La digitalización de la economía mundial ha dado lugar a una explosión de datos, tanto estructurados, como los financieros de las empresas, como no estructurados -es decir, textos, vídeos e imágenes-. Analizarlos y combinarlos mediante modelos de inteligencia artificial (IA) es un gran reto y una oportunidad.
En realidad, la adopción de modelos de inteligencia artificial basada en aprendizaje automático (AA) forma parte de una evolución que comenzó en los años 80, cuando surgieron las primeras estrategias basadas en las primas de riesgo, seguido de modelos multifactoriales en los 90, que añadían el sentimiento de los analistas, el momento y/o la calidad de los beneficios. En la década de 2000 fueron adoptados ampliamente, con gestores que explotaban 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 y actualmente los modelos no lineales a partir de gran cantidad de características. Así, el aprendizaje automático basado en procesamiento del lenguaje natural (PLN) parte de artículos y noticias, informes de los analistas y transcripciones de conferencias y facilita analizar el sentimiento respecto a las empresas. Es especialmente útil para gestores cuantitativos que, a diferencia de los analistas, no tienen reuniones con la dirección de las empresas, pues facilita detectar señales no aparentes que pueden influir en los precios de las acciones.
Efectivamente, la IA permite incorporar fuentes de datos muy variadas, combinar cientos de características y capturar relaciones e interacciones para identificar anomalías y generar pronósticos más precisos respecto a las acciones que la inversión tradicional basada en factores o primas de riesgo. De hecho, el aprendizaje automático está empezando a ser considerado la mejor manera de elegir valores. En realidad, permite incorporar múltiples horizontes temporales para controlar el riesgo, reducir los costes de compraventa de valores y optimizar la cartera de inversión.
Es si, los modelos de inversión basados en inteligencia artificial están plagados de complejidades y riesgos y la suposición de que los inversores pueden aceptarlo como una "caja negra" no se sostiene. De ahí que nuestro equipo cuantitativo haya analizado profundidad la atribución de rentabilidades (Performance attribution of machine learning methods for stock returns prediction, The Journal of Finance and Data Science, 2022). En nuestro modelo de selección de valores basado en IA hay separación respecto al análisis tradicional de las primas de riesgo en cada paso de la construcción de la cartera, una de las innovaciones clave. Así es posible detectar anomalías con horizontes temporales cortos, menos de un mes, durante los cuales las posiciones de los inversores y la actividad del mercado tienen mayor influencia en los precios de las acciones que las fuerzas macroeconómicas o los fundamentales de las empresas.
En concreto, hemos encontrado que una parte del exceso de rentabilidad con el uso de la inteligencia artificial procede de las estrategias de «reversión», es decir, del hecho de que hay acciones que por seguir un determinado patrón de rentabilidad probablemente inviertan su dirección o bien, acciones de «impulso a corto plazo», que mantendrán su trayectoria. Estas estrategias han sido típicamente aprovechadas por los gestores de arbitraje estadístico en modelos tradicionales. Otra parte del exceso de rentabilidad es atribuible a que los modelos tradicionales analizan decenas de características, mientras que los basados en IA pueden procesar cientos de ellas y asignar mayor peso a las de más impacto positivo en la rentabilidad. Finalmente, el exceso de rentabilidad también se deriva de la interacción entre las características. Por ejemplo, las acciones que gozan de sentimiento positivo de los analistas y en las muy pocos hedge funds mantienen posición a la baja, se comportan de forma diferente que aquellas en las que es al contrario.
En todo caso, crear un modelo de aprendizaje automático fiable, rápido y preciso requiere mucho tiempo. Se basa en una gran cantidad de datos y es difícil de supervisar por parte de gestores de carteras y analistas. Así que se requieren herramientas que garanticen la reproducibilidad, el control de las versiones, la escalabilidad y el cumplimiento normativo. Además, el criterio humano sigue siendo esencial. Requiere ajustes, pequeños cambios, que pueden implicar enormes diferencias en los resultados y deben evaluarse constantemente. A medida que los datos cambian, debe hacerlo el modelo. Al fin y al cabo, el aprendizaje automático mediante inteligencia artificial para la construcción de carteras de inversión capaz de generar exceso de rentabilidad respecto al riesgo asumido precisa de la colaboración de ingenieros, científicos de datos y los propios gestores de las carteras.
