Gestionar Fondos de inversión con inteligencia artificial

Las aplicaciones de inteligencia artificial en la gestión de inversiones pueden considerarse en tres áreas: selección de carteras, transacciones (trading) y gestión del riesgo.

La adopción de estas herramientas, tanto en administración profesional de fondos como en gestión de inversiones personales, requiere de un proceso de desarrollo que resuelva los principales problemas y dudas. Porque hay problemas que aparecen en la persistencia de “sesgos cognitivos similares a los de decisores humanos”, tal como evalúan Winder et al 18 cuando examinan cinco dimensiones de riesgos de cartera en el asesoramiento de inversión con modelos extensos de lenguaje. Y otros que derivan de la baja credibilidad percibida y la consiguiente falta de confianza, un aspecto de la conducta de inversores que se conoce como aversión a los resultados de algoritmos.

La inteligencia artificial es un conjunto de técnicas matemáticas con las que se pueden absorber grandes cantidades de datos, obtener patrones y regularidades no lineales y así formar modelos predictivos, realizar clasificaciones, estipular alternativas y determinar cursos de acción optimizados. Las técnicas han avanzado desde el aprendizaje automático simple (machine learning) al aprendizaje profundo (deep learning) y la IA generativa (Gen AI).

El aprendizaje automático simple implica formar un modelo y entrenar los algoritmos con grandes conjuntos de datos para hacer predicciones o tomar decisiones. El aprendizaje profundo es una forma de aprendizaje automático con redes neuronales artificiales multicapa. Se emplea para el procesamiento del lenguaje natural y las tareas que requieren identificación de patrones y relaciones complejas en conjuntos de datos. La IA generativa es un modelo de aprendizaje profundo que permite crear contenido complejo (texto, imágenes, audio, código informático y muchas otras formas de salida).

La gestión de carteras financieras implica tomar decisiones de asignación de activos para construir una cartera con características específicas de riesgo y rentabilidad. En este proceso, las técnicas de IA pueden facilitar el análisis fundamental (con el análisis datos cuantitativos o de texto) y también generar nuevas estrategias de inversión. La IA también puede generar mejores estimaciones de rentabilidad y riesgo de los activos y resolver problemas de optimización de carteras con restricciones complejas. De este modo, se generarían carteras con un mejor rendimiento fuera de la muestra en comparación con los enfoques tradicionales.

La determinación y realización de las transacciones (trading) está teniendo una creciente velocidad y complejidad; por esto, las técnicas de IA se están convirtiendo en una parte esencial de la práctica del trading. Una característica particularmente atractiva de la IA es su capacidad de procesar grandes cantidades de datos para generar señales de trading. Los algoritmos pueden entrenarse para ejecutar operaciones automáticamente basándose en estas señales. Esto mejora de modo significativo lo que en el origen de las aplicaciones cuantitativas se denominó trading algorítmico. Además, las técnicas de IA pueden reducir los costos de transacción al analizar automáticamente el mercado e identificar el mejor momento, tamaño y lugar para las operaciones.

La IA también contribuye a la gestión del riesgo de cartera, ante la complejidad de los activos y los mercados financieros. Las técnicas de IA que permiten el aprendizaje continuo a partir de datos son herramientas para monitorear el riesgo: es un elemento que ayuda a los gestores de riesgos y realizar pruebas retrospectivas de los modelos de riesgo. Las herramientas de IA también pueden extraer información de una forma más eficiente de las fuentes de datos disponibles (estructurados o no estructurados). De este modo, se generan pronósticos que pueden ser más precisos que los obtenidos con las técnicas tradicionales acerca de las tendencias macroeconómicas, el riesgo de quiebra y de crédito, la volatilidad del mercado, etc.

Uno de los primeros ámbitos de uso de herramientas de IA en gestión de fondos fue el trading, cuyas estrategias suelen basarse en el análisis técnico. Se observa que los indicadores técnicos predominan sobre los indicadores de fundamentos para generar señales de trading mediante inteligencia artificial.

La inteligencia artificial es una herramienta muy potente para identificar patrones para predecir. Que ese resultado tenga sentido para la actividad en el mundo depende de cómo se avance en el segundo tramo de lo que Pearl & Mackenzie denominan la “escalera de la causalidad”: “predecir el efecto o los efectos de alteraciones deliberadas del entorno y elegir entre estas alteraciones para producir el resultado deseado”. Esta es la parte de interacción con el mundo que es más difícil que incluyan los modelos de IA. Por esto, los resultados pueden ser muy diversos según la forma en que se produce, si se quiere decir así, esa simulación de la comprensión causal.

La mayor fortaleza de la IA (su capacidad para procesar datos con mínimos conocimientos teóricos o supervisión) puede ser también su mayor debilidad. Un dicho popular afirma que la IA siempre producirá un resultado, incluso cuando ese resultado no debería existir. Esto puede ser una debilidad grave cuando la tarea es demasiado compleja para que pueda ser supervisada o para que se comprendan las condiciones de validez de los resultados.