Gestión de carteras: todas las formas en que la IA está transformando las estrategias de activos modernas

El auge de la IA obviamente ha impactado a varias industrias, y la industria financiera se encuentra entre las que más se han visto afectadas . Por ejemplo, el lanzamiento público de modelos como GPT-3.5 el año pasado ha aumentado el interés en utilizar la IA para ayudar a aumentar las capacidades de los administradores de fondos en el análisis, la gestión de riesgos y la toma de decisiones.

Por lo tanto, se implementan herramientas de inteligencia artificial para hacer que las evaluaciones del mercado sean más precisas y gestionar los riesgos de manera más efectiva. Se espera que los gestores de cartera realicen una evaluación más clara de los movimientos del mercado, limiten las opciones de inversión adecuadas y gestionen los riesgos cuando apliquen algoritmos de aprendizaje automático, procesamiento de lenguaje natural y herramientas de inteligencia artificial en sus operaciones.

La integración de algoritmos de aprendizaje automático, así como herramientas de procesamiento de lenguaje natural en las estrategias comerciales de los actores clave, les ayuda a aumentar la eficiencia de estos procesos y obtener una ventaja competitiva con decisiones de inversión y análisis predictivos más rápidos y precisos.

En las últimas décadas, la IA se ha implementado en diferentes sectores de la industria financiera. En el back office, los algoritmos de aprendizaje automático se utilizan para encontrar anomalías en los registros de ejecución, detectar transacciones sospechosas y gestionar riesgos, lo que conduce a una mayor eficiencia y seguridad. En el front office, la IA está ayudando a segmentar a los clientes, automatizar los procesos de atención al cliente y optimizar los precios de los derivados.

Sin embargo, la parte más intrigante son las capacidades de IA para el lado comprador de las finanzas: identificar señales predictivas en medio del ruido del mercado mediante el análisis de cantidades significativas de datos lo más rápido posible. Por ejemplo, dichas aplicaciones podrían incluir pronósticos de series temporales, segmentación de mercados y, por supuesto, gestión de carteras de activos. Las oportunidades que ofrece la IA para procesar y analizar grandes conjuntos de datos ayudan a encontrar patrones sutiles que los métodos tradicionales probablemente pasarán por alto.

La optimización de la cartera ha sido una práctica común durante varias décadas, y ha evolucionado significativamente con el desarrollo de la ciencia de datos y la implementación de técnicas computacionales avanzadas. Los enfoques clásicos, como la teoría moderna de la cartera de Markowitz (1952) y el modelo de valoración de activos de capital (1964), se introdujeron hace más de 50 años, pero siguen siendo relevantes. Sin embargo, sus limitaciones para manejar el riesgo no lineal y la dependencia de datos históricos son cada día más evidentes.

Prácticas como el modelado de riesgos, el análisis de escenarios y el comercio cuantitativo, implementados ampliamente por actores clave, como Renaissance Technologies, DE Shaw y Two Sigma Investments, han llevado a la implementación de algoritmos más complejos y avanzados. Además, la industria se ha visto muy afectada por la IA en los últimos años, ya que el aprendizaje automático y la inteligencia artificial han hecho que los análisis predictivos sean más precisos, y lo mismo hicieron con las estrategias de inversión personalizadas y los procesos automatizados de toma de decisiones complejas.

Esta transformación impulsada por la IA ha permitido a los gestores de carteras procesar grandes cantidades de datos en tiempo real y resolver los tres desafíos principales:

• Escalabilidad: ahora es más fácil gestionar y analizar datos a gran escala de múltiples activos y mercados globales.

• Toma de decisiones compleja: la IA puede “tener en cuenta” más factores, incluidos análisis psicológicos y conductuales, en los procesos de toma de decisiones.

• Adaptabilidad: los sistemas de IA pueden aprender sin parar y adaptarse a las nuevas condiciones del mercado, lo que ayuda a los gerentes a ajustar rápidamente las estrategias.

