¿Se pueden replicar las rentabilidades de los multifondos de las AFP con fondos mutuos locales?

¿Se pueden replicar las rentabilidades de los multifondos?

Como todos sabemos, el actual sistema de multifondos ya tiene fecha de vencimiento debido a la entrada en vigencia de la reforma de pensiones, mediante la cual los fondos actuales serán reemplazados por fondos generacionales. Es decir, le diremos adiós al actual sistema el 1 de abril de 2027.

Dado lo anterior, varios quedarán “huerfanos” de este sistema y probablemente les gustaría seguir con sus inversiones en este tipo de fondos puesto que estos fondos no cambian su asset allocation como sí lo harán los fondos generacionales, los cuales evolucionan en el tiempo, con el objetivo de reducir el riesgo. Es por eso que quisimos analizar si es posible replicar los multifondos con fondos mutuos de la plaza, considerando que actualmente existe un número nada despreciable de partícipes que invierten en APV en las AFP. Como dato, a agosto de 2026 existen 221,443 cuentas individuales de cotización voluntaria en las AFP, mientras que el 18% de los partícipes de la industria de fondos mutuos mantiene inversiones en APV, alcanzando 722.851 partícipes al cierre de agosto de 2026.

Si esto fuera posible, el inversionista reatail podrá continuar obteniendo rentabilidades similares a las que ofrecía el antiguo sistema, sin que cambie el riesgo de su inversión. Por el contrario, si no somos capaces de replicar adecuadamente la rentabilidad de los multifondos utilizando fondos mutuos locales, existiría evidencia de que estos fondos proporcionaban exposiciones o combinaciones de activos que no estaban disponibles, o que eran más complejas de alcanzar para un inversionista retail. En este caso, habría evidencia de que los multifondos cumplían un rol complementario dentro del sistema de inversiones locales, en particular para quienes utilizaban el APV, y que su desaparición podría representar una pérdida para estos inversionistas.

“A propósito, este post no pretende entregar recomendaciones de inversión, sino abrir un espacio para la discusión y el análisis.”

En simple, aplicamos un machine learning supervisado para detectar una combinación de fondos mutuos que puedan replicar la rentabilidad de los multifondos A y E, y posteriormente, realizaremos una optimización para restringir los ponderadores para que sumen 100% y que no permita posiciones cortas (ponderadores negativos). Cabe destacar que el machine learning (ML) entrega betas que, por lo general, no suman y no tienen por qué sumar 100%, dado ello, es que aplicaremos optimización con restricciones.

Resultados estimaciones Fondo A:

Cartera de Fondos Mutuos que replica al Fondo A.

De acuerdo a los datos, ambas estimaciones dentro de la muestra exhiben un buen comportamiento, incluso con el ML con ponderación del 88%. En tanto, fuera de la muestra, la metodología de optimización exhibe un mejor performance. En este caso, con los valores de la optimización podríamos seguir, en parte, al fondo A, con una diferencia de 1.5% en un año, sin embargo, se nota que el Fondo A muestra un comportamiento que se distancia de la estimación (sesgo), por ende, para poder seguirlo, se debería realizar este ejercicio de manera continúa. 

Cabe destacar que probablemente la variable forward juega un rol fundamental en la estimación, puesto que podemos ver que se necesita un 88% del portafolio para seguir al fondo A en la data de entrenamiento, mientras que queda por debajo en la data evaluación, y eso se condice con el comportamiento del tipo de cambio.

Replicando Fondo A:

Estimación machine learning fuera de la muestra:

Fondo A versus Machine Learning (Esstimación Fuera de la Muestra).

Estimación machine learning en la muestra:

Fondo A versus Machine Learning (Estimación Dentro de la Muestra)

Estimación optimización fuera de la muestra:

Fondo A versus Optimización (Fuera de la Muestra).

Estimación optimización en la muestra:

Fondo A versus Optimización (Estimación Dentro de la Muestra)

Resultados estimaciones Fondo E:

Con respecto al fondo E, podemos decir que fue infructuoso, obtuvimos betas negativos en el machine learning, luego, al aplicar el modelo de optimización, el resultado fuera de muestra no sigue al fondo E. Podemos ver que para replicar al fondo E debemos pedir prestado cerca de un 42% — según resultados del machine learning — . Esto puede ser explicado por derivados que pueden incrementar artificialmente el duration de la cartera haciéndolo más sensible a los cambios de tasa, derivados de monedas, exposición a activos alternativos u otros que no están disponibles en los fondos mutuos locales.

Cartera de Fondos Mutuos que replica al Fondo E.

Fondo E versus Machine Learning (Estimación Fuera de la Muestra).

Fondo E versus Optimización (Estimación Fuera de la Muestra).

Conclusiones

De acuerdo con los resultados, no podemos replicar el sistema de multifondos con los fondos mutuos locales. Ello, bajo el supuesto de que los multifondos intermedios son una combinación lineal del fondo A y E. 

Si bien logramos un mejor ajuste en el fondo A, gran parte de la trayectoria del portafolio de fondos mutuos fuera de la muestra va por debajo o exhibe un sesgo respecto del fondo A (probablemente explicado por derivados de tipo de cambio), llegando con una diferencia cercana al 1.54% en un año. Por otro lado, cabe destacar que los fondos mutuos pertenecen a distintas AGF, lo cual también pone barreras a un inversionista retail poder llegar a todos ellos.

La replica del fondo E, en tanto, no estuvo ni cerca en el escenario fuera de la muestra. Este hallazgo sugiere que el fin del sistema de multifondos podría significar una pérdida desde el punto de vista del inversionista retail, de aquel que invierte en fondos mutuos, puesto que el sistema actual de AFP exhibe instrumentos que no están disponibles para un inversionista de esas características. 

Estaremos atento a los fondos generacionales.

Saludos

Equipo Principia...

Metodología:

Se extraen todos los fondos mutuos locales desde la CMF, los fondos mutuos en dólares son traspasados a pesos con el dólar observado y se considera el ajuste de dividendos de fondos que tienen estos eventos de capitales. En tanto, utilizaremos los fondos A y E de la AFP Habitat para ser replicados. Se considera un universo de fondos mutuos de 1,540 los cuales cumplen con tener data desde diciembre de 2021, considerando todas sus series disponibles. La data se divide en dos, desde diciembre de 2021 hasta agosto de 2025, y desde septiembre de 2025 hasta agosto de 2026. La primera es para entrenar los modelos y la segundo para medir su performance fuera de la muestra. Esto se aplica tanto para el machine learning así como para la optimización. Se toman rentabilidades mensuales, es decir, se considera un reporfoleo en igual lapso.

Posteriormente, se realiza un filtro de aquellos fondos que superan una correlación del 0.9, lo cual permite eliminar series de un mismo fondo. Adicionalmente, se eliminan fondos que no han presentado variación en su valor cuota o exhiben ventanas de tiempo sin variaciones, ello ocurre puesto que dicho fondo no tiene partícipes en ese lapso.

Entonces, con el machine learning supervisado (LASSO) seleccionamos los fondos mutuos que puedan replicar la rentabilidad y luego, con una optimización calculamos los ponderadores con restricciones tales como la sumatoria de los ponderadores debe ser igual a 100% y no deben existir posiciones cortas, se destaca que ninguno de los dos modelos considera intercepto.