Acciones 10x: el ADN de los multibaggers

Cuando empecé a invertir, uno de los libros que más me fascinó fue «100 Baggers: Acciones que se multiplican por 100 y cómo encontrarlas», de Chris Mayer. El libro se lee bien, engancha y toca una fibra que cualquier inversor tiene, aunque no siempre lo admita: la fantasía de encontrar una empresa capaz de multiplicar tu dinero por 10, por 50 o por 100 mientras tú, en teoría, no haces demasiado. Pero al terminarlo me quedé con una sensación algo incompleta. La idea era buenísima, los ejemplos eran sugerentes, pero me faltaba lo más importante: datos, pruebas, gráficos y una validación empírica más seria. Menos anécdotas de empresas extraordinarias y más evidencia sobre qué tenían realmente en común antes de convertirse en monstruos bursátiles.

Porque todo el mundo se siente atraído por las multibaggers. Es normal. Son la piedra filosofal de la inversión. El problema es que, pese a lo jugoso del tema, no hay tantos estudios que hayan intentado analizarlas con rigor. Y los pocos que existen muchas veces se quedan cortos: muestras pequeñas, conclusiones demasiado narrativas, poco contraste estadístico o una metodología insuficiente para separar lo que parece verdad de lo que simplemente queda bonito en retrospectiva. Porque claro, decir “había que comprar Amazon, Apple o Monster Beverage” después de que se hayan multiplicado es facilísimo. Lo difícil es estudiar si esas empresas, antes de explotar, ya tenían rasgos detectables.

Para todos los que alguna vez os hayáis sentido así, hoy traigo oro.

Hace poco leí paper que intenta precisamente eso: estudiar las características de las multibaggers y entender qué factores explican sus rentabilidades extraordinarias. Para ello, analiza 464 acciones cotizadas en Estados Unidos que multiplicaron su valor por al menos 10 veces entre 2009 y 2024. Lo relevante no son solo los resultados, sino también la metodología, porque sirve como una buena introducción práctica para cualquiera que no haya oído hablar de “factores” en su vida. La autora empieza explicando la rentabilidad de estas compañías con un modelo basado en los factores clásicos y, después, lo modifica y amplía para adaptarlo mejor a un universo muy particular: empresas que no solo batieron al mercado, sino que lo destrozaron.

"Como demostrará este trabajo, cuando las características propuestas se someten a contraste estadístico, muchas veces no se sostienen (por ejemplo, y de manera especialmente llamativa, la necesidad de crecimiento del EPS, que la literatura existente trata como un axioma)."

Ahí cambia la historia. El estudio no se limita a confirmar ideas obvias, sino que encuentra características propias de las multibaggers que van en contra de lo que suele observarse en el mercado general. Eso no significa que tengamos una receta mágica para encontrar la próxima acción que multiplique por 100, ojalá, pero sí que hay ciertos patrones útiles. También cuestiona algunos mitos bastante extendidos como la obsesión de muchos inversores por vigilar los beneficios por acción con una lupa en este tipo de empresas. Quizá, en negocios con este perfil, mirar solo eso sea una forma de perderse lo importante.

Así que vamos a intentar desmenuzar su ADN: qué tenían en común estas empresas, qué factores parecen explicar parte de su rentabilidad, qué conclusiones son útiles y qué partes del estudio conviene mirar con cierta desconfianza.

Apéndices

Si solo estás de paso, el apéndice 3 será el más directo para ti. Y, si planeas incorporar algo de estas estrategias en tu estilo de inversión, el apéndice 2 es obligatorio.

Apéndice I

Estudios pasados

Ir al apéndice ->

Apéndice II

Limitaciones

Ir al apéndice ->

Apéndice III

Estadísticas descriptivas de la muestra

Ir al apéndice ->

---

La anatomía de una multibagger clásica

Hasta ahora, la literatura parece estar bastante de acuerdo en que una multibagger suele nacer de una combinación de varios ingredientes: tamaño pequeño, calidad, crecimiento, duración y una valoración razonable.

Dicho así suena sencillo. Pero claro, luego abres cada cajón y empiezan los matices. Que si el crecimiento tiene que ser sostenible, que si la calidad debe aguantar el paso del tiempo, que si el tamaño importa, pero no cualquier empresa pequeña vale, que si la valoración no puede ser absurda, que si la dirección tiene que saber reinvertir capital, que si el mercado todavía no debe haberlo descontado todo...

Vamos, que encontrar una multibagger clásica no consiste en marcar cinco casillas y esperar a que el dinero aparezca. Cada ingrediente tiene sus propios subingredientes, condiciones y trampas. Supongo que no podía ser tan fácil.

Antes de entrar en los nuevos hallazgos de este estudio, merece la pena repasar cómo se han buscado tradicionalmente estas empresas. Qué características se repetían en los estudios anteriores, qué señales parecían importar y qué tipo de compañía tenía, al menos sobre el papel, los ingredientes necesarios para convertirse en una gran ganadora.

1. Tamaño

La empresa debe ser pequeña y relativamente desconocida. El tamaño importa por el efecto base: es mucho más fácil que una compañía de 300 millones pase a valer 3.000 millones que que una de 300.000 millones pase a valer 3 billones.

Por eso, las multibaggers suelen partir de capitalizaciones bajas, ventas todavía modestas, poca cobertura de analistas y escasa presencia institucional. En otras palabras: negocios que aún no están en el radar de todo el mercado.

Ahí aparece la oportunidad. Cuando una empresa es pequeña, ilíquida y poco seguida, es más probable que esté mal valorada. Si el negocio mejora y empieza a ganar visibilidad, el mercado puede reconocer su potencial y pagar múltiplos más altos.

La clave está en comprar antes de que deje de ser invisible.

2. Calidad del negocio y del equipo directivo

Una futura multibagger no puede ser solo una empresa pequeña y barata. También tiene que ser buena.

La literatura suele insistir en varios rasgos: modelo de negocio probado, ROE o ROCE alto frente a la industria, buena asignación de capital, capacidad para reinvertir durante años a retornos superiores a la media, baja intensidad competitiva, vientos de cola en el sector y potencial para convertirse en una de las compañías líderes de su mercado.

No basta con comprar una microcap olvidada y rezar.

