Interpretación de los fondos de cobertura del primer trimestre: Todos venden software y compran semiconductores

marsbitPublicado a 2026-05-27Actualizado a 2026-05-27

Resumen

Resumen del primer trimestre: los fondos de cobertura venden software y compran chips Los fondos de cobertura y los grandes fondos mutuos estadounidenses mostraron un raro consenso en el primer trimestre: vender acciones de software y aumentar las posiciones en semiconductores, llevando el peso de estos últimos en las carteras de fondos de cobertura a un máximo histórico. Los informes de Goldman Sachs revelan que los fondos de cobertura obtuvieron un rendimiento del 7% este año, mientras que solo el 30% de los grandes fondos mutuos superó su índice de referencia. Los datos 13F muestran una rotación estructural dentro del sector tecnológico: el peso de los semiconductores en las carteras largas de fondos de cobertura alcanzó un récord, mientras que el software cayó a su nivel más bajo desde 2019. Los fondos mutuos también redujeron el software a mínimos desde 2012. Microsoft fue una de las acciones más vendidas. Los fondos mutuos redujeron su exposición al resto de los "Siete Magníficos", mientras que los fondos de cobertura aumentaron ligeramente sus posiciones en META y AAPL. En semiconductores, los fondos de cobertura compraron LRCX, AMAT y ASML. La estrategia de riesgo divergió: los fondos de cobertura aumentaron su apalancamiento neto a niveles elevados, mientras que los fondos mutuos incrementaron modestamente su efectivo. En asignación sectorial, ambas instituciones sobreponderaron el sector industrial. Sin embargo, los fondos de cobertura incrementaron drásticamen...

Escrito por: Zhao Ying

Fuente: Wall Street Insights

En el primer trimestre, los fondos de cobertura y los grandes fondos mutuos de EE.UU. llegaron a un raro consenso: vender software y comprar semiconductores, llevando el peso neto largo en semiconductores a un máximo histórico.

Según los últimos informes de Goldman Sachs "Monitoreo de Tendencias de Fondos de Cobertura" y "Fundamentos de Fondos Mutuos", este análisis cubre 1059 fondos de cobertura (con una tenencia total de acciones de 4.6 billones de dólares) y 509 grandes fondos mutuos activos (con activos en acciones por 3.9 billones de dólares). Los informes muestran que el rendimiento de los fondos de cobertura este año alcanzó el 7%, mientras que solo el 30% de los grandes fondos mutuos superó su referencia, por debajo del promedio histórico del 37% desde 2007.

Los datos de tenencias 13F del primer trimestre en EE.UU. revelan un claro consenso de mercado: tanto los fondos de cobertura como los fondos mutuos están vendiendo acciones de software y comprando simultáneamente acciones de semiconductores. La rotación ha sido tan intensa que ha llevado el peso de los semiconductores en las carteras largas de los fondos de cobertura a un máximo histórico.

En cuanto a la estructura de posiciones, el apalancamiento neto de los fondos de cobertura ha vuelto a situarse en el percentil 85 de los últimos cinco años, cerca de un máximo anual; al mismo tiempo, el porcentaje promedio de ventas en corto de las acciones del S&P 500 aumentó al 3% de su valor de mercado, el nivel más alto desde 2011, lo que indica una intensificación simultánea de la pugna entre posiciones largas y cortas en el mercado.

Las tenencias en semiconductores alcanzan un récord histórico, el software sufre reducciones sistemáticas

La rotación estructural dentro del sector tecnológico fue el tema más destacado del trimestre.

Los datos de Goldman Sachs muestran que el peso de los semiconductores en las carteras largas de los fondos de cobertura alcanzó un máximo histórico, mientras que el peso del software cayó a su nivel más bajo desde 2019. En cuanto a los fondos mutuos, sus tenencias en software cayeron a su nivel más bajo desde 2012, y excluyendo a Microsoft, la magnitud de la sobreponderación de los semiconductores frente al software por parte de los fondos mutuos también fue la mayor desde 2012.

A nivel de acciones individuales, Microsoft (MSFT) fue una de las acciones con mayor reducción neta tanto por fondos de cobertura como por fondos mutuos el trimestre pasado. Los fondos mutuos también redujeron sus posiciones en todos los demás miembros del "Magnífico 7". Los fondos de cobertura, aunque redujeron la mayoría de las posiciones en el "Magnífico 7", aumentaron netamente sus posiciones en META y AAPL.

En cuanto a acciones individuales de semiconductores, los fondos de cobertura aumentaron netamente sus posiciones en LRCX, AMAT y ASML; los fondos mutuos aumentaron netamente sus posiciones en INTC y SITM.

Apalancamiento y efectivo: Fondos de cobertura agresivos, fondos mutuos conservadores

Ante el aumento de las tensiones geopolíticas en el primer trimestre, las estrategias de las dos instituciones divergieron claramente.

