El aprendizaje automático (AA) está siendo elogiado como un método mejor para seleccionar acciones. No obstante, en la práctica, las ventajas de utilizar el AA y la inteligencia artificial (IA) en la construcción de carteras se manifestarán de varias formas diferentes. La llegada de la IA sencillamente es, en nuestra opinión, la última fase de la larga evolución de la inversión cuantitativa. Es lo que podríamos denominar la inversión cuantitativa 2.0.
Fue durante los años ochenta cuando los gestores cuantitativos de carteras empezaron a utilizar algoritmos para seleccionar inversiones y gestionar el riesgo. Aquellos sencillos modelos monofactor –que se utilizaban para identificar las primas de riesgo– se convirtieron rápidamente en sistemas multifactor más sofisticados que analizaban fenómenos tan variados como los cambios en las preferencias de los analistas, el posicionamiento de los inversores y la estabilidad de los beneficios empresariales. Hoy en día, los inversores cuantitativos trabajan con una gran variedad de sistemas basados en el aprendizaje automático. No cabe duda de que es necesario implantar en mayor medida esta nueva y potente tecnología.
Aplicaciones de la inteligencia artificial en las carteras
La digitalización de la economía mundial ha provocado un rápido aumento de los datos disponibles, tanto de los estructurados ─como los datos financieros comunicados por las empresas─ como de los no estructurados ─textos, archivos de vídeo e imágenes. La forma de analizar y combinar dichos datos mediante la utilización de modelos cada vez más extensos está resultando ser a la vez un gran reto y una oportunidad para los gestores cuantitativos de carteras.
La IA puede ayudar en varios frentes:
- La inteligencia artificial puede utilizarse para extraer señales y patrones de diversas fuentes de datos
La IA basada en el procesamiento del lenguaje natural (PLN), por ejemplo, puede emplearse para analizar la opinión sobre las empresas en artículos de prensa, informes de analistas “sell-side” o transcripciones de conferencias de resultados. Esto es especialmente útil para los gestores de carteras cuantitativas que, a diferencia de los analistas de empresas, no suelen reunirse con sus directivos y, por lo tanto, corren el riesgo de perderse ciertas señales “más sutiles” que pueden influir en la rentabilidad de las acciones. Creemos que, correctamente implantadas, las técnicas de PLN utilizadas para analizar las transcripciones de conferencias de resultados pueden identificar, en muchos casos, información importante que no figura en el comunicado oficial de resultados. - La inteligencia artificial puede posibilitar unas previsiones de inversión más acertadas
Estamos convencidos de que los avances de la IA permiten realizar previsiones más acertadas sobre acciones concretas que la inversión por factores tradicional. La inversión por factores tradicional está diseñada para utilizar las primas de riesgo –señales de inversión basadas en la teoría económica y respaldadas por investigaciones empíricas. Con la ayuda de la IA avanzada, la inversión cuantitativa 2.0 permite a los gestores de carteras identificar anomalías que trascienden más allá de dichas primas. Con frecuencia, estas anomalías se encontrarán en los horizontes temporales más cortos como, por ejemplo, en los inferiores a un mes, al ser plazos en los que el posicionamiento de los inversores y la actividad del mercado influyen más en la rentabilidad de las acciones que las fuerzas macroeconómicas o los fundamentales de las empresas. En muchos casos, las diversas fuentes de datos pueden aportar orientación sobre los cambios de comportamiento. La IA permite combinar cientos de características, lo cual permite a los inversores cuantitativos captar las relaciones e interacciones entre los datos para realizar previsiones más acertadas. - Las aplicaciones de la inteligencia artificial no solo se limitan a la selección de títulos°
El nuevo aprendizaje automático puede aplicarse más allá que a la selección de títulos, incorporando diversos horizontes temporales con el fin de controlar el riesgo de las carteras, reducir los costes de ejecución de las operaciones y optimizar el posicionamiento de las carteras. Esta cuestión se aborda con más detalle en un artículo de investigación publicado en Quantitative Finance por nuestro gestor de inversión cuantitativa Thibault Jaisson, “Deep differentiable reinforcement learning and optimal trading”.
La transparencia es esencial cuando se utiliza el AA para invertir
Muchos documentos de investigación recientes han puesto de manifiesto la superioridad de los modelos de AA a la hora de predecir la rentabilidad de los valores.
No obstante, en la práctica, emplear modelos basados en IA en la inversión es una tarea plagada de complejidad y riesgo. La creencia de que los inversores pueden adoptar la IA como un registrador de datos ha dejado de ser válida. Es necesario descomponer las características, las posiciones, los riesgos y el comportamiento de los datos subyacentes. La transparencia es crucial, algo que nuestro equipo cuantitativo analizó en profundidad en otro artículo titulado "Performance attribution of machine learning methods for stock returns prediction" publicado en The Journal of Finance and Data Science.
¿Qué ha revelado nuestro propio análisis de descomposición de las rentabilidades?
En primer lugar, que parte del exceso de rentabilidad de los modelos basados en IA procede de estrategias como el “reversal”, es decir, aquellos valores que, debido a un patrón de rentabilidad particular, es probable que cambién de dirección. O el “short-term momentum”, aquellos valores que mantendrán su trayectoria actual. Estas son estrategias que emplean los gestores de arbitraje estadístico en los modelos tradicionales.
Otra parte del exceso de rentabilidad procede de la disponibilidad de una cantidad de características mucho mayor de la que puede utilizarse eficazmente en los modelos cuantitativos tradicionales. Por lo general, los modelos tradicionales analizan decenas de estas características. Sin embargo, los basados en IA pueden procesar cientos de ellas y son además capaces de asignar una mayor importancia a las características que tienen un mayor impacto positivo en las rentabilidades.
La última parte del exceso de rentabilidad procede de los efectos de la interacción entre las características que forman parte del análisis. Por ejemplo, los títulos que gozan de una opinión de los analistas positiva y de un bajo interés a corto plazo –en los casos en que solo muy pocos fondos alternativos mantienen una posición corta en ellos– se comportarán de forma diferente a los títulos en los que ocurre lo contrario.
El criterio humano sigue siendo esencial en la implantación de la inteligencia artificial
Crear un modelo de AA que sea fiable, rápido, preciso y que se pueda supervisar y adaptar de forma continua a lo largo del tiempo es complicado y requiere mucho tiempo. Los modelos de AA se basan en una gran cantidad de datos, lo que dificulta su supervisión por parte de los distintos gestores y analistas de carteras.
Un gestor de carteras no es suficiente. Se necesita una plataforma sólida para utilizar la IA al invertir
Modelos de AI:
- Requieren que los gestores realicen varios ajustes y, como los pequeños cambios pueden ocasionar enormes diferencias en los resultados, dichos cambios deben evaluarse constantemente.
- Se basan en datos reales para elaborar las predicciones por lo que, a medida que cambian los datos reales, también debería hacerlo el modelo. Esto significa que nosotros, como gestores de carteras, debemos estar al tanto de los nuevos cambios en los datos y asegurarnos de que el modelo los incorpora al mismo ritmo.
Para superar estos retos, es esencial contar con una plataforma sólida de operaciones de IA. Dicha plataforma debería estar dotada de herramientas específicas que garanticen la reproducibilidad, el control de versiones, la adaptabilidad y la conformidad normativa.
La implantación de la IA en la construcción de carteras requiere una colaboración fluida entre ingenieros, científicos de datos y gestores de carteras, todo ello encaminado a crear un proceso de toma de decisiones transparente y capaz de generar alfa.
