TRIBUNA de Tony Guida, Senior Quantitative Researcher en RAM Active Investments. Comentario patrocinado por RAM Active Investments.
La innovación tecnológica ya ha empezado a incidir en nuestra vida diaria, y la inteligencia artificial se ha convertido en una de las tecnologías de propósito general más relevantes y disruptivas. Pensemos en el papel que desempeñan los teléfonos inteligentes, impensable hace solo una década, o en la omnipresencia de productos como Netflix y Google Maps.
La gestión de activos se halla a punto de experimentar un cambio de época. El volumen de datos disponibles en el último trienio equivale a todos los datos generados hasta ese momento en la historia de la humanidad. Y, por ahora, solo se ha procesado una pequeña parte de esta información. En el sector de la gestión de activos y, de manera más general, en las finanzas, solo hemos asistido a la punta del iceberg de este cambio. La ingente cantidad de datos que ofrece el progreso, y la rapidez con la que se pone a disposición de los usuarios, han multiplicado el número de variables que deben sopesar los gestores de fondos para adoptar las mejores decisiones de inversión. Cobra vital importancia disponer de las herramientas adecuadas para navegar este vasto océano de información si queremos anticipar las tendencias del mercado, predecir giros en el sentimiento de mercado e identificar las compañías que presentan el mayor potencial de crecimiento.
En un contexto como este, en el que los profesionales de las finanzas pueden acceder a un volumen de información nunca visto antes, no hay duda de que su trabajo se ha vuelto más complicado. Ahora bien, esta abundancia de datos representa una oportunidad sin precedentes para los gestores sistemáticos de activos como RAM Active Investments (RAM AI). RAM Active Investments es una sociedad gestora alternativa y sistemática con una dilatada experiencia en la creación de valor para sus clientes en cualquier coyuntura de mercado. Su enfoque de inversión disciplinado y basado en el análisis permite identificar y aprovechar las ineficiencias del mercado mediante la adopción de las tecnologías más vanguardistas. Fundada en 2007 por Thomas de Saint-Seine, Maxime Botti y Emmanuel Hauptmann, RAM AI, filial del grupo Mediobanca desde marzo de 2018, opera de manera independiente en todo el mundo y cuenta con más de 40 empleados y cuatro oficinas: Ginebra (principal), Zúrich, Luxemburgo y Milán.
En RAM AI creemos firmemente que la correcta combinación de tecnología y análisis elaborado por profesionales con experiencia conduce a unos resultados muy atractivos. El equipo valora el intercambio fructífero de ideas, y la implicación de todos los miembros del equipo en el proceso de análisis y la implementación de nuevos factores redunda en un entorno sólido y flexible de innovación.
La inteligencia artificial (Machine Learning o ML), una disciplina de la ciencia de los datos que utiliza modelos estadísticos para recabar información y realizar predicciones, ha podido empezar a desplegar todo su potencial solo en los últimos años, gracias al incremento exponencial del volumen de datos disponible y el constante abaratamiento de hardware cada vez más potente, que permite procesar miles de datos en un abrir y cerrar de ojos. Los algoritmos de aprendizaje automático pueden analizar miles de fuentes de datos al mismo tiempo, algo físicamente fuera del alcance de analistas y operadores bursátiles.
La aplicación del aprendizaje automático a las inversiones cuantitativas ha sido uno de los temas más debatidos durante el último trienio. El interés sobre el asunto ha puesto sobre la mesa la cuestión del impacto potencial del ML; en concreto, si este constituye una revolución de las técnicas cuánticas, o tan solo una evolución de estas.
Aunque a día de hoy resulta difícil responder a esta pregunta, la mayoría de los académicos y profesionales del sector ya reconocen las ventajas del ML. Sin embargo, las percepciones erróneas más comunes acerca del campo de aplicación del ML se siguen esgrimiendo para desacreditarlo en el ámbito de las inversiones cuánticas, con argumentos centrados más en cuestiones semánticas que en su verdadero potencial. Esta fase temprana, dominada por el aspecto emocional del asunto, ha ralentizado la adopción de estos modernos enfoques.
He aquí algunos de los principales mitos que existen sobre el ML:
Mito número 1: El ML en la inversión sistemática queda reservado a la operativa de alta frecuencia
Está muy extendida la idea equivocada de que el uso de la tecnología en inversiones debería centrarse en las oportunidades de negociación a corto plazo, y que por tanto sus frutos se limitan solo a ese horizonte de tiempo. En un estudio empírico sobre la renta variable estadounidense, constatamos que los modelos ML pueden entrenarse y generar buenos resultados a la hora de predecir las rentabilidades bursátiles en diferentes horizontes temporales, que van desde una semana hasta un año.
Se piensa que predecir el precio de una acción a largo plazo resulta demasiado difícil, dado que muchos factores pueden influir en él y está estadísticamente probado que, a largo plazo, la evolución de los fundamentales de una compañía desempeña un papel primordial a la hora de determinar su valor de mercado.
En RAM AI, las simulaciones que llevamos a cabo demostraron que los modelos de ML pueden entrenarse con éxito en diferentes horizontes temporales, logrando niveles de exactitud que oscilan entre el 52% y el 55% y una precisión de entre el 51% y el 54%.
Mito número 2: El ML es una caja negra
Mucha gente sigue opinando que los enfoques ML son, en esencia, cajas negras en las que no se puede ni investigar cómo trabaja el algoritmo ni entender por qué ha efectuado ciertas predicciones.
Algunos modelos son interpretables por naturaleza. A título de ejemplo, los modelos en árbol se pueden interpretar globalmente y con un lenguaje nativo. Como complemento a los modelos interpretables a escala global se han desarrollado modelos interpretables agnósticos. De forma más reciente, ha surgido un corpus de investigación en el que no solo se aborda esta problemática, sino que se proporcionan las herramientas axiomáticas y operativas adecuadas.
Todo lo relativo al ML se puede interpretar ahora partiendo de modelos interpretables agnósticos que clasificarán en cada momento la importancia de cada una de las características (factores) utilizadas.
El ML no es algo nuevo, pues esta tecnología emergió en los años 50 y ha seguido desarrollándose desde entonces. No obstante, es ahora cuando ha empezado a desplegar todo su potencial. La implementación de técnicas de ML ha hecho posible una nueva manera de realizar el análisis de inversiones en la actualidad. La aplicación de la tecnología permite detectar señales relativas al sentimiento de gran importancia para complementar y capturar patrones de mercado que no se hallan reflejados en las señales tradicionales habituales. El ML en la inversión sistemática está ganando adeptos gracias a los avances en los modelos de interpretabilidad.
Rebatir los mitos en torno al ML resulta un paso necesario para incrementar la confianza en el uso de esta herramienta y contribuir al esfuerzo educativo que aún se precisa sobre este asunto.
