a diciembre de 2017 únicamente cuatro empresas experimenta-
ron un crecimiento de los cuatro ratios principales al mismo tiempo. Según las previsiones
obtenidas de las series históricas con el suavizado exponencial, ninguna de ellas ofrecía una
rentabilidad por dividendo superior al 5 %. A pues, el modelo no devolvió ninguna solución
que cumpliese nuestras restricciones.
Después de elaborar la cartera calculamos la rentabilidad obtenida con los años. Este
punto es complicado debido a que se han ido realizando aportaciones periódicas. Además es
importante tener en cuenta que, el Visual Chart nos ofrece los gráficos del mercado de acciones
Españolas Madrid SE solo con los ajustes aplicados. A diferencia del resto de mercados de
acciones que puedes elegir verlos con o sin ajustes. Por eso no se aprecia en ninguna tabla ni
grafico los dividendos cobrados durante la tenencia de acciones.
Hemos revisado la bibliografía existente y existen varias formas de evaluar dicha rentabili-
dad. Cada una de ellas enfocada desde diferentes puntos de vista.
Para comprobar la rentabilidad obtenida nos valdremos de la tasa interna de retorno o TIR.
La TIR es un criterio de decisión muy utilizado para evaluar la viabilidad de los proyectos de
inversión. Según su criterio, se deben rechazar aquellas inversiones que tengan una TIR inferior
a la tasa de mercado, a la tasa mínima exigible o al coste de capital, escogiéndose entra las
restantes la que tenga una TIR superior.
T I R =
n
Õ
T =0
F
n
(1 + i )
n
(8)
donde:
F
n
: flujo de caja en el periodo n.
n: número de períodos.
i : interés.
En este caso, valiéndonos de la función TIR de Excel, obtenemos una tasa interna de retorno
del 3,39 %.
Como podemos ver esta rentabilidad no es por encima de cualquier producto financiero
de renta fija. No obstante, podremos comprobar a continuación que que lo ha estado durante
Raul Barberá Beltrán 106
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 91–113
3 años 5 años 10 años Periodo total
Cartera 32,77 % 41,40 % 2,44 % 3,39 %
Ibex 35 19,50 % 18,29 % 4,34 % -1,87 %
Ibex TR 23,30 % 22,26 % 1,02 % 5,23 %
Tabla 16. TIR desde el año 2002
Figura 1. TIR desde el año 2002
ciertos periodos de la inversión. Para mejorar la rentabilidad y mantener el riesgo bajo control
deberíamos continuar el estudio tratando de seleccionar el mejor momento de entrada y
situando stops mediante indicadores técnicos.
Por otra parte, para poder comparar esta rentabilidad con un Benchmark debemos estudiar
su evolución año a año. En este caso los Benchmark escogidos son el índice Ibex 35 y el Ibex
Total Return.
Fernández, Carabias, y de Miguel (2007) estudiaron la rentabilidad promedio de los fondos
de inversión en España entre los años 1991 y 2009. Para ello Comparaba las rentabilidades
medias anuales entre los fondos seleccionados y sus Benchmark con periodos 3, 5 y 10 años.
Siguiendo el mismo patrón, recopilamos toda la información disponible en la tabla 16.
En el tramo inicial la trayectoria es muy parecida (Figura 1), aunque la rentabilidad de
nuestra cartera siempre se mantiene por encima, a excepción del periodo total, donde el Ibex
TR supera la TIR de la cartera en casi dos puntos porcentuales.
Todas las barras experimentan un gran descenso en el inicio de la crisis con una posterior
recuperación.
Además nuestra cartera en ningún momento muestra rentabilidades negativas. La renta-
bilidad obtenida podría haber sido muy superior a la del mercado si se hubiese escogido un
momento de salida adecuado.
Si estudiamos la rentabilidad con periodos de la misma amplitud de forma inversa vemos
Raul Barberá Beltrán 107
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 91–113
2015 - 2018 2013 - 2018 2008 - 2018 2002 - 2018
Cartera -56,63 % -10,79 % -1,76 % 3,39 %
Ibex 35 -6,02 % -4,62 % -2,29 % -1,87 %
Ibex TR 7,66 % 5,83 % 5,95 % 5,23 %
Tabla 17. TIR hasta el 31 de Diciembre de 2018
Figura 2. TIR hasta el 31 de Diciembre de 2018
que los beneficios siguen mostrando debilidad en el corto plazo y tomando fuerza en el largo
plazo.