De acuerdo a Perspectivas del mercado global , la IA en el mercado de gestión de activos se valoró en 2.500 millones de dólares y se espera que crezca a una tasa compuesta anual del 24 % en los próximos 10 años. Curiosamente, la optimización de cartera lidera la segmentación del mercado global por aplicación, seguida del análisis de datos, que representa 25% de la cuota de mercado .

Aumentar la adopción y la inversión en soluciones de gestión de activos impulsadas por IA y destacar el uso práctico de la IA en la optimización de la cartera.

Adopción de IA en la gestión de carteras:

La adopción de la IA dentro de la industria de gestión de activos no es una tendencia nueva; ha experimentado un crecimiento en los últimos años, pero todavía está limitado a un pequeño número de actores del mercado, a saber, fondos de cobertura, oficinas de gestión cuantitativa, grandes departamentos de investigación e instituciones financieras que utilizan servicios de TI.

Ya existen muchos campos de aplicación para la IA:

Optimización de cartera

La IA mejora significativamente el proceso de optimización de la construcción de carteras. Por ejemplo, el enfoque clásico de la Teoría Moderna de la Cartera de Markowitz, que se basa en conceptos de optimización convexa, sirve como precursor de las metodologías contemporáneas impulsadas por la IA. La razón por la que esta teoría fundamental es tan fundamental es que constituye la base a partir de la cual los algoritmos de IA pueden cambiar y perfeccionar aún más las estrategias de inversión.

Hoy en día, la IA amplía esta teoría al explorar nuevas dimensiones de datos e integrar técnicas analíticas avanzadas. Esta capacidad de datos ampliada permite una toma de decisiones más matizada e informada, una práctica que se ha utilizado ampliamente en la industria.

Análisis fundamental

Ciertas técnicas de IA son perfectamente compatibles con la gestión cuantitativa, utilizando grandes volúmenes de datos sobre los fundamentos de la empresa, el entorno macroeconómico o las condiciones del mercado. Los algoritmos de aprendizaje automático pueden encontrar relaciones no lineales complejas entre diferentes variables y, por supuesto, detectar tendencias que los analistas no pueden.

Analisis textual

El análisis textual es otra aplicación de la IA en el análisis fundamental. Utilizando el procesamiento del lenguaje natural (NLP), la IA procesa y analiza fuentes textuales, como informes de ganancias corporativas, comunicados de prensa de bancos centrales y noticias financieras. A través de la PNL, la IA puede extraer información económica y financieramente importante de estos datos no estructurados. Al hacerlo, proporciona una medida cuantitativa y sistemática que mejora y ayuda a las interpretaciones humanas.

Actividades comerciales

Los poderes de la IA son extremadamente útiles en el comercio, donde la complejidad de las transacciones y la necesidad de velocidad están en equilibrio. La IA respalda el comercio algorítmico al automatizar muchas etapas del proceso, mejorando la eficiencia de las transacciones gestionadas en los mercados financieros.

Servicios de asesoramiento en inversiones

La IA ha abierto una oportunidad para una oferta más amplia de servicios de asesoramiento de inversiones personalizados a un coste menor. Estos sistemas utilizan algoritmos complejos para procesar datos de mercado en tiempo real, generando las estrategias más adecuadas para las necesidades individuales de los clientes en función de sus objetivos de rentabilidad y perfiles de riesgo.

Gestión de riesgos

En la gestión de riesgos, la IA ayuda modelando varios escenarios "probables pero indeseables", que a su vez mejoran las prácticas tradicionales que se centran sólo en los resultados más probables.

Técnicas y herramientas de Inteligencia Artificial (IA) en la gestión de carteras

Algoritmos de aprendizaje automático:

Los métodos clásicos de aprendizaje automático siguen siendo muy populares en la gestión de carteras y son: modelos lineales, incluidos mínimos cuadrados ordinarios, regresión de crestas y regresión de lazo. Estos se combinan frecuentemente con el procedimiento de optimización de varianza media y técnicas de descomposición matricial como la descomposición de valores singulares (SVD) y el análisis de componentes principales (PCA), que son fundamentales para comprender las relaciones de activos y optimizar las asignaciones de cartera.