Normalmente también hace falta algún tipo de moat, como diría Buffett: una ventaja competitiva sostenible que permita defender márgenes, crecer sin destruir rentabilidad y evitar que la competencia se coma todo el pastel. Si además el negocio es ligero en activos, mejor, porque necesita menos CAPEX de mantenimiento y puede dedicar más caja a crecer, recomprar acciones o reforzar su posición.

Y luego está el management, que no es un detalle menor. Una empresa puede crecer muchísimo y aun así no hacer rico al accionista si el equipo directivo asigna mal el capital, diluye constantemente, compra negocios mediocres o juega a construir imperios. Para que el crecimiento del negocio se convierta en rentabilidad para el accionista, la dirección tiene que estar alineada y saber reinvertir bien.

3. Crecimiento en todas sus dimensiones

Una multibagger necesita crecer. Pero no solo crecer en ventas y ya está, que eso lo puede hacer cualquiera quemando dinero con suficiente entusiasmo.

Lo ideal es que el crecimiento aparezca en varias capas: ventas, flujo de caja, márgenes, beneficios y, si hay suerte, también múltiplos. Primero crece el negocio. Luego mejora la rentabilidad. Después aumenta el beneficio. Y finalmente, si el mercado empieza a creérselo, puede pagar más por cada euro ganado.

La literatura clásica suele dar mucha importancia al crecimiento del beneficio por acción, el famoso EPS o BPA. En teoría, es casi obligatorio. Si una empresa no consigue convertir su crecimiento en más beneficios por acción, algo falla: o diluye demasiado, o reinvierte mal, o sus márgenes no aguantan, o el negocio crece pero el accionista no participa de verdad.

Y si ese crecimiento del BPA viene acompañado de un ROE alto o creciente, mejor todavía. Porque ahí la historia empieza a tener más sentido: no solo gana más dinero, sino que lo hace usando bien el capital.

4. Duración del crecimiento

No basta con crecer dos o tres años y salir guapa en la foto. Para que una empresa se convierta en multibagger, necesita tener mucho camino por delante: un mercado grande, baja penetración, capacidad para expandirse a nuevas geografías, nuevos productos o nuevos clientes, y suficientes oportunidades para seguir reinvirtiendo capital durante años.

La clave no es solo crecer rápido, sino crecer durante mucho tiempo. Ahí está la diferencia entre una buena operación y una verdadera compounder. Muchas empresas pueden tener un par de años espectaculares por ciclo, moda o recuperación puntual. Pero si el crecimiento depende de que todo salga perfecto durante una ventana muy concreta, eso no es una gran máquina de componer capital. Es una apuesta con buena pinta.

Por eso muchas multibaggers suelen estar en negocios relativamente poco cíclicos, o al menos con una demanda lo bastante estructural como para aguantar distintos entornos económicos. Cuanto más largo, estable y reinvertible sea el crecimiento, más fácil es que la magia del interés compuesto haga su trabajo.

5. Valoración atractiva en el momento de compra

El crecimiento futuro no puede estar ya completamente metido en el precio. Porque una empresa puede ser excelente, crecer mucho y aun así dar una rentabilidad mediocre si la compras demasiado cara.

Por eso la literatura insiste en comprar a valoraciones razonables: PER bajo, PEG atractivo, precio ventas moderado o cualquier otro múltiplo que no implique expectativas absurdas. No se trata necesariamente de comprar empresas baratísimas, sino de evitar pagar como si el futuro perfecto ya estuviera garantizado.

La combinación ideal es una empresa pequeña, buena, con mucho crecimiento por delante y que el mercado todavía no esté valorando como si ya fuera la próxima gran compounder. Ahí es donde el crecimiento del negocio y la expansión del múltiplo pueden trabajar juntos.

Comprar bien no garantiza una multibagger, pero pagar demasiado caro puede matarla antes de empezar.

En resumen

Una gran subida en bolsa suele venir de dos motores:

1. La empresa gana más dinero.
2. El mercado paga más por cada euro que gana.

Se resume así:

Precio de la acción = Beneficio por acción × PER

O, en corto:

P = EPS × P/E

Es decir, una acción puede multiplicarse porque crece el beneficio por acción, porque se expande el múltiplo, o, en el mejor de los casos, porque pasan las dos cosas a la vez.

En términos logarítmicos, o como aproximación simple:

Crecimiento del precio ≈ crecimiento del EPS + crecimiento del PER

Ahí nacen muchas grandes multibaggers: más beneficios, mejor valoración y muchos años por delante para que las matemáticas hagan el resto.

¿Qué problema tienen estos estudios?

Después de todo lo anterior, parece que la receta está clara: empresas pequeñas, buenas, con mucho crecimiento por delante, directivos alineados y valoración razonable. Las compras, esperas veinte años y listo. Multibagger cazada.

Ojalá.

El problema es que los estudios clásicos tienen varias limitaciones:

1. Falta validación empírica. Muchas ideas suenan bien, pero al contrastarlas con datos empiezan a tambalearse. Incluso dogmas como la necesidad de un fuerte crecimiento del BPA no están tan claros.

2. Son más descriptivos que analíticos. Observan empresas que ya multiplicaron por 10, por 50 o por 100 y luego buscan rasgos comunes. Útil, sí, pero no demuestra causalidad.

3. Usan criterios difíciles de medir. “Buen management”, “ventaja competitiva”, “calidad del negocio” o “buena asignación de capital” importan, pero son conceptos bastante subjetivos y complicados de testear.

4. Muchos se quedan antiguos. Mayer llega hasta 2014, y desde entonces el mercado ha vivido tipos cero, inflación, burbujas de crecimiento, subidas agresivas de tipos, IA y bastante locura.

5. Parte de la evidencia viene de mercados poco comparables. Algunos estudios se centran en India, un mercado muy distinto al estadounidense. Para el inversor que mira sobre todo acciones de EE. UU., hacía falta algo más aplicable.

Así que no, no estaba todo resuelto. Los estudios anteriores dan una buena intuición, pero faltaba coger esas ideas, ponerlas contra los datos y ver cuáles sobreviven.

Contexto del experimento

El estudio analiza empresas cotizadas en NYSE y NASDAQ, incluyendo ADRs, durante el periodo 2009-2024.

La elección del periodo no es casual. Empieza justo después de la crisis financiera de 2008, casi como un “reseteo” del mercado, y cubre 15 años completos. Tiempo suficiente para que una empresa realmente buena pueda multiplicarse varias veces.