Esto vuelve a poner sobre la mesa la idea de que el crecimiento de la empresa mostrado
por los indicadores fundamentales tiene una relación directa con respecto a la cotización.
Lamentablemente el estudio de las correlaciones no apoyó esta hipótesis en los niveles que
hubiésemos necesitado.
TIR año a año
Esta evolución la podemos apreciar más claramente estudiando a evolución de la cartera y
ambos índices mediante la TIR acumulada año a año (tabla 18). Para ello hacemos el cálculo
teniendo en cuenta todas las inversiones realizadas hasta el momento de salida, considerando
como momento de salida todos y cada uno de los años del periodo total.
A excepción del año 2007, el Ibex 35 siempre queda por debajo (figura 3). En general los
sistemas de inversión en valor baten al índice de referencia manteniendo las inversiones a muy
largo plazo. Si mostramos los resultados mediante ventanas de cortos periodos, nuestra cartera
sale claramente perjudicada. Esto mantiene sobre la mesa el argumento de que este sistema
de inversión puede optimizarse replanteando el momento de entrada y salida.
Raul Barberá Beltrán 108
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 91–113
Año de salida Cartera Ibex 35 Ibex TR
2003 29,49 % 28,17 % 32,19 %
2004 24,95 % 20,83 % 24,65 %
2005 32,77 % 19,50 % 23,30 %
2006 28,93 % 24,25 % 28,22 %
2007 15,03 % 18,29 % 22,26 %
2008 -0,77 % -4,41 % -0,86 %
2009 6,10 % 4,11 % 8,72 %
2010 4,66 % -1,56 % 3,08 %
2011 0,32 % -4,26 % 0,59 %
2012 2,36 % -4,34 % 1,02 %
2013 7,18 % -0,24 % 5,23 %
2014 5,17 % 0,36 % 5,74 %
2015 5,22 % 0,77 % 4,34 %
2016 5,85 % -0,94 % 4,10 %
2017 6,83 % 0,08 % 4,98 %
2018 3,39 % -1,87 % 5,23 %
Tabla 18. TIR año a año
Figura 3. TIR acumulada año a año
Raul Barberá Beltrán 109
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 91–113
3 Conclusiones
En este trabajo se ha analizado la correlación entre determinadas variables económicas y
financieras y la evolución de la cotización bursátil en las empresas españolas.
Se ha podido concluirque los precios de cierre anuales de las accionesdel mercadocontinuo
español no están correlacionados con las variables contables empleadas habitualmente en el
cálculo de la performance empresarial. Tampoco lo están con los ratios financieros habituales
ni con la evolución de variables macroeconómicas.
Porlo tanto, un inversor no debería utilizar la evolución de una variable contableo financiera
como argumento para la toma de decisiones de inversión en el corto y medio plazo.
Sin embargo, en este trabajo hay cuatro ratios financieros que, a pesar de no llegar al nivel
de significación que se esperaba, destacan sobre los demás en cuanto a años es los que están
correlacionados con el precio de las acciones.
Esta información puede ser empleada para diseñar sistemas de inversión a largo plazo
en los que se descarten aquellas empresas que no muestren una evolución positiva de los
cuatro ratios simultáneamente, lo que descartaría un posible crecimiento de la empresa en los
ejercicios posteriores.
El sistema se complementa empleando modelos que seleccionen aquellas empresas en las
que se prevé una mayor rentabilidad por dividendos. De esta manera se ofrece a los inversores
que adopten el método de comprar y mantener un flujo de efectivo a largo plazo. Por otro lado,
se espera que de esta manera se reduzca el riesgo por haber invertido en empresas que se
encuentran en fase de crecimiento.
