En la gestión de fondos cuánticos, los gestores de renta variable utilizan sofisticados modelos informáticos para identificar vinculaciones entre determinados factores y detectar las acciones con mejor desempeño.
Aunque el aprendizaje automático (AA), o machine learning, tiene un enorme potencial para aumentar la capacidad de los inversores de detectar acciones con mejor rendimiento, se necesitan seres humanos para desarrollar algoritmos correctos y tomar decisiones de inversión.
Tal como explica el Financial Times, el AA, una rama de la inteligencia artificial, permite a las computadoras potentes mejorar continuamente su rendimiento frente a objetivos definidos, sin necesidad de que los seres humanos dicten los pasos metodológicos exactos. En lugar de confiar en instrucciones detalladas, las computadoras analizan grandes cantidades de datos a través de algoritmos que aprenden por ensayo y error. Detectan patrones que los humanos no podrían percibir.
Los gestores activos de renta variable llevan mucho tiempo manejando fondos cuantitativos, que tienen en cuenta muchos factores que podrían afectar los precios futuros de las acciones, como la capitalización bursátil, el empuje de los precios y el valor versus el crecimiento.
En la gestión de estos fondos cuánticos, los gestores de renta variable utilizan sofisticados modelos informáticos para identificar vinculaciones entre factores y detectar los títulos valores con mejor desempeño. Entonces, ¿qué capacidades ofrece el AA a los gestores activos de renta variable más allá de las que ya ofrece el análisis cuántico?
En primer lugar, el AA puede identificar las acciones con mejor desempeño en base a patrones que los humanos no habrían elegido para analizar. Por ejemplo, el AA puede examinar todas las respuestas de los CEO durante los anuncios de resultados de las empresas del S&P 500 de la última década. Al pasar por millones de correlaciones posibles, las computadoras pueden identificar patrones de buen o mal desempeño en las inversiones que hizo la compañía, o las compañías que operan en regiones similares.
Segundo, al mejorar el procesamiento del lenguaje natural, el AA puede comparar y contrastar palabras cruciales. Este proceso permite a los científicos de datos revisar, descifrar y organizar la información contenida en un gran número de documentos densos, como las presentaciones ante la SEC o las solicitudes de patentes.
Tercero, los algoritmos entrenados a través del AA pueden convertir imágenes y sonidos en formatos de datos que se pueden introducir en modelos cuánticos. A partir de fotos satelitales, por ejemplo, los algoritmos entrenados pueden encontrar macro o micro hechos relevantes -contando las viviendas en construcción en China, o los autos estacionados en los supermercados.
Cuarto, debido a que el AA se basa en la evaluación rigurosa y continua de grandes bases de datos, puede reducir los sesgos humanos que socavan las buenas decisiones de inversión.
Sin embargo, el AA tiene sus propias limitaciones. Puede tener sesgos derivados de los datos utilizados para entrenar algoritmos o rarezas estadísticas en sus metodologías. Para detectar y limitar estos sesgos, las empresas necesitan científicos de datos talentosos.
El AA no puede predecir el futuro si los patrones futuros no proceden del pasado, como las grandes interrupciones que se produjeron durante la crisis financiera de 2008. Los profesionales de la inversión deben tomar decisiones -basadas en parte en la intuición y en suposiciones inteligentes- sobre hacia dónde se dirigen las tendencias futuras.
En resumen, el AA ofrece potentes herramientas para mejorar la selección de acciones. Sin embargo, se necesitarán profesionales talentosos que limpien los datos, desarrollen los algoritmos y traduzcan los patrones en operaciones rentables.