Los fondos de cobertura inicialmente redujeron su apalancamiento neto, pero luego aumentaron rápidamente sus posiciones con el repunte del mercado en el segundo trimestre, llevando su exposición neta cerca de un máximo anual, con una tasa de apalancamiento total todavía en un rango relativamente alto en términos históricos.

Los fondos mutuos, por su parte, optaron por aumentar la asignación de efectivo, elevando el porcentaje de efectivo sobre activos desde un mínimo histórico del 1.1% a principios de 2026 hasta el 1.4% a principios de abril. Sin embargo, este nivel sigue siendo históricamente muy bajo, lo que indica que los fondos mutuos en general no han retirado fondos significativamente del mercado de renta variable.

Consenso y divergencia sectorial: Sobreponderación industrial, división tecnológica

En la asignación por sectores, existe un alto grado de consenso entre ambas instituciones, pero también hay excepciones notables. Tanto los fondos de cobertura como los fondos mutuos están sobreponderados en el sector industrial y infraponderados en el de tecnología de la información, pero la dirección de sus ajustes de cartera es totalmente opuesta.

Los fondos de cobertura aumentaron su inclinación neta hacia tecnología de la información en 853 puntos básicos en el primer trimestre, el mayor cambio trimestral registrado para este sector, mientras redujeron su inclinación neta hacia el sector industrial en 297 puntos básicos. Los fondos mutuos hicieron lo contrario, aumentando su exposición industrial en 24 puntos básicos y reduciendo la de tecnología de la información en 20 puntos básicos.

Las divergencias más marcadas se observaron en los sectores financiero y de consumo discrecional: los fondos mutuos están sobreponderados en financiero mientras los fondos de cobertura están infraponderados; los fondos de cobertura están sobreponderados en consumo discrecional mientras los fondos mutuos están infraponderados.

Cuatro "favoritos comunes" superan al mercado desde principios de año

Goldman Sachs seleccionó este trimestre cuatro acciones que aparecen tanto en la lista VIP de fondos de cobertura (GSTHHVIP) como en la lista de sobreponderación de fondos mutuos (GSTHMFOW), denominadas "favoritos comunes": Boeing (BA), Mastercard (MA), Marvell Technology (MRVL) y Visa (V). MRVL es la nueva incorporación este trimestre, mientras que Citigroup (C) y Vertiv (VRT) salieron de la lista.

Estas cuatro acciones han generado un rendimiento del 10% desde principios de año, superando al índice S&P 500 de igual ponderación en 3 puntos porcentuales. En un período más largo, desde 2013, la cartera de "favoritos comunes" ha tenido una rentabilidad anualizada del 16%, pero con una desviación estándar del 22%, lo que indica una volatilidad significativamente mayor. Actualmente, la mediana de la relación P/E de las acciones de esta cartera es de 34 veces, un premio notable frente a las 18 veces de la mediana de las acciones del S&P 500.

Es de destacar que todas las acciones del "Magnífico 7" están en la lista VIP de los fondos de cobertura, pero a la vez todas están infraponderadas por los fondos mutuos, formando un marcado contraste en la actitud de las dos instituciones hacia estos activos centrales.

Preguntas relacionadas

Q¿Cuál es la principal rotación de capital que los hedge funds y fondos de inversión realizaron en el primer trimestre según el artículo?

ALa principal rotación fue la venta de acciones de software y la compra de acciones de semiconductores, lo que elevó el peso de los semiconductores en las carteras de los hedge funds a su nivel más alto registrado.

Q¿Qué impacto tuvo esta rotación en la ponderación de los semiconductores y el software en las carteras de los hedge funds?

ALa ponderación de los semiconductores en las carteras largas de los hedge funds aumentó a su nivel más alto desde que se tienen registros, mientras que la ponderación del software cayó a su nivel más bajo desde 2019.

Q¿Cómo difirieron las estrategias de los hedge funds y los fondos de inversión en cuanto al apalancamiento y la liquidez durante el primer trimestre?

ALos hedge funds, tras una reducción inicial, incrementaron rápidamente su apalancamiento neto hasta niveles altos. En cambio, los fondos de inversión aumentaron su asignación de efectivo del 1.1% al 1.4%, aunque este nivel sigue siendo históricamente bajo.

Q¿En qué sectores estuvieron más de acuerdo y en cuáles mostraron mayor desacuerdo los hedge funds y los fondos de inversión en su asignación?

AEstuvieron de acuerdo en sobreponderar el sector industrial y en infraponderar el de tecnología de la información, aunque ajustaron sus posiciones en direcciones opuestas. Mostraron mayor desacuerdo en los sectores financiero y de consumo discrecional.

Q¿Qué son las acciones de 'favoritas comunes' mencionadas en el artículo y cuál ha sido su rendimiento este año?

ALas acciones de 'favoritas comunes' son Boeing (BA), Mastercard (MA), Marvell Technology (MRVL) y Visa (V), que aparecen tanto en la lista VIP de hedge funds como en la de sobreponderación de fondos de inversión. Este año han tenido una rentabilidad del 10%, superando al índice S&P 500 en 3 puntos porcentuales.

