Apple Lab: cuando los datos no predicen el futuro, pero ayudan a tomar mejores decisiones

La ilusión de conocer el futuro

Hace poco compré una MacBook. Y en algún momento até cabos: estaba comprando algo de una empresa que ya usaba todos los días. Poco después compré una acción de Apple.

Ahí empezó la pregunta incómoda: ¿cómo evalúo el riesgo de perder ese dinero? Podía limitarme a leer opiniones sobre Apple — hay miles. Pero decidí hacer otra cosa: usar Python y datos reales para construir un pequeño laboratorio propio.

Empezó siendo bastante sencillo. No intenté construir un sistema financiero sofisticado desde el primer día — el modelo fue creciendo porque cada respuesta me generaba una pregunta nueva. Así, sin planearlo del todo, terminó convirtiéndose en Apple Lab.

Cuando alguien piensa en invertir, normalmente busca una respuesta sencilla: "¿esta inversión va a subir o va a bajar?" Es una pregunta natural — queremos reducir la incertidumbre, algo muy humano, y saber si estamos tomando una buena decisión antes de arriesgar nuestro dinero.

El problema es que los mercados financieros no funcionan así. Puedes ser Warren Buffett y aun así tener una inversión con resultados negativos. Una acción puede crecer durante años y después enfrentar una caída inesperada.

Entonces la pregunta cambió: ¿qué datos podemos usar para entender mejor la incertidumbre detrás de una inversión? No para eliminarla — eso es imposible. No para predecir el futuro — no lo conocemos. Sino para decidir con más información.

El experimento

Elegimos Apple como caso de estudio — no porque exista una fórmula secreta para saber qué le ocurrirá a la empresa, sino porque representa perfectamente un problema común: una compañía reconocida, con millones de inversionistas, grandes resultados históricos, y aun así, un futuro incierto.

La pregunta inicial fue simple: si ya había comprado una acción de Apple, ¿qué herramientas podía usar para entender mejor el riesgo que estaba tomando?

La respuesta no fue construir una predicción. Fue construir un laboratorio.

Primero, entender el pasado

El primer paso fue conseguir datos: cerca de diez años de precios diarios de Apple, alrededor de 2,500 observaciones. Pero casi de inmediato apareció la primera lección — el precio, por sí solo, no cuenta toda la historia.

Una gráfica puede mostrar crecimiento. Pero detrás de esa línea hubo días con caídas de más de 12% en una sola sesión, y períodos donde el precio estuvo más de un tercio por debajo de su máximo. Por eso dejamos de preguntar "¿cuánto vale Apple?" y empezamos a preguntar "¿cómo se comporta una inversión como Apple?"

El riesgo no es solamente perder dinero. También es entender cómo puede ocurrir esa pérdida.

La primera simulación

Con esos datos hicimos la primera simulación Monte Carlo: una inversión hipotética de $5,000, a cinco años, con 10,000 escenarios distintos.

Bajo esos supuestos, una parte pequeña de los escenarios terminó perdiendo dinero. El resto mostró resultados muy distintos entre sí — desde apenas recuperar la inversión hasta multiplicarla varias veces. Ahí quedó clara la primera lección real: un promedio no describe una inversión. Hay que ver la distribución completa.

Pero una acción representa una empresa

Hasta aquí estábamos estudiando la acción. El siguiente paso fue mirar los fundamentos: las ganancias por acción (EPS) y el múltiplo que el mercado paga por ellas (P/E).

Con Apple cotizando cerca de $306 y un EPS de $8.72, el P/E observado rondaba 35 — un múltiplo alto. Bajo tres escenarios de P/E (20, 25 y 30), el precio implícito iba de $174 a $262, todos por debajo del precio real. Eso mostró algo importante: una empresa puede ser excelente y, al mismo tiempo, tener una acción cuyo precio ya incorpora expectativas muy elevadas.

Después proyectamos también el crecimiento del EPS a cinco años. En el escenario base — crecimiento de 10%, P/E de 28 — el precio estimado rondaba $393, un potencial de retorno cercano a 29%. El precio futuro depende tanto de cuánto crezcan las ganancias como de cuánto esté dispuesto a pagar el mercado por ellas.

De un número a una distribución

El siguiente paso fue dejar de fijar un solo número para el crecimiento del EPS y el P/E futuro, y en su lugar tratarlos como inciertos: crecimiento de 10% ± 4%, P/E de 28 ± 4, con 10,000 simulaciones.

En lugar de decir "Apple valdrá $400", la pregunta cambió: bajo estos supuestos, el valor central de las simulaciones se ubicó alrededor de esa cifra, con un rango amplio de resultados plausibles a su alrededor.

¿De dónde salían nuestros supuestos?

Después apareció un problema más incómodo: ¿de dónde salían nuestros propios supuestos? ¿Por qué asumir 10% de crecimiento?

Miramos el crecimiento real del EPS de Apple en los últimos años: prácticamente plano en 2023 y 2024, y un salto de casi 23% en 2025. El promedio de esos tres años daba cerca de 7.4% — pero la mediana era apenas 0.33%. El crecimiento extraordinario de un solo año estaba inflando el promedio.

Ahí quedó una lección incómoda pero importante: el promedio no necesariamente representa el escenario típico. Y con solo tres cambios anuales, tampoco podíamos tratar esos datos como una distribución histórica completa. Un modelo no es una máquina de respuestas — es una herramienta para explorar escenarios, y el resultado depende tanto de los datos como de los supuestos que elegimos.

