Gestió de carteres: totes les maneres en què la IA està transformant les estratègies d'actius modernes

L'auge de la IA, òbviament, ha afectat diverses indústries, i la indústria financera és una de les que s'han vist més afectades . Per exemple, el llançament públic de models com el GPT-3.5 l'any passat ha augmentat l'interès per utilitzar la IA per ajudar a augmentar les habilitats dels gestors de fons en l'anàlisi, la gestió del risc i la presa de decisions.

Així, s'implementen eines d'IA per fer que les avaluacions del mercat siguin més precises i gestionar els riscos de manera més eficaç. S'espera que els gestors de carteres facin una avaluació més clara dels moviments del mercat, redueixin les opcions d'inversió adequades i gestionen els riscos quan apliquen algorismes d'aprenentatge automàtic, processament de llenguatge natural i eines d'intel·ligència artificial en el seu negoci.

La integració d'algoritmes d'aprenentatge automàtic, així com d'eines de processament del llenguatge natural a les estratègies comercials dels actors clau, els ajuda a augmentar l'eficiència d'aquests processos i obtenir un avantatge competitiu amb decisions d'inversió més ràpides i precises i anàlisis predictives.

En les últimes dècades, la IA s'ha implementat en diferents sectors de la indústria financera. A l'oficina de fons, els algorismes de ML s'utilitzen per trobar anomalies en els registres d'execució, detectar transaccions sospitoses i gestionar els riscos, cosa que augmenta l'eficiència i la seguretat. A la recepció, l'IA ajuda a segmentar els clients, automatitzar els processos d'atenció al client i optimitzar els preus dels derivats.

Tanmateix, la part més intrigant d'això són les capacitats d'IA per a la compra de les finances: identificar senyals predictius enmig del soroll del mercat mitjançant l'anàlisi de quantitats importants de dades el més ràpid possible. Per exemple, aquestes aplicacions poden incloure previsió de sèries temporals, segmentació de mercats i, per descomptat, gestió de carteres d'actius. Les oportunitats de l'IA per processar i analitzar grans conjunts de dades ajuden a trobar patrons subtils que probablement els mètodes tradicionals es perdran.

L'optimització de la cartera ha estat una pràctica habitual durant diverses dècades, evolucionant significativament sota el desenvolupament de la ciència de dades i la implementació de tècniques computacionals avançades. Els enfocaments clàssics, com ara la teoria de la cartera moderna de Markowitz (1952) i el model de preus d'actius de capital (1964) es van introduir fa més de 50 anys, però encara segueixen sent rellevants. Tanmateix, les seves limitacions en el maneig del risc no lineal i la dependència de les dades històriques són cada dia més evidents.

Pràctiques com el modelatge de riscos, l'anàlisi d'escenaris i el comerç quant, implementades àmpliament per actors clau, com Renaissance Technologies, DE Shaw i Two Sigma Investments, han portat a la implementació d'algorismes més complexos i avançats. A més, la indústria s'ha vist molt afectada per la IA en els darrers anys, ja que l'aprenentatge automàtic i la intel·ligència artificial han fet que l'anàlisi predictiva sigui més precisa i ha fet el mateix amb les estratègies d'inversió personalitzades i els processos de presa de decisions complexos automatitzats.

Aquesta transformació impulsada per IA ha permès als gestors de carteres processar una gran varietat de dades en temps real i resoldre els tres reptes principals:

• Escalabilitat: ara és més fàcil gestionar i analitzar dades a gran escala de diversos actius i mercats globals.

• Presa de decisions complexa: la IA pot "tenir en compte" més factors, inclosa l'anàlisi psicològica i del comportament, en els processos de presa de decisions.

• Adaptabilitat: els sistemes d'IA poden aprendre sense parar i adaptar-se a les noves condicions del mercat, ajudant els gestors a ajustar estratègies ràpidament.

Segons Informació del mercat global , AI al mercat de gestió d'actius es va valorar en 2.500 milions de dòlars i s'espera que creixi a un CAGR del 24% durant els propers 10 anys. Curiosament, l'optimització de la cartera lidera la segmentació del mercat global per aplicació, seguida de l'anàlisi de dades, que té en compte 25% de la quota de mercat .