Además, no fue precisamente un periodo tranquilo. Incluye mercados alcistas, mercados bajistas, COVID, inflación, subidas y bajadas de tipos, crisis bancaria, guerras, shocks en materias primas y cambios políticos importantes. Vamos, un laboratorio bastante entretenido.

El estudio identifica más de 500 acciones que llegaron a multiplicar por 10 entre 2009 y 2024, pero solo conserva aquellas que mantuvieron esa subida hasta el final del periodo. Las que tocaron el umbral de 10-bagger y luego cayeron por debajo quedan fuera. También se eliminan empresas con datos fundamentales incompletos.

La muestra final queda en 464 multibaggers.

Aquí conviene fijarse en el diseño: el estudio no analiza solo la subida entre 2009 y 2024, sino también la historia previa de estas empresas desde el año 2000. Es decir, intenta mirar cómo eran antes de convertirse en grandes ganadoras.

La idea de fondo es buena: no quedarse con la foto final, sino buscar señales que ya estuvieran presentes antes del gran movimiento. Porque encontrar una multibagger después de que haya multiplicado por 10 no tiene demasiado mérito. La gracia está en ver si había alguna pista antes.

Punto de partida: el modelo de 5 factores de Fama y French

El análisis empieza con el modelo de cinco factores de Fama y French (2015), uno de los marcos más usados para explicar por qué unas acciones tienen más rentabilidad que otras.

La idea, simplificando mucho, es que la rentabilidad de una acción se puede explicar por su exposición a varios factores: mercado, tamaño, valoración, rentabilidad e inversión.

La fórmula es esta:

R_it − R_Ft = α_i + b_i(R_Mt − R_Ft) + s_iSMB_t + h_iHML_t + r_iRMW_t + c_iCMA_t + e_it

Es decir, el modelo intenta explicar cuánto ha ganado una acción comparándola con lo que habría ganado un activo sin riesgo y viendo cuánto de esa rentabilidad viene de distintos factores conocidos.

Los principales son:

• R_Mt − R_Ft: el exceso de rentabilidad del mercado frente al activo libre de riesgo. Vamos, cuánto paga el mercado por asumir riesgo de bolsa.
• SMB, Small Minus Big: el factor tamaño. Mide si las empresas pequeñas lo hacen mejor que las grandes.
• HML, High Minus Low: el factor valor. Compara acciones baratas frente a acciones caras usando el ratio book-to-market.
• RMW, Robust Minus Weak: el factor rentabilidad. Compara empresas con alta rentabilidad frente a empresas con baja rentabilidad.
• CMA, Conservative Minus Aggressive: el factor inversión. Compara empresas que invierten poco frente a empresas que invierten mucho.

Luego están los coeficientes:

• b_i mide la sensibilidad de la acción al mercado.
• s_i, h_i, r_i y c_i miden la exposición de la acción a cada factor.
• α_i es el famoso alfa: la parte de la rentabilidad que el modelo no consigue explicar.
• e_it es el residuo, el ruido, lo que queda fuera del modelo.

La gracia del modelo es que permite hacer una pregunta muy útil: ¿las multibaggers ganaron tanto porque simplemente estaban expuestas a factores conocidos, como tamaño, valor o rentabilidad, o porque había algo más?

Y ese “algo más” es justo lo que intenta encontrar el estudio.

Donde Fama-French se queda corto.

RmmercadoSMBtamañoHMLvalorRMWrentabilidadCMAinversión

Universo estándar

Carteras diversificadas

fit visual simulado

Universo multibagger

464 acciones 10x

fit visual simulado

Alpha y beta

Si has leído alguna vez sobre fondos de inversión, probablemente te suenen dos palabras: alpha y beta. Aquí aparecen con una idea parecida, pero dentro de una regresión factorial.

La beta, representada por b_i, mide cuánto se mueve una acción respecto al mercado. Una beta de 1 significa que, de media, la acción se mueve como el mercado. Una beta superior a 1 implica más sensibilidad a sus movimientos. Una beta inferior a 1, menos sensibilidad. Es la forma clásica de medir “riesgo de mercado”, aunque aquí es solo una pieza más dentro de un modelo con varios factores.

El alpha, representado por α_i, es lo que queda después de explicar la rentabilidad por esos factores. Dicho en lenguaje de inversor particular: es la parte de la rentabilidad que no se explica por exposición al mercado, tamaño, valor, rentabilidad o inversión. Si el alpha es positivo y persistente, el modelo viene a decir: “aquí ha pasado algo más que simple exposición a factores conocidos”.

El punto importante es que el alpha no es una explicación, sino una pista. Nos dice que hay una parte de la rentabilidad que el modelo no consigue capturar, pero no nos dice por qué. Puede deberse a una característica real de la empresa, a un factor que falta en el modelo o simplemente a ruido estadístico. Así que conviene tratarlo como una señal útil, no como una prueba definitiva.

De momento, con esto basta. Asumiré que ya tenemos una idea razonable de lo que estamos mirando. Me queda pendiente escribir un post explicando con más calma el modelo de cinco factores, de dónde sale y qué implicaciones tiene.

El experimento

Como su nombre indica, el modelo de Fama y French usa cinco factores para intentar explicar la rentabilidad de las acciones. Si esos factores explican bien el comportamiento histórico de las multibaggers, perfecto: el modelo funciona razonablemente bien también para este tipo de empresas. Pero si queda demasiada rentabilidad sin explicar, entonces hay algo que se nos está escapando y toca ajustar el modelo.

Según la teoría original de Fama y French, a largo plazo suelen hacerlo mejor las empresas pequeñas, baratas, rentables y con una política de inversión prudente. Es decir, compañías con menor tamaño, valoración atractiva, buena rentabilidad operativa y crecimiento de activos más conservador.

Para comprobarlo, el estudio sigue una metodología parecida a la original: ordena las empresas de la muestra de forma independiente en distintos grupos, usando datos disponibles a 1 de enero para el periodo 2000-2024.

La clasificación es esta:

• 3 grupos por tamaño: pequeñas, medianas y grandes, según capitalización bursátil.
• 3 grupos por valoración: baja, media y alta, usando el ratio book-to-market, calculado como patrimonio neto dividido entre capitalización bursátil.
• 2 grupos por rentabilidad: robusta o débil, medida como beneficio operativo dividido entre valor contable.
• 2 grupos por inversión: conservadora o agresiva, usando como aproximación el crecimiento anual de los activos totales.

Al cruzar todos estos factores, salen 36 carteras distintas:

3 × 3 × 2 × 2 = 36

El objetivo es doble.

