El inversor inteligente digital: Cómo replicar el razonamiento humano de un analista de inversión

La Facultad de Ciencias Económicas de la Universidad de Chicago ha formado a más de 26 premios Nobel. Uno de sus laboratorios, el Instituto Económico Becker Friedman, publicó en mayo de este año un interesantísimo artículo sobre la capacidad de los modelos lingüístico de gran tamaño, para analizar estados financieros contables.

Sin citarlo explícitamente, este ensayo ofrece más pistas de cara a comprender hasta dónde la Teoría de la eficiencia perfecta en los mercados de capitales dejará de ser una visión. La precisión en los previsiones de este género de algoritmos aumenta de manera prodigiosa, superando a las previsiones de analistas de inversión.

Desde el comienzo del ensayo, los tres investigadores que firman este artículo nos empujan a comprender como este género de algoritmos se acercan a las capacidades supremas de la mente humana: el pensamiento crítico, razonamiento, y análisis de incertidumbres. Son estas virtudes las que distinguen un análisis fundamental financiero convencional de otro superlativo. El modelo que han aplicado, consiste en cargar al algoritmo el balance y la cuenta de resultados de una muestra de empresas.

Por la significancia de la prueba, se excluye el nombre de estas empresas, la fecha en concreto de cada periodo, las notas y la memoria de los estados financieros. Con este anonimato, se consigue evitar el riesgo de que el modelo utilizado, pueda servirse de su memoria, ergo, de predecir el pasado.

Los autores se sirven de una instrucción conocida como cadena de pensamiento, o Chain of Thougt, (CoT), para tratar de replicar el razonamiento humano de un analista de inversión. CoT es un método de programación que requiere al algoritmo generar una narrativa autónoma y pormenorizada en simultáneo a sus resultados intermedios, una pseudo forma de razonamiento artificial. El CoT de este ensayo se construyó para predecir los resultados financieros inmediatos de 15.401 empresas, publicados desde 1968-2021. Además, se utilizaron las previsiones de analistas financieros publicadas entre 1983–2021, en concreto, de 39.533 observaciones, de 3.152 empresas.

Utilizando CoT, la precisión del modelo lingüístico, aumentó desde un F1-score de 53% hasta el 60%. F1-score nos indica la proporción de falsos negativos y falsos positivos en el rango de predicciones, cuanto más se aproxime F1-score al 100%, más preciso será el algoritmo, más positivos y negativos reales el modelo predecirá.

El ensayo también remarca la complementariedad entre su modelos de proceso lingüísticos, con los algoritmos de aprendizaje automático, también conocidos como, redes neuronales artificiales. Siendo estos capaces de aplicar tareas especializadas, por instrucciones más concretas que cargan los programadores. Pero, esta virtud les limita al trabajar sobre datos más heterogéneos, o complejos, como es el caso de los estados financieros de las empresas, en especial las de menor tamaño, por su alta sensibilidad al ciclo económico. Por tanto, acoplar ambos prototipos de algoritmos nos aportaría mayor nivel de precisión durante el proceso de selección de activos, y el proceso de rebalanceo.

Para descartar que la precisión del algoritmo del modelo lingüístico se aproveche de su memoria, los investigadores extrajeron la narrativa obtenida por el modelo bajo instrucción CoT sobre una empresa concreta, para posteriormente, codificarla en otro proceso que se conoce como: Representación de Codificador Bidireccional de Transformadores. Este codificador utiliza 768 vectores de datos, al cargarse los resultados en otra red neuronal artificial, el F1-score de la red neuronal aumento desde el 63% hasta el 65%. Esta ligera mejora, pero favorable, confirmaría que la narrativa original explica convincentemente, el éxito de la capacidad de predicción de la narrativa del modelo, y no su memoria.

Cuando la calidad en los estados contables es deficiente, los analistas de inversión poseen ventaja, pues su razonamiento

Otra de las aportaciones del ensayo, es demostrar que la inteligencia humana es complementaria a los modelos lingüísticos de gran tamaño. Veamos dos tesituras que suceden habitualmente, cuando la calidad en los estados contables es deficiente, los analistas de inversión poseen ventaja, pues su razonamiento les permite acceder a más información sobre un negocio, que los datos que aparecen en los estados contables, única fuente de datos disponible para el modelo del ensayo.

La segunda coyuntura, sucede por los sesgos conductuales de la mente humana, un riesgo por ahora, reducido en los modelos, aunque es probable que paulatinamente, los sesgos de programadores y analistas financieros, se vayan inoculando en los algoritmos que programan y monitorizan. Tras leer este ensayo publicado en Chicago, se comprende mejor que la inteligencia artificial no es inmune a la epistemología humana, al menos durante un tiempo.

Si B. Graham pudiera editar de nuevo, El Inversor Inteligente, es más que probable que disfrutará incorporando los avances en computación y programación de las últimas décadas. Como el método CoT se creó para replicar el razonamiento humano, conviene evocar a José Ortega y Gasset, el Filósofo de la razón en mayúsculas, y una de sus reflexiones más célebres, que se correlaciona perfectamente con el ensayo que trata este artículo: "Yo soy yo y mi circunstancia". Ortega se pasó media vida reivindicando la libertad, para vencer el temor a la ciencia, a la investigación, al cambio, al igual que su admirado, Santiago Ramón y Cajal.