El método

Una ineficiencia de mercado documentada durante 50 años.

Deriva post-resultados, modelada con la misma arquitectura de tres capas que construiría un fondo cuantitativo — y entregada lista para usar.

La deriva post-resultados, en lenguaje llano

Tras un anuncio de resultados, el precio tiende a seguir deslizándose en la dirección de la sorpresa — hasta 60 días después. La anomalía está documentada en cinco décadas de literatura académica y ha sobrevivido a cambios de índices, cambios de régimen y la llegada del trading algorítmico. El mecanismo es la sub-reacción: el mercado procesa el número del anuncio casi al instante, pero tarda semanas en incorporar todas sus implicaciones. Esa demora entre la información y su precio completo es el edge.

EarningSpy no predice la sorpresa — los beats, los misses, la brecha con el consenso. Lo que modelamos es la probabilidad de un retorno anormal ajustado por riesgo de mercado en los 60 días posteriores al anuncio, y su dirección. En el 82% de los casos históricos ese movimiento persiste.

Cubrimos el ciclo completo — pre y post anuncio. La señal pasa por inferencia en cascada mediante varios modelos, construidos con la meticulosidad de un fondo de cobertura. Lo que cambia es quién los usa.

Calidad

¿Vale la pena este earning?

Anomalía

¿Va a aparecer la deriva?

Dirección

¿Hacia dónde?

Calidad — ¿vale la pena este earning?

Métricas de riesgo ajustado, recalibradas a la ventana del earning — la misma recalibración que hacen las mesas event-driven, con PCA comprimiendo el resultado en una sola lectura de calidad.

Todo modelo de earnings empieza con un filtro: ¿Qué empresas vale la pena modelar en primer lugar? Las plataformas retail responden con métricas de catálogo — un Sharpe calculado sobre meses de retornos diarios, un Sortino construido sobre un universo genérico. Útiles, pero romas: Esos números describen el comportamiento pasado en general, no el comportamiento alrededor de un earning. Las mesas event-driven los recalculan sobre la ventana que importa; fuera de ellas, casi nadie lo hace.

La Capa 1 corre esa recalibración. Sortino, Calmar, Sharpe e Information Ratio se recalculan usando retornos observados en los días alrededor de earnings pasados — de modo que los números resultantes describen cómo se ha comportado una empresa durante el evento, no en un martes cualquiera.

Las cuatro métricas calibradas

Sortino sensible al downside
Calmar sensible al drawdown
Sharpe sensible a la volatilidad
Information Ratio sensible al benchmark

Cuatro métricas mirando la misma ventana es informativo pero ruidoso — comparten mucha señal y discrepan en los bordes. Para obtener una sola lectura limpia de calidad, la capa aplica un análisis de componentes principales (PCA). PCA — un caballo de batalla de las finanzas cuantitativas desde hace décadas — encuentra los ejes a lo largo de los cuales las cuatro métricas varían en común, y las comprime en componentes ortogonales. El componente principal captura la mayor parte de la señal compartida: Ese número es la lectura de calidad de la capa.

La salida de L1 no es una señal de compra/venta. Es un filtro — la misma clase de filtro de riesgo que un fondo aplica antes de que cualquier modelo a nivel de posición pueda operar.

Anomalía — ¿va a aparecer la deriva?

Un clasificador de machine learning predice la presencia de la deriva post-resultados, independientemente de su dirección — la primera etapa de una arquitectura de dos etapas usada en estrategias cuantitativas event-driven.

No todos los earnings producen deriva. Algunos anuncios los absorbe el mercado en horas; otros desencadenan una tendencia de varias semanas en la dirección de la sorpresa. Operar una deriva que nunca se materializa es la forma más común de perder dinero con esta anomalía — y la razón más común por la que fracasan las estrategias ingenuas de earnings.

La Capa 2 responde primero la pregunta binaria — ¿Va a aparecer la deriva, sí o no? — antes de considerar dirección alguna. Separar presencia de dirección es deliberado, y es práctica estándar en modelos cuantitativos de producción: Son señales distintas, con drivers distintos, y un modelo que intenta resolver ambas a la vez tiende a no hacer ninguna bien.

Un clasificador de machine learning — entrenado trimestre a trimestre sobre earnings históricos y sus derivas realizadas — devuelve una probabilidad de que la deriva aparezca en la ventana posterior al anuncio. La alta confianza es el paso a L3. Lo que se construyó y ajustó dentro de fondos event-driven durante años es lo que aquí corre, cada trimestre, aplicado al universo amplio.

Dirección — ¿hacia dónde?

Un segundo clasificador — entrenado por separado, aplicado solo donde L2 marcó deriva — predice el signo del movimiento.

La dirección es el problema más difícil. Una sorpresa positiva no garantiza una deriva al alza; un miss no garantiza una a la baja. Como la dirección depende de señales distintas que la presencia, recibe su propio modelo — de la misma familia que L2, pero entrenado sobre un objetivo distinto.

