1. Stéphane Daul, ¿de qué modo influye su formación académica en Física en su trabajo como gestor principal de la estrategia Quest AI-driven de Pictet Asset Management?
Obtuve mi doctorado en Física Teórica en 1997. Tras publicar unos 15 artículos de investigación en esta materia durante mi etapa académica, me incorporé al sector financiero en 2001, especializándome en gestión de riesgos durante más de diez años. Obtuve el título de analista financiero (CFA) en 2004 y me incorporé a Pictet AM en 2011, donde actualmente formo parte del equipo de estrategias de renta variable cuantitativa.
A lo largo de mi carrera financiera, he adaptado todas las técnicas que aprendí durante mis años en el mundo académico y he cambiado mi perspectiva. En la física teórica se necesita un 99,99% de precisión, mientras que en la gestión de riesgos, tan solo un 95%. Sin embargo, en la gestión de activos resulta muy difícil romper los pronósticos, así que se fija el 55% como objetivo. Lo interesante de la inversión cuantitativa activa es que permite beneficiarse de las grandes cifras, lo que significa que resulta más fácil romper los pronósticos con una cartera de 300 títulos que con una más concentrada.
Ahora, gracias a la inteligencia artificial y el aprendizaje automático (IA/AA), esto puede ampliarse a cifras aún mayores.
2. ¿Cuál es el origen de la IA/AA en Pictet Asset Management?
Cuando me incorporé a Pictet AM en 2011, fui uno de los primeros en hablar del aprendizaje estadístico, el predecesor del aprendizaje automático. Pusimos a prueba algunas estrategias, que no funcionaron en aquel momento, pero hace aproximadamente cuatro años las cosas empezaron a cambiar. Las mejoras de la potencia informática y la aparición de nuevas técnicas hicieron posible lo que antes era inalcanzable. Por ejemplo, el desarrollo de LightGBM“LightGBM: a highly efficient gradient boosting decision tree”, Ke, G. et al., publicado en Advances in neural information processing systems, 30, 2017. en 2017 posibilitó un entrenamiento más rápido de los árboles de decisión. Hemos estado investigando y probando este método, del cual se puede obtener más información en el estudio recientemente publicado sobre nuestra nueva estrategia Quest AI-driven“Performance attribution of machine learning methods for stock returns prediction”, Stéphane Daul, Alexandra Nagy y Thibault Jaisson, publicado en The Journal of Finance & Data Science en abril de 2022..
No solo se trata de construir un modelo que funcione, sino de encontrar las características correctas y aplicar una disciplina estricta para evitar trampas tales como el sobreajuste o los errores de sesgo.
El objetivo final es emitir una señal de rentabilidad superior o inferior y, para ello, se necesita tanto una plataforma sólida como una colaboración fluida entre los ingenieros, los científicos de datos y los gestores de carteras de nuestro equipo de inversión.
3. ¿Cómo utilizan la IA/AA en su estrategia?
Entre otros métodos, utilizamos árboles de clasificación y regresión o, más concretamente, árboles de potenciación del gradienteLos árboles de potenciación del gradiente son algoritmos de aprendizaje automático que combinan múltiples árboles de decisión en un proceso iterativo para crear un modelo predictivo más preciso y exhaustivo., para predecir las rentabilidades de los títulos.
Nuestro modelo ha sido entrenado con los datos recogidos durante décadas y con más de 250 características como, entre otras, fundamentales de las acciones, sentimientos de los analistas o actividades de precios y mercados.
Esto viene avalado por nuestra convicción de que, en horizontes temporales cortos, el comportamiento de los inversores es el factor que más impulsa la rentabilidad de los títulos. Al posibilitar la combinación de una gran variedad de características y detectar las relaciones de los datos y los efectos de la interacción entre ellos, la IA/AA se convierte en una potente herramienta para evaluar rápida y eficazmente esos cambios de comportamiento y realizar, de este modo, previsiones más precisas.
También creemos que es esencial descomponer nuestro modelo para comprender verdaderamente sus predicciones. ¿Qué características son las más eficaces? ¿Existe algún patrón? No queremos crear una caja negra con un poder de predicción susceptible de desaparecer sin que lo sepamos.
Lo realmente interesante de este sector es que las posibilidades son infinitas. Siempre queda algo más por descubrir, o incluso probar. Por ejemplo, en este momento estamos estudiando la posible utilización de redes neuronales profundas en nuestra estrategia y estamos probando otras características para ver si podemos extraer señales de ellas. También estamos investigando formas de aplicar la IA/AA en nuestro optimizador, que es la herramienta que utilizamos para construir y valorar adecuadamente la proporción de títulos de nuestras carteras.
4. ¿Cambiará la IA generativa la forma en que gestionan sus estrategias?
La IA generativa genera texto o imágenes falsos, lo cual no se adapta a una estrategia cuántica, al menos no en su forma actual. Además, su aplicabilidad es limitada debido a su falta de previsibilidad.
Sin embargo, podría resultar de gran utilidad en otros ámbitos, como la gestión de riesgos. La IA generativa podría emplearse para generar datos financieros sintéticos que capten las propiedades estadísticas y las dependencias de los datos del mercado real. Estos crearían escenarios realistas que podrían servir de complemento a las pruebas de resistencia tradicionales.
5. ¿Cree que las máquinas sustituirán a los gestores de carterass?
No en un futuro próximo. Los modelos de IA/AA aún necesitan a los seres humanos para su desarrollo, supervisión y actualización.
Además, creo que los gestores de carteras se adaptarán con rapidez, como tantas veces han demostrado a lo largo del tiempo. Ahora que los gestores tradicionales utilizan el análisis cuantitativo, los gestores cuantitativos emplean técnicas de IA/AA. El conjunto del sector evoluciona a la par que su entorno, así que ¿por qué no imaginar una futura generación de gestores de carteras provistos de tecnologías de vanguardia como la informática cuántica? Todo es posible.
