La trayectoria profesional de Alexandra Nagy en el ámbito de la inversión le debe mucho a la inteligencia artificial. Asimismo, la estrategia cuantitativa de inteligencia artificial de Pictet Asset Management, QuestAI, le debe mucho a Alexandra Nagy.
Nagy, que en la actualidad es gestora de inversiones, se encontraba realizando prácticas como titulada universitaria en la función de riesgos del Grupo Pictet, en 2021, cuando fue destinada al equipo de estrategia cuantitativa dirigido por Stéphane Daul, gestor sénior de inversiones. Era lógico que así fuera. El equipo cuantitativo se encontraba en las etapas iniciales del desarrollo de un modelo de inversión basado en IA y Nagy era licenciada en Física con formación académica en aprendizaje automático.
El modelo en el que trabajaban utilizaba la IA para examinar minuciosamente millones de datos relacionados con el mercado con el fin de encontrar formas de generar rentabilidades adicionales en una cartera para un nivel de riesgo determinado. El trabajo inicial del equipo dio como resultado un artículo científico que sentó las bases teóricas de la estrategia QuestAI: “Performance Attribution of Machine Learning Methods for Stock Returns Prediction”, escrito por Nagy en colaboración con Daul y otro compañero de Pictet Asset Management, Thibault Jaisson.
El artículo fue crucial porque el equipo de estrategia cuantitativa de Pictet Asset Management comprendió desde el principio que no bastaba con crear un modelo de aprendizaje automático de “caja negra” que, con determinados datos de entrada, generara previsiones exactas de la rentabilidad de las acciones.
El equipo también sabía que, para que la IA se aplicara con éxito a una estrategia de inversión, era necesario poder identificar de dónde procedía la rentabilidad prevista. En otras palabras, necesitaban conocer en detalle cómo generaba el modelo sus recomendaciones sobre acciones.
Ahí es donde intervino Nagy.
Su tesis doctoral trataba sobre la aceleración de los procesos de entrenamiento del aprendizaje automático para entrenar modelos cada vez más complejos, lo cual se había convertido en una cuestión esencial para los expertos cuantitativos de Pictet Asset Management que, en aquel momento, estaban aumentando la complejidad de sus propios modelos.
La tesis doctoral de Nagy en el Instituto Politécnico Federal de Lausana (EPFL) versaba sobre el aprendizaje automático y la física cuántica, y la realizó tras trabajar como investigadora en el CERN, el mayor laboratorio de física de partículas del mundo, situado en las afueras de Ginebra. En el CERN, llevó a cabo simulaciones a gran escala manejando vastos conjuntos de datos y desarrollando soluciones matemáticas para sistemas de alta complejidad e incertidumbre.
Sin embargo, este trabajo era puramente teórico. Ella deseaba encontrar aplicaciones en el mundo real, y eso es lo que la llevó a Pictet.
Alexandra Nagy, gestora de inversiones, inversión multiactivos y cuantitativa
Su experiencia era perfecta para la clase de investigaciones que estaba llevando a cabo el equipo cuantitativo de Pictet Asset Management: la extracción de grandes cantidades de datos para obtener previsiones exactas de la rentabilidad futura de las acciones.
“Por ejemplo, utilizamos datos de IBES que recogen las previsiones de beneficios de los analistas y sus preferencias en cuanto a las empresas”, afirma. “Esto ayuda a nuestros modelos a identificar señales y tendencias sutiles que podrían no ser visibles de inmediato en los datos de precios o volúmenes por sí solos”.
El método de modelización por el que finalmente se decantó el equipo se conoce como “árboles de potenciación”. Consiste en generar varios árboles de decisión (modelos estructurados como diagramas de flujo) y, a continuación, identificar y mejorar los árboles en aquellas áreas en las que su capacidad predictiva es más débil mediante un entrenamiento iterativo.
«Es como ir al optometrista», afirma Nagy. “Con cada serie de lentes se intenta agudizar la visión un poco más hasta dar con la graduación adecuada”.