Cascade inference

L3 solo corre sobre los eventos que L2 marcó. Al filtrar los casos donde la deriva era poco probable de aparecer, el modelo de dirección se entrena y opera sobre una distribución más limpia — eventos donde algo real está sucediendo. El cascade inference es arquitectura estándar dentro de los pipelines de ML en producción en fondos cuantitativos; aplicado aquí al problema de earnings, es lo que eleva la precisión del segundo modelo.

La señal combinada — anomalía presente, con dirección asignada — es lo que las capas siguientes convierten en una operación.

Dos formas de usar el modelo

Hasta L2 — operar volatilidad

Para market-makers y mesas enfocadas en volatilidad que ya operan estructuras direccional-neutras alrededor de eventos: La lectura de anomalía es suficiente.

Hasta L3 — operar dirección

Para fondos direccionales y traders retail sofisticados: Las dos capas siguientes — gestión de riesgo y dimensionamiento — la convierten en una operación long o short accionable.

Dimensionamiento

¿Cuánto arriesgar?

El mismo dimensionamiento basado en Kelly que opera dentro de fondos cuantitativos — ahora conectado a la salida del modelo.

Dentro de los fondos cuantitativos, el dimensionamiento de posición no es una decisión discrecional. Corre sobre el criterio de Kelly — una fórmula que traduce una probabilidad de ganar y un ratio de payoff en el tamaño de apuesta que maximiza el crecimiento a largo plazo. La matemática está en el playbook de los allocators profesionales desde hace décadas. Lo que ha faltado para todos los demás es el resto del stack: Un modelo lo bastante preciso para alimentarla, y la infraestructura que conecta los dos.

EarningSpy cierra esa brecha. La probabilidad direccional y la relación riesgo/beneficio esperada de las capas previas alimentan directamente la fórmula. Mayor confianza con un payoff asimétrico justifica una posición mayor; menor confianza reduce el tamaño. El dimensionamiento se vuelve consecuencia del modelo, no una decisión aparte.

Por qué Kelly fraccional

Kelly puro es matemáticamente óptimo pero prácticamente brutal — sus drawdowns son mayores que los que cualquier operador real quiere atravesar. Los mismos fondos que pionearon Kelly casi nunca lo corren a tamaño pleno. Nosotros tampoco: EarningSpy aplica un Kelly fraccional, típicamente por debajo de la mitad, que cambia un poco de crecimiento teórico por drawdowns materialmente menores. Lo bastante agresivo para componer, lo bastante conservador para sobrevivir.

Para un trader retail sofisticado, eso significa acceso a la misma disciplina de risk-of-ruin que asigna capital en un fondo cuantitativo. Para un fondo más pequeño, significa una capa de dimensionamiento que de otro modo requeriría un equipo de quants dedicado para construirla. El arsenal es el mismo; lo que cambia es quién lo usa.

Dónde

La anomalía no vive en todas partes.

El PEAD se concentra en sectores y clusters específicos — y el modelo te dice cuáles, trimestre a trimestre.

Cinco décadas de literatura académica han documentado lo mismo: La deriva post-resultados es desigual a lo largo del mercado. Es más fuerte en algunos sectores que en otros, más pronunciada en empresas de cierto tamaño y cobertura de analistas, más pronunciada aún en clusters de empresas que comparten exposiciones a factores. Un modelo que ignora dónde vive la anomalía pasa la mayor parte del tiempo buscando en los lugares equivocados.

EarningSpy mapea el universo en esos clusters y rastrea dónde la anomalía está activa actualmente. El resultado es una watchlist curada — no el mercado entero, sino el subconjunto donde el modelo tiene evidencia histórica y señal actual. Es la misma clase de trabajo de construcción de universo que un fondo cuantitativo hace antes de dimensionar cualquier operación.

Fuera de ese subconjunto, el modelo se mantiene en silencio. Esa contención es el punto.

Recalibración

Un modelo que solo mejora con el tiempo.

Cada trimestre, todo el pipeline se reentrena sobre el ciclo de earnings más reciente — la misma cadencia operativa que corre una mesa cuantitativa.

Los mercados cambian. Los factores que impulsaban la deriva hace dos años no son los mismos que la impulsan hoy, y no serán los mismos dentro de dos años. Un modelo que no se reentrena se va deteriorando silenciosamente — y la mayoría de las herramientas retail nunca se reentrenan.

EarningSpy se recalibra de extremo a extremo cada trimestre. Las métricas de riesgo, los componentes del PCA, los dos clasificadores, los mapas de sectores y clusters — todos se reajustan sobre los earnings más recientes y sus derivas realizadas. El modelo que corre este trimestre no es el que corrió el anterior. Es más afilado, porque hay un ciclo más de evidencia del que aprender.

El arsenal. Listo para operar.

EarningSpy aún se está construyendo. Deja tu correo y sé de los primeros en poner este método a trabajar en el próximo ciclo de earnings.