Testeando el método desde el año 2002 hasta el año 2018, este sistema bate al Ibex 35 en la
mayoría de periodos estudiados, pero no al Ibex TR. La cartera propuesta sale perjudicada en
periodos bajistas y beneficiada en periodos alcistas. Ambos índices obtienen mejores resul-
tados que nuestra cartera en los últimos años del periodo estudiado a causa de que algunas
empresas incluidas en la cartera sufrieron fuertes caídas algunos años después de haber sido
seleccionadas. Esto no implica que la decisión no fuera acertada en su momento, pues su
situación financiera apoyaba la decisión. No obstante no se tuvo en cuenta de dicha situación
cambios en los años posteriores.
Así pues, concluimos que el sistema debe ser mejorado estableciendo un criterio de salida
de las empresas en cartera y repasando su situación financiera, no solo para decidir si ampliar
posiciones, sino para considerar cuándo ha llegado el momento de cerrar posiciones.
Referencias
Ali, S. S., Mubeen, M., y Hussain, A. (2018). Prediction of stock performance by using logistic re-
gression model: evidence from Pakistan stock exchange (PSX). En Patron of the conference
(Vol. 15).
Amini, A., Rahnama, G., y Alinezhad, A. (2015). Ranking and managing stock in the stock market
using fundamental and technical analyses. Journal of Modern Processes in Manufacturing
and Production, 4(3), 45–57.
Anbalagan, T., y Maheswari, S. U. (2015). Classification and prediction of stock mar-
ket index based on fuzzy metagraph. Procedia Computer Science, 47, 214–221. doi:
https://doi.org/10.1016/j.procs.2015.03.200
Arévalo, R., García, J., Guijarro, F., y Peris, A. (2017). A dynamic trading rule based on filtered flag
pattern recognition for stock market price forecasting. Expert Systems with Applications,
81, 177–192. doi: https://doi.org/10.1016/j.eswa.2017.03.028
Raul Barberá Beltrán 110
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 91–113
Arribas, I., Espinós-Vañó, M., García, F., y Morales-Bañuelos, P. (2019). The inclusion of socially
irresponsible companies in sustainable stock indices. Sustainability, 11(7), 2047. doi:
https://doi.org/10.3390/su11072047
Baetje, F., y Menkho, L. (2016). Equity premium prediction: Are economic and techni-
cal indicators unstable? International Journal of Forecasting, 32(4), 1193–1207. doi:
https://doi.org/10.1016/j.ijforecast.2016.02.006
Ballings, M., den Poel, D. V., Hespeels, N., y Gryp, R. (2015). Evaluating multiple classifiers for
stock price direction prediction. Expert Systems with Applications, 42(20), 7046–7056. doi:
https://doi.org/10.1016/j.eswa.2015.05.013
Boz, G., Plans, C. M., Guerrero, N. O., y Jiménez, D. P. (2015). ¿Influyen las normas internacionales
de información financiera en el riesgo de las acciones? Contaduría y Administración, 60(3),
556–577. doi: https://doi.org/10.1016/j.cya.2015.05.010
Castro, J. A. M. (2016). Factores que influyen en las acciones sustentables de la bolsa mexicana
de valores. Escritos Contables y de Administración, 7(1), 15–47.
Cervelló-Royo, R., Guijarro, F., y Michniuk, K. (2015). Stock market trading rule
based on pattern recognition and technical analysis: Forecasting the DJIA index
with intraday data. Expert Systems with Applications, 42(14), 5963–5975. doi:
https://doi.org/10.1016/j.eswa.2015.03.017
Cuta Durán, C. (2017). Identificación de señales en los precios de las acciones del mercado
colombano, con el uso de medias móviles y osciladores. Finance, Markets and Valuation,
3(1), 49–82.
Dash, R., Dash, P., y Bisoi, R. (2014). A self adaptive dierential harmony search based optimized
extreme learning machine for financial time series prediction. Swarm and Evolutionary
Computation, 19, 25–42. doi: https://doi.org/10.1016/j.swevo.2014.07.003
de Oliveira, F. A., Nobre, C. N., y Zárate, L. E. (2013). Applying artificial neural networks to
prediction of stock price and improvement of the directional prediction index case
study of PETR4, Petrobras, Brazil. Expert Systems with Applications, 40(18), 7596–7606.