Augmentar l'adopció i la inversió en solucions de gestió d'actius impulsades per IA i destacant l'ús pràctic de la IA en l'optimització de carteres.

Adopció d'IA a la gestió de carteres:

L'adopció de la IA dins del sector de la gestió d'actius no és una tendència nova; ha experimentat un creixement en els darrers anys, però encara es limita a un nombre reduït d'agents del mercat, és a dir, fons de cobertura, oficines de gestió quantitativa, grans departaments d'investigació i institucions financeres que utilitzen serveis informàtics.

Ja hi ha molts camps d'aplicació de la IA:

Optimització de la cartera

La IA millora significativament el procés d'optimització de la construcció de la cartera. Per exemple, l'enfocament clàssic de la teoria de la cartera moderna de Markowitz, que es basa en conceptes d'optimització convexos, serveix com a precursor de les metodologies contemporànies impulsades per IA. La raó per la qual aquesta teoria fonamental és tan fonamental és que constitueix la base a partir de la qual els algorismes d'IA poden canviar i perfeccionar encara més les estratègies d'inversió.

Avui en dia, la IA amplia aquesta teoria explorant noves dimensions de les dades i integrant tècniques analítiques avançades. Aquesta capacitat de dades ampliada permet una presa de decisions més matisada i informada, una pràctica que s'ha utilitzat àmpliament a la indústria.

Anàlisi Fonamental

Algunes tècniques d'IA són perfectament compatibles amb la gestió quantitativa, utilitzant grans volums de dades sobre els fonaments de l'empresa, l'entorn macroeconòmic o les condicions del mercat. Els algorismes d'aprenentatge automàtic poden trobar relacions complexes no lineals entre diferents variables i, per descomptat, detectar tendències que els analistes no poden.

Anàlisi textual

L'anàlisi textual és una altra aplicació de la IA en l'anàlisi fonamental. Mitjançant el processament del llenguatge natural (NLP), la IA processa i analitza fonts textuals com ara informes de guanys corporatius, comunicats de premsa del banc central i notícies financeres. Mitjançant la PNL, la IA pot extreure informació econòmica i financera important d'aquestes dades no estructurades. En fer-ho, proporciona una mesura quantitativa i sistemàtica que millora i ajuda les interpretacions humanes.

Activitats comercials

Els poders de l'IA són extremadament útils en el comerç, on la complexitat de les transaccions i la necessitat de velocitat estan en equilibri. La IA admet el comerç algorítmic automatitzant moltes etapes del procés, millorant l'eficiència de les transaccions gestionades als mercats financers.

Serveis d'assessorament en inversió

La IA ha obert una oportunitat per a una oferta més àmplia de serveis d'assessorament d'inversió personalitzats a un cost més baix. Aquests sistemes utilitzen algorismes complexos per processar dades de mercat en temps real, proposant les estratègies més adequades per a les necessitats individuals dels clients en funció dels seus objectius de rendibilitat i perfils de risc.

Gestió de riscos

En la gestió del risc, la IA ajuda modelant diversos escenaris "probables però indesitjables", que al seu torn milloren les pràctiques tradicionals que se centren només en resultats majoritàriament probables.

Tècniques i eines d'intel·ligència artificial (IA) en la gestió de carteres

Algoritmes d'aprenentatge automàtic:

Els mètodes clàssics d'aprenentatge automàtic encara són molt populars a la gestió de carteres, i són: models lineals, inclosos els mínims quadrats ordinaris, regressió de cresta i regressió de lazo. Sovint es combinen amb el procediment d'optimització de la variació mitjana i les tècniques de descomposició de matrius com ara la descomposició de valors singulars (SVD) i l'anàlisi de components principals (PCA), que són fonamentals per entendre les relacions d'actius i optimitzar les assignacions de carteres.