Primero, comprobar si la teoría clásica se mantiene dentro del universo de multibaggers. Es decir, si también aquí las empresas pequeñas, baratas, rentables y prudentes al invertir son las que mejor lo hacen.

Segundo, analizar el alpha. Si después de aplicar el modelo sigue quedando mucha rentabilidad sin explicar, significa que estas acciones han generado retornos por motivos que los cinco factores clásicos no capturan bien. Y ahí empieza el trabajo de verdad: construir un modelo más adaptado a las multibaggers, con variables que expliquen mejor de dónde salió realmente esa rentabilidad extraordinaria.

Los resultados

La tabla puede parecer un pequeño infierno visual al principio, pero la lógica es bastante simple. Se agrupan las empresas según los factores que acabamos de ver: tamaño, valoración, rentabilidad e inversión. Después, se colorea la rentabilidad de cada grupo para que sea fácil detectar qué combinaciones funcionan mejor y cuáles peor.

Por ejemplo, la mejor cartera, la más verde de todas, aparece en la combinación formada por:

• Size small: empresas pequeñas
• Value high: empresas baratas, con book-to-market alto
• Profitability robust: empresas rentables
• Aggres: empresas con una política de inversión agresiva

Además, la tabla también permite ver el efecto general de cada factor por separado. Por ejemplo, en la última columna aparece la rentabilidad media agregada por tamaño. Ahí vemos que las empresas pequeñas baten a las medianas, y las medianas a las grandes. Justo lo que cabría esperar.

El trabajo incluye más tablas y algunos matices adicionales, pero para no perdernos en el bosque, estas son las conclusiones principales:

• Efecto tamaño: las empresas pequeñas obtienen mejores rentabilidades medias que las grandes. Ahora bien, si miramos la mediana, la diferencia ya no es tan clara. Esto sugiere que el tamaño ayuda, sí, pero no basta por sí solo. Comprar small caps sin más no es una estrategia ganadora.

• Efecto value: dentro del universo de las multibaggers, la valoración sigue importando. Usando el ratio book-to-market como proxy, las empresas más baratas tienden a ofrecer mejores retornos. Nada demasiado sorprendente.

• Efecto rentabilidad: controlando por el resto de factores, las empresas con rentabilidad débil lo hacen peor que las empresas con rentabilidad robusta. En otras palabras, la calidad también importa.

• Efecto inversión: aquí aparece la primera ruptura con la teoría clásica. Según Fama y French, las empresas que invierten de forma más agresiva, medida como crecimiento de activos, deberían ofrecer peores retornos futuros. La idea es que crecer demasiado deprisa suele acabar mal. Pero en esta muestra ocurre casi lo contrario: controlando por tamaño, valoración y rentabilidad, las empresas con mayor crecimiento de activos obtienen mejores retornos que las conservadoras. Tiene sentido. Una empresa que quiere multiplicarse no puede quedarse quieta. Tiene que reinvertir, ampliar capacidad y construir algo mucho más grande.

Aquí cambia la historia.

El estudio hace después una regresión para medir hasta qué punto estos cinco factores explican la rentabilidad de las multibaggers y, sobre todo, para comprobar qué pasa con el alpha.

Aquí aparecen varias señales importantes. El coeficiente de operating profitability resulta cercano a cero, lo que sugiere que esta variable aporta bastante poco a la hora de explicar los retornos futuros dentro de esta muestra. Además, la beta de estas acciones es elevada. Y, como ya sospechábamos, el alpha sigue siendo demasiado alto.

Traducido: el modelo de cinco factores no consigue explicar bien la rentabilidad de las multibaggers. Hay algo importante ocurriendo aquí que se le escapa. Y justo por eso este análisis tiene interés: no porque confirme sin más la teoría clásica, sino porque muestra dónde empieza a fallar para este grupo tan particular de empresas.

Mejorando el modelo

El estudio intenta adaptar el modelo clásico de Fama-French al caso concreto de las multibaggers. Porque si el modelo deja demasiado alpha sin explicar, la conclusión es bastante clara: hay variables importantes que se están quedando fuera.

Para ello, la autora prueba distintas formas de medir cada factor:

• Tamaño: capitalización bursátil, enterprise value, activos, ventas, etc.
• Valoración: book-to-market, PER, precio ventas.
• Rentabilidad: margen operativo, margen neto, margen EBITDA, ROE y retorno sobre capital.
• Inversión: crecimiento de activos y nuevas variables que comparan ese crecimiento con el crecimiento del EBITDA y del free cash flow.

Después, el estudio compara los modelos usando distintos criterios estadísticos. El mejor resultado aparece con un modelo de efectos fijos, básicamente porque cada empresa tiene su propia historia. No todas las compañías son comparables como si fueran piezas idénticas.

En una versión intermedia del modelo, la autora cambia tres variables principales:

• Usa TEV en vez de capitalización bursátil para medir tamaño.
• Usa PER en vez de book-to-market para medir valoración.
• Usa margen EBITDA en vez de rentabilidad operativa.

Esto no significa que el PER termine siendo la mejor medida de valoración. En los modelos posteriores, más completos, la autora acaba evitándolo como proxy de value porque no resultó útil en el análisis empírico e introduce demasiado ruido: no funciona con empresas en pérdidas y se dispara cuando los beneficios son muy pequeños. Por eso, las variables de valoración que terminan pesando más son B/M y FCF/P. FCF/P, o free cash flow yield, es el flujo de caja libre dividido entre precio o capitalización. Es una forma simple de preguntar: “¿cuánta caja genera esta empresa por cada euro que pago?”. El estudio lo trata como una métrica de valoración y rentabilidad basada en la caja generada frente al precio.

Pero el hallazgo más accionable está en cómo mide la inversión.

El estudio introduce una dummy que vale 1 cuando los activos crecen más rápido que el EBITDA. Y el resultado es bastante potente: cuando una empresa expande activos más rápido que su EBITDA, la rentabilidad del año siguiente cae unos 22,8 puntos porcentuales.

Esta es una de las ideas más útiles del estudio.

Las multibaggers necesitan invertir. Necesitan crecer. Necesitan ampliar capacidad, abrir mercados, contratar, desarrollar producto, comprar activos o construir infraestructura. Una empresa que quiere multiplicarse no puede comportarse como si ya estuviera madura.

Pero esa inversión tiene que venir acompañada de crecimiento real del EBITDA.