doi: https://doi.org/10.1016/j.eswa.2013.06.071
Dincer, H., Hacioglu, U., Tatoglu, E., y Delen, D. (2016). A fuzzy-hybrid analytic model to assess
investors
'
perceptions for industry selection. Decision Support Systems, 86, 24–34. doi:
https://doi.org/10.1016/j.dss.2016.03.005
Eiamkanitchat, N., Moontuy, T., y Ramingwong, S. (2016). Fundamental analysis and technical
analysis integrated system for stock filtration. Cluster Computing, 20(1), 883–894. doi:
https://doi.org/10.1007/s10586-016-0694-2
Elze, G. (2010). Value investing anomalies in the european stock market: Multiple value,
consistent earner, and recognized value. The Quarterly Review of Economics and Finance,
50(4), 527–537. doi: https://doi.org/10.1016/j.qref.2010.06.005
Erkan, A., Fainshmidt, S., y Judge, W. Q. (2016). Variance decomposition of the country, industry,
firm, and firm-year eects on dividend policy. International Business Review, 25(6), 1309–
1320. doi: https://doi.org/10.1016/j.ibusrev.2016.04.003
Fama, E. F. (1995). Random walks in stock market prices. Financial analysts journal, 51(1), 75–80.
Fernández, P., Carabias, J. M., y de Miguel, L. (2007). Rentabilidad de los fondos de inversión en
España. 1991-2006..
Fong, W. M. (2015). A profitable dividend yield strategy for retirement portfolios. The Journal of
Retirement, 3(3), 51–61. doi: https://doi.org/10.3905/jor.2016.3.3.051
Fraire, L. A., Valdés, A. L., y Vázquez, R. D. (2017). Influencia macroeconómica y contable en los
Raul Barberá Beltrán 111
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 91–113
rendimientos accionarios en México. Panorama Económico, 5(10), 18. doi: 10.29201/pe-
ipn.v5i10.81
Fuller, K. P., y Goldstein, M. A. (2011). Do dividends matter more in declining markets? Journal
of Corporate Finance, 17(3), 457–473. doi: https://doi.org/10.1016/j.jcorpfin.2011.01.001
García, González-Bueno, Oliver, y Riley. (2019). Selecting socially responsible
portfolios: A fuzzy multicriteria approach. Sustainability, 11(9), 2496. doi:
https://doi.org/10.3390/su11092496
García, F., Guijarro, F., y Moya, I. (2011). The curvature of the tracking frontier: A new criterion
for the partial index tracking problem. Mathematical and Computer Modelling, 54(7-8),
1781–1784. doi: https://doi.org/10.1016/j.mcm.2011.02.015
García, F., Guijarro, F., y Moya, I. (2013). A multiobjective model for passive portfolio ma-
nagement: An application on the S&P 100 index. Journal of Business Economics and
Management, 14(4), 758–775.
García,F., Guijarro, F., Oliver, J.,y Tamoši
¯
unien
˙
e, R. (2018). Hybrid fuzzy neuralnetwork to predict
price direction in the German DAX-30 index. Technological and Economic Development of
Economy, 24(6), 2161–2178. doi: https://doi.org/10.3846/tede.2018.6394
García, F., y Moya, I. M. (2009). Efecto de las niif en el valor bursátil de las empresas españolas.
Investigaciones europeas de Dirección y Economía de la empresa, 15(1), 61–79.
Gay, R. D. (2016). Eect of macroeconomic variables on stock market returns for four emerging
economies: Brazil, Russia, India, and China. International Business & Economics Research
Journal (IBER), 15(3), 119–126. doi: https://doi.org/10.19030/iber.v15i3.9676
Hackethal, A., Haliassos, M., y Jappelli, T. (2012). Financial advisors: A ca-
se of babysitters? Journal of Banking & Finance, 36(2), 509–524. doi:
https://doi.org/10.1016/j.jbankfin.2011.08.008
Huang, W., y Paul, D. L. (2017). Institutional holdings, investment opportunities and di-
vidend policy. The Quarterly Review of Economics and Finance, 64, 152–161. doi:
https://doi.org/10.1016/j.qref.2016.06.008
Kim, Y., y Enke, D. (2016). Developing a rule change trading system for the futures mar-
ket using rough set analysis. Expert Systems with Applications, 59, 165–173. doi:
https://doi.org/10.1016/j.eswa.2016.04.031
Kirui, E., Wawire, N. H. W., y Onono, P. O. (2014). Macroeconomic variables, volatility and stock
market returns: A case of nairobi securities exchange, kenya. International Journal of
Economics and Finance, 6(8). doi: https://doi.org/10.5539/ijef.v6n8p214
Kwofie, C., y Ansah, R. K. (2018). A study of the eect of inflation and exchange rate on stock
market returns in ghana. International Journal of Mathematics and Mathematical Sciences,
2018, 1–8. doi: https://doi.org/10.1155/2018/7016792
Lewellen, J. (2004). Predicting returns with financial ratios. Journal of Financial Economics,
74(2), 209–235. doi: https://doi.org/10.1016/j.jfineco.2002.11.002
Liu, J. (2019). Stock selection by using fundamental analysis and technical analysis.