Aunque la colaboración de Nagy con el equipo cuantitativo fue lo suficientemente importante como para que fuera coautora del artículo de investigación fundacional de QuestAI, surgió una oportunidad en el equipo de análisis cuantitativo de otra entidad de inversión que la llevó a dejar Pictet.
«Sin embargo, seguí en estrecho contacto con el equipo. Solía almorzar con Stéphane cada pocas semanas», añade. “Quería saber cómo evolucionaba el modelo, lo consideraba un poco como si fuera mi hijo”.
El modelo se vuelve a entrenar y actualizar cada tres meses y los nuevos avances se introducen cada seis o diez meses. Dedicamos mucho tiempo a comprender cómo funciona en la cartera.
De modo que, cuando QuestAI se puso en marcha, el equipo pidió a Nagy que volviera. Para ella, regresar a Pictet era el siguiente paso lógico. Desde el principio, la estrategia ha sido un gran éxito, consiguiendo 1.700 millones de USD en activos en 18 meses. Nagy explica el motivo en pocas palabras: “Los resultados del modelo coinciden en gran medida con lo que habíamos previsto”.
El rendimiento ha sido claro, aunque el modelo dista mucho de ser sencillo. Por un lado, se entrena con aproximadamente 400 de lo que el equipo denomina “características”, extraídas de numerosas series de datos como los beneficios por acción y los ratios precio-valor contable, así como datos sobre las preferencias de los analistas.
El modelo capta tanto las relaciones directas como las más complejas entre las características y las rentabilidades de las acciones. Algunas de ellas son efectos lineales en los que una característica tiene una repercusión directamente proporcional sobre la rentabilidad prevista. Otras son no lineales, en las que el efecto es más complicado pero a menudo puede ser captado por los modelos tradicionales. Las más complejas son las interacciones entre características, en las que la influencia conjunta de dos o más características solo puede determinarse con técnicas de IA avanzadas.
El equipo dedica un esfuerzo considerable a desglosar las predicciones del modelo para calcular en qué medida contribuye cada una de estas fuentes a la previsión final. Al atribuir cuidadosamente partes de la predicción a diferentes efectos, pueden interpretar mejor las señales del modelo y tener mayor confianza en sus recomendaciones.
No obstante, los seres humanos –inteligentes y con experiencia– siguen siendo necesarios para el desarrollo y perfeccionamiento permanente del modelo. Por ejemplo, durante la fase de construcción de la cartera, los gestores tienen la opción de modificar las posiciones si consideran que la situación de una empresa en un momento dado es demasiado específica como para confiar en la predicción del modelo, como puede ser el caso durante las fusiones y adquisiciones. También debe tenerse en cuenta la supervisión del modelo: antes de ejecutar cualquiera de las operaciones recomendadas por el modelo, es necesaria la validación por parte de los gestores. Además, son necesarios para especificar las restricciones, si existen, de la cartera, como garantizar que la estrategia sea neutral en cuanto a factores, sectores y geografías.
El desarrollo es riguroso y continuo.
“El modelo se entrena y actualiza cada tres meses y los nuevos avances se introducen cada seis o diez meses. Dedicamos mucho tiempo a comprender cómo funciona en la cartera”, afirma Nagy. Es un proceso meticuloso”.
En cierto modo, la trayectoria de Nagy en la gestión de inversiones ha avanzado en paralelo al modelo de QuestAI. Ambos siguen evolucionando simultáneamente, y la IA se está consolidando cada vez más como una tercera modalidad de inversión junto con la gestión activa y pasiva.
-
1.700 millones
de USD
Activos de QuestAI en 18 meses
Esperamos que el rendimiento generado por los modelos basados en IA sea en gran medida independiente del producido por los enfoques cuantitativos o fundamentales tradicionales. En ese sentido, consideramos que la IA es complementaria, ya que su verdadero valor reside en ofrecer una perspectiva adicional que contribuya a asignar el capital de manera más equilibrada.