¿Es confiable nuestro propio modelo?

Y finalmente tuvimos que preguntarnos si nuestro propio modelo era confiable. Construir un modelo con datos ya conocidos es relativamente fácil. El verdadero reto es preguntarse: ¿qué habría pasado si lo hubiéramos construido antes de conocer el resultado?

Hicimos la prueba con una fecha de corte real: agosto de 2021, cuando Apple cotizaba a $144.54. Simulamos 10,000 escenarios posibles para los siguientes cinco años. El precio real, cerca de $306 cinco años después, terminó por encima de solamente el 9.66% de esas simulaciones — un resultado mejor de lo que el modelo, basado en el comportamiento histórico hasta ese momento, hubiera considerado típico.

Más adelante hicimos una prueba más rigurosa con un modelo que incorporaba factores macroeconómicos: entrenarlo con datos de 2016 a 2023, y probarlo con datos de 2024 a 2026 que el modelo nunca había visto. Un primer modelo explicaba cerca de 56% de la variación dentro de la muestra de entrenamiento — pero al enfrentarse a los datos nuevos, ese ajuste se volvió negativo. Una segunda versión, que ajustaba aún mejor el pasado, se comportó peor todavía fuera de muestra.

Un modelo puede parecer muy inteligente porque conoce perfectamente el pasado. El problema aparece cuando le pedimos que se enfrente a información que todavía no conoce.

Fue una de las lecciones más importantes de todo el experimento: el modelo también tiene incertidumbre.

Apple frente a otras alternativas

Después dejamos de ver a Apple como una isla. La comparamos con Microsoft, Nvidia, el S&P 500 y el Nasdaq, durante el mismo período.

Apple no fue la que más creció — Nvidia multiplicó eso muchas veces — pero tampoco fue la más volátil ni la que más tardó en recuperarse de sus peores caídas. Su relación entre retorno y riesgo (Sharpe ≈0.98) quedó por encima del S&P 500 (≈0.80) y muy cerca de Nvidia (≈1.33). La pregunta dejó de ser "¿Apple es buena?" y pasó a ser "¿qué características tiene frente a otras alternativas de inversión?"

El mercado y la economía también importan

El siguiente paso fue mirar de dónde vienen realmente los movimientos de Apple. Una regresión frente al S&P 500 y al Nasdaq explicó cerca del 60% de esa variación — el resto quedó como algo que el modelo simplemente no explicaba.

Después construimos un modelo con variables macroeconómicas: tasas de interés, desempleo, inflación, el dólar. Ese modelo explicó cerca de 45% de la variación mensual. Al agregar rezagos — el efecto de esas variables con algunos meses de retraso — el ajuste dentro de la muestra mejoró, pero otras métricas de calidad del modelo empeoraron. Otra versión de la misma lección: agregar variables puede mejorar qué tan bien explicamos el pasado, sin mejorar realmente el modelo.

Todo junto: el Decision Engine

La versión final integró todas estas piezas en un solo sistema.

El resultado combinado se resumió como riesgo moderado, con un potencial atractivo bajo los supuestos utilizados. Es importante ser precisos aquí: esto no significa "comprar Apple". Significa que, bajo los datos y supuestos usados por el modelo, la inversión presentaba una determinada combinación de riesgo y potencial. La herramienta no toma la decisión por el inversionista — organiza la información necesaria para tomarla.

La última prueba: ¿más datos son mejores datos?

La última prueba fue quizás la más reveladora. Ampliamos el historial de Apple de unos 10 años a prácticamente toda su vida bursátil: de diciembre de 1980 a agosto de 2026 — más de 11,500 observaciones, frente a las 2,500 con las que habíamos empezado. La pregunta era simple: ¿más datos producen necesariamente un modelo mejor?

La volatilidad histórica aumentó considerablemente al incluir los períodos más antiguos, y el drawdown máximo llegó hasta casi −82%. Pero el valor central del Monte Carlo se mantuvo prácticamente igual en las cuatro ventanas — entre $399 y $401, sin importar cuánta historia usáramos.

La conclusión: más datos no necesariamente significan un modelo mejor. Décadas adicionales de información también pueden traer consigo otros regímenes económicos, otras estructuras de mercado y condiciones empresariales que quizás no representen bien el entorno actual.

Lo que aprendimos

Los mercados financieros están llenos de incertidumbre. Los datos no la eliminan. Monte Carlo no la elimina. La econometría tampoco. El backtesting tampoco. Pero todas estas herramientas, juntas, pueden ayudarnos a hacer visible esa incertidumbre — y a tomar decisiones más informadas frente a ella.

La pregunta con la que empezamos fue "¿Apple va a subir?". La pregunta con la que terminamos fue otra, más útil: ¿qué resultados son plausibles, qué riesgos existen, y qué tan confiable es la información que estamos usando para decidir?

Esta manera de pensar cambió cómo tomo decisiones de inversión — y, en realidad, varias otras decisiones también. La incertidumbre no desaparece. Pero se puede estructurar.

Este experimento empezó siendo sobre una acción. Pero la misma lógica — datos, riesgo, escenarios, backtesting — no tiene por qué limitarse a Apple, ni siquiera a acciones. Podría aplicarse a otros activos, a otras decisiones, a otros tipos de incertidumbre. Es una pregunta que nos dejó abierta el propio experimento, y que probablemente sea el siguiente paso.

No aprendimos a predecir Apple. Aprendimos a estructurar aquello que no sabemos.