Invertir mucho no basta. Si los activos crecen pero el EBITDA no acompaña, probablemente la empresa está comprando crecimiento malo, inflando el balance o reinvirtiendo capital a retornos mediocres. Y eso, a largo plazo, no crea una multibagger. Crea un desastre.

En resumen: el modelo mejorado sugiere que las mejores multibaggers suelen ser empresas pequeñas, baratas, rentables y capaces de invertir agresivamente, pero de forma sostenible. No se trata de crecer por crecer. Se trata de crecer con beneficios detrás.

Y esto mejora bastante el modelo.

Pero el análisis no se queda ahí.

Modelos estáticos y dinámicos de retornos

Aquí cambia el objetivo del trabajo. La autora ya no intenta simplemente comprobar si las multibaggers encajan dentro del modelo clásico de Fama-French, sino construir un modelo más completo para explicar sus retornos futuros.

Para ello prueban más de 150 variables: crecimiento, valoración, rentabilidad, calidad, deuda, solvencia, momentum, tipos de interés, cobertura de analistas, inversión, I+D, marketing, comparaciones sectoriales y unas cuantas cosas más. Vamos, bastante más que el típico “empresa pequeña, barata y rentable”.

Para separar lo útil del ruido, usan la metodología general-to-specific de Hendry. La idea es sencilla: empiezas con un modelo enorme, lleno de variables y retardos, y vas eliminando lo que no aporta hasta quedarte con una versión más pequeña, limpia y robusta.

Primero metes de todo en la olla. Luego empiezas a quitar ingredientes hasta que aquello sabe a algo.

El modelo se estima con datos de 2000 a 2022, dejando 2023 y 2024 fuera de la muestra para comprobar si realmente funciona con datos nuevos. Esto es importante, porque una cosa es explicar muy bien el pasado y otra bastante distinta es que el modelo aguante cuando le enseñas años que no ha visto. También detectan problemas habituales en datos financieros, como heterocedasticidad y autocorrelación, así que ajustan los errores estadísticos usando errores agrupados.

La ambición aquí es mayor que en los estudios clásicos. No se trata solo de describir cómo eran las multibaggers después de haber multiplicado por 10, sino de intentar identificar qué variables explicaban mejor sus retornos futuros antes de que ocurrieran.

Y este trabajo destaca precisamente en esto.

Pasa de la típica historia descriptiva a la que estamos acostumbrados a un intento más serio de modelo predictivo: más variables, más control estadístico, más filtros y una prueba fuera de muestra para ver si el resultado tiene algo de sustancia o si simplemente estaba sobreajustando el pasado.

El resultado no es perfecto, pero aquí aparecen las conclusiones que más importan para el inversor.

Resultados principales

En general, el modelo se comporta de forma bastante razonable: casi todos los coeficientes tienen el signo esperado. Las variables que deberían ayudar, ayudan; las que deberían penalizar, penalizan. Hay alguna excepción puntual, sobre todo relacionada con la calidad de los beneficios, pero el mensaje general es bastante claro.

• El mercado importa. La rentabilidad del S&P 500 aparece como significativa en todos los modelos y con signo positivo. Las multibaggers también se ven afectadas por el entorno general. Cuando el mercado acompaña, ayuda. Cuando se complica, también les pesa.

• El tamaño sigue penalizando. El tamaño, medido con TEV, aparece como muy significativo y con coeficiente negativo. Cuanto más grande es la empresa, menor tiende a ser su rentabilidad futura. Tiene sentido: es mucho más fácil que una compañía pequeña multiplique por 10 que que lo haga una empresa gigantesca.

• La rentabilidad importa, pero menos de lo que uno esperaría. En los modelos dinámicos, el margen EBITDA pierde fuerza y acaba siendo sustituido por el ROA como mejor variable de rentabilidad. Las empresas más rentables tienden a hacerlo mejor, sí, pero el efecto no es espectacular. De hecho, una variable cercana a la valoración y la rentabilidad, el FCF/P, acaba teniendo mucho más peso.

• El crecimiento contable decepciona bastante. Aquí viene una de las partes más curiosas del estudio: muchas variables de crecimiento no salen significativas. Ni crecimiento de ingresos, ni crecimiento de EBITDA, ni crecimiento de EPS, ni crecimiento de free cash flow, ni crecimiento por acción, ni crecimiento a 1 año, ni CAGR a 5 años. Esto choca con la literatura popular sobre multibaggers, que suele insistir mucho en buscar empresas con crecimiento fuerte y sostenido de beneficios. En este modelo, esa idea no queda tan clara. El crecimiento de activos sí aparece como significativo en algunos casos, pero con un impacto pequeño.

  No se trata de decir “el crecimiento no importa”. Muchas de estas empresas crecieron mucho: el apéndice del estudio reporta EPS al 20,0% CAGR, beneficio neto al 22,9% y beneficio operativo al 17,3%. La manera correcta de verlo es esta: una vez ya estás mirando empresas que acabaron siendo multibaggers, el crecimiento contable aislado no parece explicar tan bien los retornos futuros como el precio pagado, el free cash flow yield y la calidad de la inversión.

• La inversión importa, pero con una condición clave. La variable más accionable vuelve a ser la dummy de inversión. Cuando los activos crecen más rápido que el EBITDA, la rentabilidad del año siguiente suele ser entre 4 y 11 puntos porcentuales menor, controlando por el resto de factores. La lectura es muy útil: una multibagger necesita invertir, crecer activos y construir capacidad, pero esa inversión tiene que venir acompañada de crecimiento real del EBITDA. Si los activos crecen y el EBITDA acompaña, bien. Si los activos crecen pero el EBITDA no, cuidado. Puede que la empresa esté comprando crecimiento malo, inflando el balance o reinvirtiendo capital a retornos mediocres.

• Los tipos de interés pesan mucho. En los modelos más avanzados, el entorno de tipos de la Fed al alza aparece como un factor muy negativo. Cuando los tipos están subiendo, las rentabilidades futuras de las multibaggers caen aproximadamente entre 8 y 12 puntos porcentuales frente al activo libre de riesgo, controlando por el resto de variables. Esto encaja bastante bien con la intuición: las empresas de crecimiento dependen más de flujos de caja futuros. Si sube la tasa de descuento, baja el valor presente de esos flujos y las valoraciones sufren. Esta variable no sirve demasiado para elegir acciones concretas, pero sí para ajustar expectativas sobre el universo completo.

