La última del aprendizaje automático en la inversión financiera se produjo a principios de los 90, cuando los fondos cuantitativos empezaron a hacer uso extensivo de Inteligencia Artificial (IA) débil -centrada en una tarea y con cierta predisposición a aprender de datos nuevos-.
De hecho los fondos cuantitativos son el segmento de más rápido crecimiento y sumaban un billón de dólares en 2016. Incluyen hedge funds cuantitativos, algunos de los cuales han experimentado con el aprendizaje automático puro, en el que una máquina aprende a invertir basándose en análisis de datos recopilados sin intervención humana.
Además, con el aumento exponencial de la potencia informática, los adelantos teóricos y algunos resultados impresionantes en campos ajenos por ordenador, han hecho que los activos gestionados por hedge funds se hayan duplicado hasta 918.000 millones de dólares en ocho años hasta 2016, según HFR Global Hedge Fund Report.
Efectivamente, el potencial para encontrar en masas de datos digitales basadas en precios históricos, resultados de las empresas o evolución macroeconómica, señales para operar y aportar recomendaciones de inversión mediante aprendizaje automático genera un enorme interés, justificado en nuestra opinión. Parece probable que algunos fondos cuantitativos que aplican IA débil a problemas específicos bajo supervisión de expertos, sigan creciendo con rapidez. Imperarán nuevas formas basadas en IA fuerte, donde la máquina puede aplicarse por sí misma, sin intervención humana.
Las limitaciones
Pero hay limitaciones. Es el caso de las redes neuronales artificiales, modelo computacional de aprendizaje automático. Como otros métodos que no requieren programación expresa, pueden usarse para gran variedad de tareas, como visión y reconocimiento de voz difíciles con programación ordinaria basada en reglas. Pero solo son capaces de replicar aproximadamente el mismo número de conexiones cerebrales (sinapsis) que una rata (160.000 millones), muy por debajo de las del cerebro humano medio (en adultos de 100 a 500 billones).
Hay que tener en cuenta que las máquinas, como las personas inexpertas, tienden a usar modelos basados en tendencias históricas y en realidad son inadecuadas para predecir el futuro. Es revelador que Quantopian, una plataforma en línea con 120.000 miembros que desarrollan y usan programas de trading informatizados, haya tan solo invertido en 15 estrategias cuantitativas.
Además, aunque el trading algorítmico haya progresado a grandes pasos y las estrategias de seguimiento de tendencias basadas en modelos cuantitativos genera una rentabilidad anual del 9,5% desde 1980 (índice Barclay Hedge CTA), se ha situado en un decepcionante 0,5% desde 2009 con la relajación monetaria. Una volatilidad anormalmente baja y elevadas correlaciones entre activos, mientras que las carteras equilibradas tradicionales se han comportado mucho mejor.
Algunos fondos cuantitativos continúan haciéndolo bien, pero tuvieron muchos problemas en agosto de 2007, un año antes del crash financiero, entre otros motivos porque sus estrategias, muy apalancadas, eran casi idénticas. Desde entonces los gestores cuantitativos han aprendido, pero las máquinas basadas solo en estudios históricos, sin explicaciones fundamentales, pueden cometer estos errores similares de principiante.
Otro problema tiene que ver con el propio aprendizaje automático, pues no es 100% exacto. ¿Qué índice es tolerable cuando una máquina no puede justificar sus errores? Todavía no lo sabemos. Ya solo eso justifica la necesidad de una continua interacción humana. El aprendizaje automático puede buscar relaciones entre datos a menudo muy dispares, pero no tiene sentido poner fe ciega en las máquinas.
Algunos de los principales expertos en IA del mundo, como el profesor Qiang Yang de la Universidad de Ciencia y Tecnología de Hong Kong, reconocen de buen grado que existen condiciones en las que la IA funciona mal, como la escasez de datos previos, de reglas o de modos de medir el éxito. Actualmente la IA funciona como un sabio idiota especializado en una sola área, no un erudito. Así que no es especialmente útil para ayudar a un hedge fund a invertir sin pericia humana.
La gestión diaria, planteamiento con visión de conjunto, creatividad y establecimiento de relaciones significativas son áreas en las que la IA puntúa mal. Para el profesor Yang, "los robots no pueden aprender por sí mismos, ni innovar como los seres humanos (...). Los ordenadores no sustituirán completamente a los humanos, que seguirán siendo los innovadores. Los robots serán los ayudantes que asesoren las decisiones que tomen los humanos".
Incluso las supercomputadoras más potentes están muy lejos de resolver los problemas computacionales más complejos en finanzas. Algunos observadores creen que el próximo paso requiere de ordenadores cuánticos que operen sobre principios totalmente diferentes. Pero están en sus comienzos. Entre otras cuestiones hay que añadir muchos más qubits o bits cuánticos, pues la computación cuántica crece exponencialmente al doble del ritmo que el número de qubits disponibles.
En cualquier caso, cada vez que ha aparecido una nueva tecnología revolucionaria -motores de vapor, electricidad, energía atómica- se ha creído que llegaría a sustituir a los trabajadores. Pero el mundo ha resultado mucho más complejo y en lugar de sustituir la simbiosis entre humanos y máquinas siempre ha resultado necesaria para avanzar.
Aunque parezca que la IA va a revolucionar el mundo de la inversión, los gestores de activos tendrán trabajo durante mucho tiempo.
Entidades