Lecturas Relacionadas

Claude se volvió 'tonto' en toda la red, y Anthropic aclara el motivo: No es el modelo quien te falla

**Los usuarios de Claude Code se quejaban de que el modelo se volvió más torpe, pero Anthropic aclara: el problema no era el modelo, sino el ajuste de "Esfuerzo".** En marzo, muchos desarrolladores notaron que Claude Code parecía menos competente: omitía leer archivos o ejecutar pruebas. La comunidad criticó fuertemente a Anthropic. La causa real fue un cambio en la configuración predeterminada del nivel de **Esfuerzo (Effort)**, de "alto" a "medio", realizado para reducir la latencia. Este ajuste afectó cuánto trabajo invertía Claude en una tarea, no su conocimiento fundamental. Anthropic explica la diferencia clave entre **Modelo** y **Esfuerzo**: * **Modelo (Sonnet, Opus, Fable):** Representa la "inteligencia" o conocimiento base del modelo (pesos congelados del entrenamiento). Cambiarlo resuelve problemas de "¿puede hacerlo?". * **Esfuerzo (Effort):** Representa la "actitud" o cuánto trabajo está dispuesto a realizar en una tarea específica (leer archivos, ejecutar pruebas, verificar). Un Esfuerzo bajo hace que Claude responda rápido pero pida más contexto; un Esfuerzo alto lo hace investigar y trabajar de forma más autónoma. **Conclusión importante:** Un modelo más pequeño (como Sonnet) con un Esfuerzo alto puede superar a un modelo más grande (como Opus) con un Esfuerzo bajo en muchas tareas. El cambio de marzo demostró que los usuarios a menudo subestimaban el impacto del control de Esfuerzo, culpando erróneamente al modelo. **Marco para solucionar problemas:** 1. Verifica primero el contexto y las instrucciones (prompt). 2. Si Claude se equivoca, pregúntate: **¿Es que "no sabe" o "no se esfuerza lo suficiente"?** * **No se esfuerza (ej., omite pasos):** Aumenta el nivel de Esfuerzo. * **No sabe (ej., errores persistentes a pesar del contexto):** Cambia a un modelo más capaz. La lección es que el uso efectivo de herramientas de IA como Claude Code ya no se trata solo de elegir el modelo más potente, sino de aprender a **gestionar y asignar recursos** (modelo y esfuerzo) de manera inteligente para cada tarea, optimizando tanto el rendimiento como el coste.

marsbitHace 1 hora(s)

Claude se volvió 'tonto' en toda la red, y Anthropic aclara el motivo: No es el modelo quien te falla

marsbitHace 1 hora(s)

Casi un centenar de jugadores se lanzan al sector de datos embodiment: 44.700 millones de financiación en un año, ¿quién puede ganar dinero realmente "vendiendo datos"?

**Resumen en español europeo:** Más de 90 empresas, incluidas 70 dedicadas a la recopilación, compiten en el emergente campo de los datos de inteligencia encarnada en China. En el último año, 15 proveedores de datos independientes recaudaron aproximadamente 4.470 millones de RMB. El artículo, basado en estadísticas de "Quantum Bit", describe diez aspectos clave del sector: 1. **Métodos de recopilación:** Se dividen en cuatro categorías: teleoperación de robots reales, recopilación sin robot (con captura de movimiento), simulación y destilación de vídeos de internet. La mayoría de las empresas (43%) utilizan múltiples métodos, siendo la teleoperación la ruta única más común (31%). 2. **Perfil de los actores:** Los proveedores de datos independientes son el grupo más numeroso (40%), seguidos por plataformas de datos estatales (26%) y fabricantes de robots (25%). Dos tercios de las empresas son "nativas" del sector. 3. **Capacidad y distribución:** La capacidad anual actual se estima en 1,6-1,8 millones de horas, con el objetivo de multiplicarla por 15-20 en 1-3 años. Las "fábricas de datos" están presentes en 20 provincias, concentrándose en el delta del Yangtsé. 4. **Financiación y etapa:** La financiación del último año para proveedores independientes (44.700 millones RMB) es modesta comparada con la inversión total en inteligencia encarnada. El sector está muy fragmentado, con una sola "unicornio" (Lightwheel AI) que acaparó el 70% de la inversión. 69 fondos han invertido, pero ninguno de forma significativa, mostrando cautela. 5. **Conclusión:** El mercado de datos encarnados es ya una industria independiente y generadora de empleo, pero se encuentra en una fase muy temprana. Aún no está claro si "vender datos" será un negocio rentable, y los próximos 1-2 años serán cruciales para validar el modelo.

marsbitHace 4 hora(s)

Casi un centenar de jugadores se lanzan al sector de datos embodiment: 44.700 millones de financiación en un año, ¿quién puede ganar dinero realmente "vendiendo datos"?

marsbitHace 4 hora(s)

Trading

Spot
活动图片