• La valoración es el gran protagonista. Las variables más potentes del modelo son book-to-market y free cash flow to price. Ambas son positivas, muy significativas y con coeficientes grandes. La conclusión es bastante directa: las futuras rentabilidades están muy ligadas a la valoración inicial. Las empresas más baratas respecto a su valor contable y a su flujo de caja tienden a generar mejores retornos. Como todos sabíamos ya, el debate entre growth y value está mal planteado. Las mejores acciones de crecimiento también tienen que ser razonablemente baratas. No basta con crecer mucho. Importa, y mucho, el precio que pagas al principio.

• El PER no funciona bien. Aunque es una de las métricas más usadas (o precisamente por eso), en este estudio no resulta demasiado útil para predecir retornos. El problema es que el PER se rompe fácilmente: si una empresa pierde dinero, no tiene sentido; si gana muy poco, puede dispararse a niveles absurdos. Eso mete mucho ruido en el modelo. Por eso el estudio prefiere métricas como B/M y FCF/P, que parecen capturar mejor la relación entre precio y fundamentales.

• El momentum funciona de forma extraña. El momentum clásico dice que las acciones que han subido recientemente tienden a seguir subiendo. Pero en esta muestra el efecto parece muy corto y con reversión rápida. El momentum a 1 mes aparece positivo solo en un modelo, mientras que el momentum a 3 y 6 meses aparece negativo. Además, cuanto más cerca está la acción de su máximo de 12 meses, menor tiende a ser su rentabilidad futura. Perseguir una multibagger justo después de una gran subida puede salir caro.

También hay muchas variables que, sorprendentemente, no aportan demasiado: endeudamiento, cobertura de deuda, Altman Z-score, aumentos o reducciones de deuda, recompras, dividendos, emisión de acciones e intensidad de I+D. Aquí hay que tener cuidado, sobre todo con las variables de solvencia. Que no sean significativas dentro de una muestra de empresas que ya sabemos que sobrevivieron no significa que no importen. Es sesgo de selección ex post de ganadores. Para las ganadoras que llegaron al final, la deuda quizá no explica mucho la rentabilidad posterior. Pero para no morirte por el camino puede ser crucial.

Aquí conviene frenar un poco con la I+D. Uno podría esperar que las empresas con más inversión en innovación generasen mejores retornos, pero el estudio no encuentra una relación clara. Eso no significa que la innovación no importe, sino que el gasto en I+D, medido de forma simple, quizá no capture bien la calidad de esa innovación.

Como curiosidad, los dividendos sí aparecen como significativos en algunos modelos estáticos, aunque no en los dinámicos. Aun así, el dato rompe un poco el cliché: muchas multibaggers pagaban dividendos. Al inicio del periodo lo hacía el 58% de la muestra y en enero de 2024 lo hacía el 78%. Una gran ganadora no tiene por qué ser necesariamente una empresa que lo reinvierte absolutamente todo y no reparte nada.

Por último, el estudio encuentra que algunas variables retardadas ayudan a explicar retornos futuros y, por tanto, “causan en sentido de Granger” los retornos de las multibaggers. Esto suena más fuerte de lo que realmente es. No significa causalidad económica real, como en un experimento controlado. Significa que esas variables ayudan a predecir. Pueden estar capturando una señal real, pero también exposición sectorial, liquidez, sentimiento inversor, condiciones de crédito, estrés oculto o cualquier otra variable que el modelo no haya medido directamente.

En resumen: el modelo apunta a una idea bastante potente. Las mejores multibaggers no son simplemente empresas que crecen mucho. Son empresas pequeñas, razonablemente baratas, con buena rentabilidad, capaces de invertir sin destruir capital y compradas antes de que el mercado descuente demasiado futuro.

Conclusiones

Los principales hallazgos del estudio serían estos:

• Cuestiona algunos dogmas sobre las multibaggers. No porque el crecimiento no importe, sino porque el crecimiento contable aislado explica menos de lo que cabría esperar dentro de una muestra ya filtrada por ganadoras. En este estudio pesan más la valoración, el free cash flow yield, el tamaño, los tipos y la disciplina entre activos y EBITDA.

• El tamaño sigue importando. Las empresas pequeñas, baratas y rentables tienden a generar mejores retornos. Nada demasiado revolucionario, pero sí consistente con la literatura previa.

• La inversión agresiva puede ser buena, pero no cualquier inversión. Si los activos crecen y el EBITDA acompaña, perfecto: la empresa puede estar construyendo capacidad real. Si los activos crecen más rápido que el EBITDA, cuidado. Los retornos futuros empeoran.

• El free cash flow yield es una de las variables más importantes. No basta con crecer. La empresa también tiene que generar caja y cotizar a un precio razonable.

• Los tipos de interés pesan mucho. En un entorno de tipos de la Fed al alza, los retornos del año siguiente frente al activo libre de riesgo son unos 8-12 puntos porcentuales menores, controlando por el resto de variables. Las multibaggers no son inmunes al coste del dinero.

• El momentum funciona de forma rara. No parece premiar simplemente a las acciones que más han subido. De hecho, cuanto más cerca está una acción de su máximo de 12 meses, peor tiende a ser su rentabilidad futura.

• El punto de entrada importa muchísimo. Las mejores oportunidades parecen aparecer cuando la acción está cerca de su mínimo de 12 meses y, mejor aún, después de haber caído bastante durante los seis meses anteriores.

En resumen: una multibagger no es simplemente “una empresa que crece mucho”. Según este estudio, la combinación más atractiva sería algo más parecido a esto: empresa pequeña, barata, rentable, con buen free cash flow yield, capaz de invertir sin destruir capital y comprada en un momento en el que el mercado todavía no está demasiado emocionado.

O sea, fácil no era.

¡Enhorabuena si has llegado hasta aquí! Espero que la lectura haya sido útil y, si te ha gustado, puedes echarle un ojo al resto del blog.

---

Apéndice I - Estudios pasados

Los primeros intentos serios de encontrar estrategias de inversión rentables vienen de lejos. Ya en los años 30, Wyckoff propuso un método para seleccionar acciones basado en la evolución del precio, el volumen y la psicología del mercado. Su enfoque consistía en detectar fases de acumulación y distribución dentro de los ciclos bursátiles para intentar entrar antes de los grandes movimientos. Vamos, muchas de las ideas que luego acabarían formando la base del análisis técnico moderno.