Situadas entre estos enfoques clásicos y los métodos más modernos se encuentran las máquinas de vectores de soporte (SVM). Aunque las SVM se utilizan en la práctica, no se implementan con tanta frecuencia, pero desempeñan un papel importante, particularmente en tareas de clasificación destinadas a pronosticar el desempeño de las acciones.

Estas tareas generalmente incluyen predecir si una acción experimentará ganancias o pérdidas, utilizando datos financieros históricos, incluidas las fluctuaciones del precio de las acciones y los volúmenes de negociación, para clasificar los activos en categorías y pronosticar su desempeño.

Hablando de métodos más modernos, las redes neuronales muestran importantes avances en el aprendizaje automático para la gestión de carteras y ofrecen capacidades mejoradas para modelar patrones no lineales complejos que son difíciles de capturar con los modelos tradicionales. Además de las redes neuronales, otros enfoques clásicos, como el aprendizaje supervisado y no supervisado, mejoran y refinan aún más el análisis de datos, haciendo posible el descubrimiento y la explotación de señales sutiles del mercado.

Los enfoques más nuevos, como el aprendizaje por refuerzo y el Q-Learning profundo, llevan estas cualidades a entornos de toma de decisiones acelerados, donde las carteras se pueden ajustar en tiempo real para optimizar los resultados financieros basándose en el aprendizaje del sistema a partir de la retroalimentación del mercado.

Procesamiento del lenguaje natural (PNL):

Las técnicas de procesamiento del lenguaje natural, como el análisis de sentimientos, pueden ayudar a seleccionar opiniones comunes a partir de artículos de periódicos, publicaciones en redes sociales e informes de analistas. Además, los administradores de cartera también pueden analizar el lenguaje utilizado en los medios financieros, incluidos los informes de ganancias de las empresas, para sondear el sentimiento de los inversores y predecir los movimientos del mercado, todo lo cual es información crucial en el proceso de toma de decisiones.

Estrategias comerciales cuantitativas:

Las empresas que se especializan en operaciones de alta frecuencia (HFT), como aquellas que emplean algoritmos de operaciones cuantitativas impulsadas por IA, ganan dinero con las ineficiencias que ocurren sólo por un momento en el mercado. Estas empresas utilizan tecnologías de aprendizaje automático para analizar información relevante del mercado a velocidades extremadamente altas y realizar pedidos con precisión en tan solo un milisegundo.

Una ejecución tan rápida les permite beneficiarse de oportunidades de arbitraje y maximizar las ganancias al tomar medidas sobre las discrepancias de precios más rápido que sus competidores. Si bien Renaissance Technologies es conocida por sus enfoques comerciales cuantitativos, es importante tener en cuenta su estrategia más amplia que abarca varios períodos de tenencia de las prácticas tradicionales de HFT, que se centran principalmente en la velocidad.

IA explicable (XAI):

LIME (Explicaciones independientes del modelo interpretable local) es un método XAI destacado que se utiliza para hacer más comprensibles los resultados de modelos complejos de aprendizaje automático. En la gestión de carteras, este método puede resultar muy valioso para interpretar cómo los modelos de caja negra hacen predicciones. Al utilizar datos de entrada y analizar el impacto en los resultados del modelo, LIME ayuda a los administradores de carteras y científicos de datos a definir qué características influyen en las decisiones de inversión más que otras.

Este proceso ayuda a mejorar la transparencia de las decisiones impulsadas por la IA y respalda los esfuerzos para verificar y mejorar la facilidad de comprensión de estos modelos. Sin embargo, si bien LIME mejora nuestra comprensión del comportamiento del modelo, evaluar la confiabilidad general de los modelos implica técnicas de validación adicionales.

IA en Cumplimiento y Monitoreo:

La tecnología de inteligencia artificial desempeña un papel importante a la hora de garantizar el cumplimiento de los marcos regulatorios y monitorear las restricciones de inversión dentro de la industria financiera. Al automatizar estos procesos, los sistemas de inteligencia artificial ayudan a las empresas financieras a cumplir los estándares legales de manera más eficiente, más precisa y no meterse en problemas. Esta tecnología es muy valiosa para monitorear el cumplimiento en grandes volúmenes de transacciones y diversas actividades de cartera, donde puede identificar rápidamente (de hecho, instantáneamente) desviaciones de los requisitos regulatorios o pautas internas.

