Jim Simons y el Medallion Fund: el matemático que batió al mercado

Si las finanzas cuantitativas tienen una leyenda, es Jim Simons. Un matemático de primer nivel que, pasados los cuarenta, dejó la universidad para operar en los mercados y acabó construyendo Renaissance Technologies y su fondo Medallion, probablemente el vehículo de inversión más rentable de la historia.

Como físico, su historia me parece especialmente interesante: su ventaja no fue saber más de finanzas que nadie, sino tratar el mercado como un problema científico.

De descifrar códigos a la geometría

Simons (Newton, Massachusetts, 1938) estudió matemáticas en el MIT y se doctoró en Berkeley. Su carrera antes de Wall Street ya habría bastado para una biografía:

• Criptógrafo. Trabajó descifrando códigos en el Institute for Defense Analyses, que colaboraba con la NSA. Fue despedido en 1968 por oponerse públicamente a la guerra de Vietnam.
• Director del departamento de Matemáticas de la Universidad de Stony Brook, entre 1968 y 1978, al que convirtió en uno de los mejores del país.
• Chern-Simons. Junto a Shiing-Shen Chern desarrolló las formas de Chern-Simons, que hoy aparecen en teoría de cuerdas, topología y física de la materia condensada.

Renaissance y el Medallion Fund

En 1978 fundó Monemetrics, que se convertiría en Renaissance Technologies. Los primeros años fueron de prueba y error, mezclando intuición y modelos. El giro llegó cuando decidió que todas las decisiones las tomaran modelos, sin excepciones.

En 1988 nació el Medallion Fund. Según el periodista Gregory Zuckerman, autor de The Man Who Solved the Market, entre 1988 y 2018 Medallion obtuvo una rentabilidad media del 66 % anual antes de comisiones y del 39 % después. Y sus comisiones no eran precisamente bajas: según el propio Zuckerman, llegaron a ser del 5 % anual sobre el patrimonio y del 44 % sobre los beneficios.

Medallion lleva décadas cerrado a nuevos inversores externos: hoy invierten en él, sobre todo, los empleados de Renaissance. Tiene sentido: una ventaja que funciona tiene una capacidad limitada, y crecer demasiado la destruiría.

La receta: científicos, datos y ventajas pequeñas

1. Contratar científicos, no financieros

Renaissance evitaba deliberadamente a la gente de Wall Street. Contrataba matemáticos, físicos, astrónomos, estadísticos e informáticos. Entre sus fichajes más conocidos están Leonard Baum (coautor del algoritmo de Baum-Welch para modelos ocultos de Márkov) o Robert Mercer y Peter Brown, que venían del reconocimiento de voz de IBM.

2. Datos, datos y más datos

Mucho antes de que existiera el término big data, Renaissance recopilaba y limpiaba series de precios históricas, incluso de siglos atrás. La limpieza de datos, lo menos glamuroso del oficio, era una de sus ventajas.

3. Acertar un poco más de la mitad de las veces

Zuckerman cuenta que Mercer resumía así la estrategia: «acertamos el 50,75 % de las veces, pero acertamos el 100 % de las veces en ese 50,75 %». La idea es que no hace falta predecir bien: basta con una ventaja minúscula repetida muchísimas veces.

Es la ley de los grandes números, y se ve muy bien con un cálculo sencillo. Si cada operación gana o pierde lo mismo y aciertas con probabilidad \( p = 0{,}5075 \), ¿qué probabilidad hay de acabar ganando después de \( n \) operaciones?

from scipy.stats import binom

p = 0.5075
for n in [100, 1_000, 10_000, 100_000]:
    prob = 1 - binom.cdf(n // 2, n, p)     # más aciertos que fallos
    print(f"{n:>7,} operaciones -> prob. de acabar ganando: {prob:.1%}")

Con 100 operaciones es prácticamente lanzar una moneda (52 %). Con 10.000, un 93 %. Con 100.000, es casi seguro. Por eso Renaissance operaba muchísimo y en muchos mercados a la vez: la diversificación y el volumen convierten una ventaja estadística pequeña en un resultado casi seguro.

4. Confiar en el modelo, también cuando duele

Una de las reglas de Renaissance era no anular el modelo por intuición. Es más difícil de lo que parece: cuando una estrategia pierde varios días seguidos, la tentación de intervenir es enorme. Pero si el modelo está bien validado, intervenir solo añade ruido y sesgos humanos.

Lo que un quant puede aprender de Simons

• El método científico funciona en los mercados: hipótesis, datos, validación y, sobre todo, descartar lo que no funciona.
• Las ventajas reales son pequeñas. Si tu backtest promete un 50 % anual sin esfuerzo, sospecha. Lo explico en el sobreajuste de backtests.
• El volumen y la diversificación importan tanto como la señal.
• Los datos limpios son una ventaja competitiva.
• Un buen equipo multidisciplinar vale más que un genio solo.

Su legado

Jim Simons murió el 10 de mayo de 2024, a los 86 años. Más allá de la fortuna, dejó una enorme labor filantrópica a través de la Simons Foundation, dedicada sobre todo a la investigación en matemáticas y ciencias básicas. Y dejó una idea que hoy es el punto de partida de todo quant: los mercados no son predecibles, pero tampoco son perfectamente aleatorios, y la diferencia se puede medir.

Simons llegó a los mercados con una base matemática enorme. Si tú partes de menos, no pasa nada: lo importante es construirla en el orden correcto. Te lo explico en cómo ser quant: hoja de ruta desde cero.

Fuentes

• Gregory Zuckerman, The Man Who Solved the Market (2019), vía PWL Capital y Cornell Capital.
• Bloomberg: muere Jim Simons a los 86 años.
• Shuxin Guo: sobre la rentabilidad compuesta de Medallion (arXiv).