Casi al mismo tiempo, Graham y Dodd, en 1934, sentaron las bases del análisis fundamental. Su idea era muy distinta: mirar el valor intrínseco de una empresa, exigir un margen de seguridad y analizar sus estados financieros para encontrar acciones infravaloradas que el mercado estuviera pasando por alto. Unos miraban el comportamiento del precio. Otros miraban el negocio por dentro. Y desde entonces, la inversión ha vivido más o menos atrapada entre esas dos obsesiones: qué está haciendo el mercado y qué vale realmente la empresa.

Desde entonces, muchos autores han intentado responder a la misma pregunta: ¿qué tipo de acciones baten al mercado? ¿Qué características tienen en común? ¿Existe alguna forma razonable de encontrarlas antes de que sea evidente para todo el mundo? El problema, claro, es que no todos han llegado a la misma conclusión. De hecho, buena parte de la literatura financiera es básicamente una pelea elegante, con papers, fórmulas y regresiones, sobre si el mercado es más o menos eficiente o si, por el contrario, se equivoca constantemente como un humano cualquiera con miedo, codicia y demasiadas ganas de extrapolar el último trimestre.

Por un lado, los defensores de la «Hipótesis de los Mercados Eficientes», asociada a Fama en 1970, sostienen que los precios ya reflejan toda la información disponible sobre las empresas y sus perspectivas. Según esta visión, las acciones cotizan, en general, cerca de su valor razonable y no tiene demasiado sentido intentar encontrar oportunidades superiores simplemente eligiendo “las mejores acciones”. Es decir: si el mercado ya lo sabe todo, tú no vas a encontrar chollos mirando cuatro ratios en una web.

Por otro lado, los defensores de la «Hipótesis de Sobrerreacción» creen que los mercados están llenos de ineficiencias: asimetrías de información, psicología de masas, extrapolaciones absurdas, pánicos, modas, narrativas y, en general, humanos haciendo cosas de humanos. Esta segunda visión me resulta bastante más convincente. No porque el mercado sea tonto, sino porque a veces se pasa de frenada. Castiga demasiado. Se entusiasma demasiado. Se asusta demasiado. Y cuando exagera, a veces aparece la oportunidad.

El estudio de Yartseva se sitúa bastante cerca de esa segunda idea. Ahora bien, aunque el debate general sobre las fuentes de rentabilidad superior en bolsa ha generado ríos de tinta, el análisis específico de las multibaggers sigue siendo casi una nota al pie. Hay muchísima literatura sobre value, momentum, calidad, tamaño, inversión, rentabilidad, volatilidad y demás factores clásicos. Pero sobre acciones que multiplican por 10, por 50 o por 100 hay bastante menos. Y lo poco que hay suele moverse entre dos mundos: por un lado, historias cualitativas muy ricas; por otro, intentos estadísticos todavía bastante limitados.

Uno de los trabajos más conocidos es el de Thomas Phelps, centrado en las 100-baggers. Analizó el periodo entre 1932 y 1971, identificó 365 acciones que multiplicaron por 100 y trató de encontrar qué tenían en común usando ejemplos, casos concretos y mucho análisis cualitativo. Su idea era buscar empresas pequeñas, relativamente desconocidas, con nuevos productos, nuevos materiales o nuevas formas de producir. Empresas que resolvieran problemas reales, mejorasen la vida de las personas, tuvieran fuerte crecimiento de beneficios, margen para seguir expandiéndose y una buena dirección. Y luego venía lo más difícil de todo: comprarlas y mantenerlas durante mucho tiempo sin sabotearte por el camino.

Phelps lo resumió con una frase bastante buena:

“Para ganar dinero en bolsa tienes que tener la visión para verlas, el coraje para comprarlas y la paciencia para mantenerlas. La paciencia es la más rara de las tres.”

Thomas Phelps, traducción propia.

Aunque el trabajo de Phelps era más descriptivo que estadístico, se volvió casi legendario dentro del mundo inversor y sirvió como base para muchos estudios posteriores sobre multibaggers. Su gran mérito no fue construir un modelo perfecto, sino poner encima de la mesa una idea muy poderosa: las grandes fortunas en bolsa no suelen venir de acertar pequeños movimientos, sino de encontrar unas pocas empresas excepcionales y no venderlas demasiado pronto.

Chris Mayer hizo algo parecido años después con las 100-baggers. Partiendo en buena medida de las ideas de Phelps, popularizó el enfoque del coffee-can portfolio: comprar empresas extraordinarias y dejarlas quietas durante muchos años, idealmente al menos una década. La idea es sencilla, casi insultantemente sencilla: si de verdad tienes una empresa capaz de multiplicar muchas veces su valor, tu mayor enemigo probablemente no sea el mercado, sino tú tocando botones.

Mayer proponía fijarse en empresas con características como estas:

1. Largos periodos de crecimiento de beneficios acompañados de expansión de múltiplos, como PER, precio ventas, etc.
2. Crecimiento de beneficios acelerado, no simplemente estable.
3. ROE alto, normalmente por encima del 20%.
4. Fundadores o directivos con mucho talento y mucha piel en el juego.
5. Empresas olvidadas o castigadas que se dan la vuelta y vuelven a ser rentables.
6. Empresas pequeñas, no gigantes enormes, porque tienen más margen para multiplicarse.

La idea de que las empresas pequeñas pueden generar mayores retornos tiene bastante apoyo empírico. No solo por sentido común, sino también por trabajos como los de Fama y French, muchos tests posteriores de sus modelos factoriales y estudios específicos sobre multibaggers. El tamaño importa. O mejor dicho: el punto de partida importa. Una empresa que empieza desde una base pequeña tiene más espacio para crecer, más margen para sorprender y, si todo sale bien, más potencial para multiplicarse.

Otro intento relevante fue el de Oswal, en su estudio Wealth Creation de 2014, donde trató de construir sobre las ideas cualitativas de Phelps y Mayer usando un análisis estadístico sencillo de acciones multibagger. En su caso, se centró en el mercado indio e identificó 47 acciones que multiplicaron su valor por 100 durante los 20 años anteriores. El sector tecnológico fue el mayor creador de riqueza, aunque también encontró 100-baggers en farmacéuticas, bancos, retail de consumo, automóviles, materiales de construcción y otros sectores.