Además, el uso de la IA minimiza el riesgo de error humano, lo cual es crucial en entornos regulatorios de alto riesgo donde los errores pueden tener consecuencias legales y financieras.

Reequilibrio de cartera:

Las aplicaciones de IA en el reequilibrio automatizado son cruciales para mantener las asignaciones ideales de activos a lo largo del tiempo. Pueden ajustar las carteras en respuesta a los cambios del mercado o a los cambios en el perfil de riesgo de un inversor, lo que garantiza la alineación con los objetivos estratégicos de inversión.

En una visión más amplia

Además de las aplicaciones diseñadas específicamente para la inversión, el potencial para el desarrollo de la inteligencia artificial dentro del negocio de gestión de activos parece ser enorme. Sin embargo, a pesar de que instintivamente vemos la posibilidad de automatizar trabajos específicos en varias etapas de la cadena operativa, todavía es difícil anticipar completamente el poder disruptivo de la inteligencia artificial. Esto se debe a que se espera que la IA dé lugar a nuevos sectores de aplicación a medida que se desarrollen avances adicionales.

Debemos ser conscientes de las limitaciones de la inteligencia artificial, así como de los peligros que plantea para algunos aspectos de la gestión de carteras, a pesar de que ha hecho posible avances tecnológicos y ganancias de productividad utilizando la inteligencia artificial. En primer lugar, los enfoques de inteligencia artificial y aprendizaje automático se basan en datos que se utilizan para alimentar los algoritmos de aprendizaje.

Es necesario que estos datos sean de alta calidad en términos de actualización, exactitud, exhaustividad y representatividad.

Además de la necesidad de un gran volumen de datos, que no siempre están disponibles, es necesario que estos datos sean de buena calidad. En cualquier otro caso, los hallazgos que se obtienen utilizando modelos predictivos no son confiables ni resilientes.

Además, los algoritmos también pueden hacer suposiciones falsas al seleccionar tendencias irrelevantes del conjunto de datos analizado, lo que puede llevar a conclusiones erróneas. Esto puede provocar agarres a gran escala, saltos demasiado bruscos y los choques más pequeños posibles. La pérdida de competencia en el mercado puede ocurrir debido al hecho de que muchos operadores del mercado que manejan los mismos algoritmos de IA podrían tomar decisiones equivocadas simultáneamente o reaccionar de manera similar ante una circunstancia en tiempo real. Un riesgo así podría resultar fatal.

A pesar de los beneficios potenciales de la IA en la gestión de carteras, como en cualquier campo, existen muchos desafíos que debemos tener en cuenta y, eventualmente, abordar. Una de las principales dificultades es la posible falta de transparencia y problemas de interpretación de los modelos de IA, lo que puede dificultar que los gerentes expliquen los resultados de su colaboración con la IA. Esta complejidad de uso puede ser una de las razones por las que la adopción de la IA en los fondos europeos es relativamente baja. A septiembre de 2022, sólo 65 de 22.000 fondos con sede en la Unión Europea afirmaron utilizar IA en sus procesos de inversión.

La Autoridad Europea de los Mercados Financieros (ESMA) ha identificado factores que pueden contribuir a la baja tasa de adopción, como la falta de marcos regulatorios claros y habilidades de inteligencia artificial entre los administradores de fondos. Sin embargo, el desafío de explicar los resultados de la IA debido a la complejidad del modelo también puede ser uno de los factores que justifiquen la baja tasa de adopción. Supongo que lo descubriremos con el tiempo.

En este punto, parece que la inteligencia artificial todavía está muy lejos de reemplazar totalmente a las personas reales en la industria de gestión de activos. Dicho esto, la transparencia, la relación de confianza y el contacto entre clientes y expertos en gestión siguen siendo características cruciales, ahora más que nunca.

Sin embargo, no podemos negar que la inteligencia artificial trae consigo herramientas nuevas y emocionantes que pueden usarse en la cadena de valor, y el potencial de estas herramientas realmente podría cambiar la apariencia actual de la industria.