Magallón, I. U., y Ciancas, G. Z. (2010). Estrategias stock picking. Bolsa: revista mensual de
bolsas y mercados españoles(185), 56–63.
Mallorquí, M. V. R., Martín, D. J. S., Díaz, I. A., y Díaz, N. L. D. (2008). Propiedad institucional y
dividendos. Revista europea de dirección y economía de la empresa, 17(3), 93–110.
Meriç, E., Kamışlı, M., y Temizel, F. (2017). Interactions among stock price and financial ra-
tios: The case of turkish banking sector. Applied Economics and Finance, 4(6), 107. doi:
https://doi.org/10.11114/aef.v4i6.2755
Raul Barberá Beltrán 112
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 91–113
Murphy, J. J. (2000). Análisis técnico de los mercados financieros.
Musto, C., Semeraro, G., de Gemmis, M., y Lops, P. (2015). A framework for personalized wealth
management exploiting case-based recommender systems. Intelligenza Artificiale, 9(1),
89–103. doi: https://doi.org/10.3233/IA-150079
Nti, I. K., Adekoya, A. F., y Weyori, B. A. (2019). A systematic review of fundamental and technical
analysis of stock market predictions. Artificial Intelligence Review, 53(4), 3007–3057. doi:
https://doi.org/10.1007/s10462-019-09754-z
Pražák, T., y Stavarek, D. (2017). The eect of financial ratios on the stock price development (Inf.
Téc.). Silesian University, School of Business Administration.
Prempeh, K. B., y cols. (2016). Macroeconomic variables and stock price volatility in Ghana (Inf.
Téc.). University Library of Munich, Germany.
Rodríguez-Masero, N., y Gómez-Simón, A. (2016). Utilización de indicadores para la predicción
de insolvencia: el caso de Abengoa. Revista de Contabilidad y Dirección, 23, 179–195.
Silva, A., Neves, R., y Horta, N. (2015). A hybrid approach to portfolio composition based on
fundamental and technical indicators. Expert Systems with Applications, 42(4), 2036–2048.
doi: https://doi.org/10.1016/j.eswa.2014.09.050
Tsaurai, K. (2018). What are the determinants of stock market development in emerging
markets? Academy of Accounting and Financial Studies Journal, 22(2), 1ae.
Venezia, I., Nashikkar, A., y Shapira, Z. (2011). Firm specific and macro herding by professional
and amateur investors and their eects on market volatility. Journal of Banking & Finance,
35(7), 1599–1609. doi: https://doi.org/10.1016/j.jbankfin.2010.11.015
Wang, X., García, F., Guijarro, F., y Moya, I. (2011). Evaluating patent portfolios by means of mul-
ticriteria analysis. Revista de Contabilidad, 14(1), 9–27. doi: https://doi.org/10.1016/s1138-
4891(11)70020-6
Yalçın, K. C. (2010). Market rationality: Eicient market hypothesis versus market anomalies.
European Journal of Economic and Political Studies, 3(2), 23–38.
Zahedi, J., y Rounaghi, M. M. (2015). Application of artificial neural network models
and principal component analysis method in predicting stock prices on tehran stock
exchange. Physica A: Statistical Mechanics and its Applications, 438, 178–187. doi:
https://doi.org/10.1016/j.physa.2015.06.033
Raul Barberá Beltrán 113