En física teórica se necesita un 99,99 % de precisión y en gestión de riesgos un 95 %. Pero en la gestión de activos financieros es muy difícil superar las probabilidades y se aspira al 55 %. Ahora bien, la inversión cuantitativa activa permite aprovechar los grandes números. Es más fácil con una cartera de 300 acciones que con una concentrada.
Ahora, con la inteligencia artificial (IA) y el aprendizaje automático los grandes números son aún mucho más grandes. El aprendizaje estadístico es el precedente. Luego, con los avances en potencia de cálculo y las nuevas técnicas, se ha hecho posible lo que parecía inalcanzable. Un ejemplo es el desarrollo del algoritmo LightGBM en 2017, que permitió un entrenamiento más rápido y una mejor precisión en el uso de modelos de árboles de decisión para clasificar y otras tareas de aprendizaje automático.
El hecho es que la IA cambia la forma en que se gestionan las estrategias de inversión cuantitativas, pero no sustituye a los gestores de carteras.
Está respaldado por el hecho de que en horizontes temporales de corto plazo el comportamiento de los inversores es el principal impulsor de la rentabilidad. Al respecto inteligencia artificial y aprendizaje automático permiten evaluar de manera rápida y eficiente una amplia gama de datos de mayor frecuencia para identificar y pronosticar los cambios en el comportamiento de una manera más precisa.
De hecho, hemos investigado y testado el enfoque impulsado por IA en una colaboración entre ingenieros, científicos de datos y gestores de carteras. Entre otras cosas, para predecir las rentabilidades de las acciones estamos utilizando un modelo de árboles de decisión entrenado con décadas de datos en más de 250 características, incluyendo fundamentales de las acciones, el sentimiento de los analistas, precios, actividad del mercado y efectos de calendario. Es un modelo funcional, en el que tratamos de evitar las trampas des sobreajuste -cuando un modelo se ajusta exactamente a sus datos de entrenamiento y no permite generalizar- o de sesgo -cuando se equivoca consistentemente-. Pero no queremos crear una caja negra con poder de predicción.
El aprendizaje automático implica entrenar a una computadora con datos para hacer predicciones o facilitar la toma de decisiones
Además, siempre hay algo más que descubrir o probar. Actualmente estamos estudiando el uso de redes neuronales profundas -una forma de aprendizaje automático mediante redes complejas que permiten hacer predicciones de mayor precisión- y otras funciones. También estamos investigando las formas de implementar la inteligencia artificial y el aprendizaje automático para optimizar la construcción y la asignación de pesos adecuados de las acciones en las carteras.
Por su parte la IA generativa, que es capaz de generar texto o imágenes falsas, no parece ser útil en su forma actual para una estrategia de inversión cuantitativa. Su aplicabilidad es limitada debido a su falta de previsibilidad. Pero puede ser útil en la gestión de riesgos. Efectivamente, puede emplearse para generar datos financieros sintéticos que capturen las propiedades estadísticas y las dependencias de los datos para crear escenarios realistas que complementen los test de resistencia tradicionales.
El caso es que el aprendizaje automático implica entrenar a una computadora con datos para hacer predicciones o facilitar la toma de decisiones, en lugar de programarla para que solo siga unas instrucciones. El objetivo puede ser generar una rentabilidad compuesta superior, aprovechando la escala y la eficiencia de la IA en la selección de valores y pronosticar las rentabilidades relativas de las acciones con un bajo error de seguimiento respecto a los índices. Las previsiones se actualizan periódicamente y se combinan con las estimaciones de riesgos y de los costes. Además, los gestores supervisan las carteras para reflejar mejor las condiciones del mercado en cada momento, con exclusiones y sesgo positivo en cuanto a los criterios ambientales, sociales y de gobernanza.
El hecho es que la IA cambia la forma en que se gestionan las estrategias de inversión cuantitativas, pero no sustituye a los gestores de carteras. Los modelos tienen que ser construidos, supervisados y actualizados por profesionales. De hecho, los gestores de carteras se adaptando rápidamente, como en el pasado, en una evolución que comenzó en los años 80, cuando surgieron las primeras estrategias basadas en primas de riesgo, seguido de modelos multifactoriales en los 90, que añadían el sentimiento de los analistas, momento y/o calidad de los beneficios.
En la década de 2000 fueron adoptados por gestores que explotaban los efectos de la contratación de alta frecuencia. Las primeras técnicas de aprendizaje automático para capturar el sentimiento a partir de datos no estructurados llegaron en la década de 2010. Ahora es el caso con las nuevas técnicas de inteligencia artificial y el aprendizaje automático. Incluso es posible imaginar una futura generación de gestores de carteras que emplea la computación cuántica.