Entre aquests enfocaments clàssics i mètodes més moderns es troben les màquines de vectors de suport (SVM). Tot i que els SVM s'utilitzen a la pràctica, no s'utilitzen tan habitualment, però tenen un paper important, particularment, en les tasques de classificació destinades a predir el rendiment de les existències.

Aquestes tasques solen incloure predir si una acció experimentarà un benefici o una pèrdua, utilitzant dades financeres històriques incloses les fluctuacions dels preus de les accions i els volums de negociació per classificar els actius en categories i preveure el seu rendiment.

Parlant de mètodes més moderns, les xarxes neuronals mostren avenços importants en l'aprenentatge automàtic per a la gestió de carteres i ofereixen capacitats millorades per modelar patrons no lineals complexos que són difícils de capturar amb models tradicionals. A més de les xarxes neuronals, altres enfocaments clàssics com l'aprenentatge supervisat i no supervisat milloren i perfeccionen encara més l'anàlisi de dades, fent possible el descobriment i l'explotació de senyals subtils del mercat.

Els enfocaments més nous, com ara Reinforcement Learning i Deep Q-Learning, aporten aquestes qualitats a entorns ràpids de presa de decisions, on les carteres es poden ajustar en temps real per optimitzar els resultats financers basats en l'aprenentatge del sistema a partir de la retroalimentació del mercat.

Processament del llenguatge natural (PNL):

Les tècniques de processament del llenguatge natural com l'anàlisi de sentiments poden ajudar a escollir i triar opinions habituals a partir d'articles de diaris, publicacions a les xarxes socials i informes d'analista. A més, els gestors de carteres també poden analitzar el llenguatge utilitzat als mitjans financers, inclosos els informes de guanys de les empreses, per sentir el sentiment dels inversors i predir els moviments del mercat, tot això és informació crucial en el procés de presa de decisions.

Estratègies comercials quantitatives:

Les empreses especialitzades en el comerç d'alta freqüència (HFT), com les que utilitzen algorismes de comerç quantitatius basats en IA, guanyen diners amb les ineficiències que es produeixen només per un moment al mercat. Aquestes empreses utilitzen tecnologies d'aprenentatge automàtic per analitzar la informació rellevant del mercat a velocitats extremadament altes i fer comandes amb un temps de precisió durant tan sols un mil·lisegon.

Aquesta execució ràpida els permet beneficiar-se de les oportunitats d'arbitratge i maximitzar els beneficis actuant sobre les discrepàncies de preus més ràpidament que els competidors. Tot i que Renaissance Technologies és coneguda pels seus enfocaments comercials quantitatius, és important tenir en compte la seva estratègia més àmplia que inclou diversos períodes de retenció de les pràctiques tradicionals d'HFT, que se centren principalment en la velocitat.

IA explicable (XAI):

LIME (Explicacions agnòstiques del model interpretable local) és un mètode XAI destacat que s'utilitza per fer més comprensibles els resultats de models d'aprenentatge automàtic complexos. En la gestió de carteres, aquest mètode pot ser molt valuós per interpretar com els models de caixa negra fan prediccions. Mitjançant l'ús de dades d'entrada i l'anàlisi de l'impacte en les sortides del model, LIME ajuda els gestors de carteres i els científics de dades a definir quines característiques influeixen en les decisions d'inversió més que altres.

Aquest procés ajuda a millorar la transparència de les decisions impulsades per l'IA i dóna suport als esforços per verificar i millorar la facilitat d'entendre aquests models. Tanmateix, mentre LIME millora la nostra comprensió del comportament del model, avaluar la fiabilitat global dels models implica tècniques de validació addicionals.

IA en compliment i seguiment:

La tecnologia d'IA té un paper important per garantir el compliment dels marcs reguladors i supervisar les restriccions d'inversió al sector financer. En automatitzar aquests processos, els sistemes d'IA ajuden les empreses financeres a respectar els estàndards legals de manera més eficient, més precisa i a no tenir problemes. Aquesta tecnologia és molt valuosa per controlar el compliment de grans volums de transaccions i activitats de cartera diverses, on pot identificar ràpidament (de fet, de manera instantània) les desviacions dels requisits reglamentaris o les directrius internes.