Un dato curioso: Oswal encontró que el propio mercado indio, representado por el índice BSE Sensex, también fue una 100-bagger. Multiplicó por 100 entre 1979 y 2006, con una rentabilidad anual compuesta cercana al 19%. En India, el tiempo medio necesario para multiplicar por 100 fue de unos 12 años, equivalente a una CAGR del 47%. Mucho más rápido que en mercados desarrollados, donde Mayer estimaba una media cercana a los 26 años.

La recomendación de Oswal era buscar empresas pequeñas, poco conocidas, con crecimiento sostenible de beneficios, buena dirección y valoraciones bajas, muchas veces con PER de un solo dígito. A esta filosofía la llamó QGLP: Quality, Growth, Longevity, at reasonable Price.

O sea: calidad, crecimiento, duración y precio razonable.

Según su análisis, para que una acción multiplique por 100 hacen falta dos motores: crecimiento de beneficios y expansión de múltiplos. No basta con que el negocio crezca. El mercado también tiene que empezar a valorarlo mejor. Esa es una idea clave, porque muchas veces pensamos en las multibaggers como simples historias de crecimiento empresarial, cuando en realidad suelen ser una combinación de varias cosas ocurriendo a la vez: más ventas, mejores márgenes, más beneficios, una narrativa más fuerte y un mercado dispuesto a pagar más por cada euro ganado.

Es decir, su idea era que para conseguir retornos que cambian la vida, hay que buscar crecimiento en todas las dimensiones. Crecimiento del negocio, crecimiento de los beneficios, mejora de la rentabilidad y, si es posible, una valoración inicial lo bastante baja como para que el múltiplo también juegue a favor.

---

Apéndice II - Limitaciones

Antes de convertir esto en un screener, conviene aguar un poco la fiesta. El trabajo aporta ideas útiles, pero tiene varias limitaciones importantes:

1. La muestra ya está filtrada por ganadores. Estudia empresas que ya sabemos que fueron multibaggers. Eso introduce sesgo de supervivencia y hace que los resultados no puedan copiarse tal cual para buscar futuras ganadoras.

2. El “out-of-sample” no es completamente limpio. Aunque 2023-2024 se reservan para validar el modelo, la muestra se selecciona usando todo el periodo 2009-2024. Es decir, hay información futura en la selección inicial.

3. Mezcla señales previas y posteriores al éxito. Algunas empresas pudieron convertirse en 10-baggers pronto y luego aportar años de datos después de la gran subida. El modelo puede estar aprendiendo cómo son las ganadoras una vez ya han ganado.

4. Puede haber sobreajuste. El estudio prueba más de 150 variables, retardos y especificaciones distintas. Con tantas pruebas, algunas relaciones pueden parecer significativas por casualidad. Harían falta más tests de robustez.

5. El ajuste por riesgo es limitado. Usa rentabilidad frente al activo libre de riesgo, pero no captura bien beta, volatilidad, drawdowns, liquidez, costes de ejecución o capacidad real de implementación.

6. Ignora dividendos y costes. Usa price returns, no retornos totales, pese a que muchas multibaggers pagaban dividendos. Esto es raro. Tampoco incluye spreads, deslizamiento, impuestos ni costes de transacción, algo clave en small caps.

7. El periodo y el mercado son muy concretos. 2009-2024 en Estados Unidos fue un entorno especial: tipos bajos, QE, boom tecnológico, COVID, inflación y subidas agresivas de tipos. No está claro que las conclusiones funcionen igual en otros países o ciclos.

8. Faltan variables importantes. El modelo no incluye bien sentimiento, narrativa, posicionamiento, flujos, short interest, opciones o atención del inversor retail, que pueden importar mucho en grandes ganadoras.

9. Sigue siendo un working paper. Es evidencia exploratoria, no una fórmula validada para encontrar multibaggers.

Es decir, el estudio aporta conceptos nuevos y contra-intuitivos que merece la pena tener en cuenta, pero no es la panacea.

Apéndice III - Estadísticas descriptivas de la muestra

El estudio adjunta unos datos finales sobre la muestra, que dejo aquí a modo de curiosidad. Estos datos son sobre la muestra final que incluye las 464 multibaggers analizadas.

1. De media, el estudio reporta que estas acciones multiplicaron su precio por 26 veces durante el periodo de 15 años, entre 2009 y 2024, con una CAGR media del 21,4%.

Dentro de la muestra hubo además 24 acciones que multiplicaron por 100.

2. Al inicio del periodo, en 2009, estas empresas eran relativamente pequeñas:

   • Capitalización mediana: 348 millones de dólares
   • Ingresos medianos: 702 millones de dólares

   Eran compañías pequeñas, con suficiente tamaño como para tener negocio real, pero todavía con margen para multiplicarse.

3. El crecimiento durante los 15 años fue bueno, aunque no necesariamente espectacular en todas las métricas:

   • Ingresos: 11,1% CAGR
   • Beneficio bruto: 12,0% CAGR
   • Beneficio operativo: 17,3% CAGR
   • Beneficio neto: 22,9% CAGR
   • BPA / EPS: 20,0% CAGR
   • Gasto en I+D: 15,1% CAGR

   El crecimiento de ventas no fue una locura. No hablamos de empresas que necesariamente multiplicaran ingresos al 40% anual durante 15 años.

   La gran diferencia aparece más abajo en la cuenta de resultados: beneficio operativo, beneficio neto y EPS crecieron mucho más rápido que los ingresos. Eso sugiere mejora de márgenes, escalabilidad, eficiencia operativa o recompras, dependiendo del caso.

4. En cuanto a valoración, en 2009 estas empresas no parecían caras:

   • Precio ventas mediano: 0,6
   • Precio valor contable: 1,1
   • PER forward: 11,3
   • PEG: 0,8

   Vamos, muchas de estas multibaggers empezaron siendo empresas pequeñas, razonablemente baratas y poco exigentes en valoración.

5. Y en rentabilidad, al inicio, eran más bien normales:

   • Margen bruto: 34,8%
   • Margen operativo: 3,9%
   • ROE: 9,0%
   • ROC: 6,5%

   No todas empezaron siendo máquinas perfectas de compoundear con márgenes altísimos y retornos sobre capital brutales.

Es decir, que muchas parecían negocios pequeños, baratos, algo mediocres en rentabilidad inicial... pero con margen para mejorar.

La imagen general sería esta:

small caps baratas, con negocio real, crecimiento decente, rentabilidad inicial normalita y mucho margen de mejora operativa.