A més, l'ús de la intel·ligència artificial minimitza el risc d'error humà, que és crucial en entorns reguladors d'alt risc on els errors poden tenir conseqüències legals i financeres.

Reequilibri de la cartera:

Les aplicacions d'IA en el reequilibri automatitzat són crucials per mantenir les assignacions d'actius ideals al llarg del temps. Poden ajustar les carteres en resposta als canvis del mercat o als canvis en el perfil de risc d'un inversor, cosa que garanteix l'alineació amb els objectius estratègics d'inversió.

En una visió més àmplia

A més de les aplicacions dissenyades específicament per a la inversió, el potencial per al desenvolupament de la intel·ligència artificial dins del negoci de gestió d'actius sembla ser extens. Tanmateix, malgrat que veiem instintivament la possibilitat d'automatitzar feines específiques en diverses etapes de la cadena operativa, encara és difícil preveure completament el poder disruptiu de la intel·ligència artificial. Això es deu al fet que s'espera que la IA doni lloc a nous sectors d'aplicació a mesura que es desenvolupin avenços addicionals.

Hem de tenir en compte les limitacions de la intel·ligència artificial i els perills que suposa per a alguns aspectes de la gestió de carteres, malgrat que ha permès avenços tecnològics i guanys de productivitat mitjançant la intel·ligència artificial. En primer lloc, la intel·ligència artificial i els enfocaments d'aprenentatge automàtic es basen en dades que s'utilitzen per alimentar els algorismes d'aprenentatge.

És necessari que aquestes dades siguin d'alta qualitat quant a actualitzacions, precisió, exhaustivitat i representativitat.

A més de l'exigència d'un volum de dades molt gran, que no sempre està disponible, es dóna el cas que aquestes dades han de ser de bona qualitat. En qualsevol altre cas, les troballes que s'obtenen mitjançant models predictius no són fiables ni resilients.

A més, els algorismes també poden fer suposicions falses escollint tendències irrellevants del conjunt de dades que s'analitza, cosa que pot conduir a conclusions errònies. Això pot provocar una presa a gran escala, salts massa forts i els xocs més petits possibles. La pèrdua de competència en el mercat pot produir-se a causa del fet que molts operadors del mercat que gestionen els mateixos algorismes d'IA podrien cometre la decisió equivocada simultàniament o reaccionar de manera similar a una circumstància en temps real. Aquest risc podria arribar a ser fatal.

Malgrat els beneficis potencials de la IA en la gestió de carteres, com en qualsevol camp, hi ha molts reptes que hem de tenir en compte i, finalment, abordar. Una de les principals dificultats és la possible manca de transparència i problemes d'interpretació dels models d'IA, que poden dificultar als directius explicar els resultats de la seva col·laboració amb la IA. Aquesta complexitat d'ús pot ser una de les raons per les quals l'adopció de la IA als fons europeus és relativament baixa. A partir de setembre de 2022, només 65 de 22.000 fons amb seu a la Unió Europea van afirmar utilitzar IA en els seus processos d'inversió.

Autoritat Europea dels Mercats Financers (ESMA) ha identificat factors que poden contribuir a la baixa taxa d'adopció, com ara la manca de marcs reguladors clars i habilitats d'IA entre els gestors de fons. Tanmateix, el repte d'explicar els resultats de la IA a causa de la complexitat del model també pot ser un dels factors que justifiquen la baixa taxa d'adopció. Suposo que ho sabrem amb el temps.

En aquest punt, sembla que la intel·ligència artificial encara està molt lluny de substituir totalment persones reals en el sector de la gestió d'actius. Dit això, la transparència, la relació de confiança i el contacte entre clients i experts en gestió segueixen sent característiques fonamentals, ara més que mai.

No obstant això, no podem negar que la intel·ligència artificial porta amb si eines noves i emocionants que es poden utilitzar a la cadena de valor, i el potencial d'aquestes eines realment podria canviar l'aspecte de la indústria actual.