Qué significará el aprendizaje automático para los gestores de activos

Las herramientas del aprendizaje automático pueden ofrecer a las sociedades de gestión de fondos activas muchas oportunidades de superar a la competencia y a los índices del mercado, pero las inversiones necesarias en análisis de datos serán significativas y la ventaja competitiva obtenida muchas veces no será sostenible a largo plazo.

••• Algunos expertos del sector sostienen que el aprendizaje automático (ML) se revertirá[una tendencia creciente hacia los fondos de inversión pasivos](https://www.bloomberg.com/news/articles/2019-09-11/passive-u-s-equity-funds-eclipse-active-in-epic-industry-shift). Pero aunque [ML ofrece nuevas herramientas que podrían ayudar a los inversores activos a superar a los índices,](https://www.businesswire.com/news/home/20180905005196/en/New-Debate-%E2%80%93-Active-v.-Passive-Breakthrough) no está claro si ofrecerá un modelo de negocio sostenible para los gestores de activos activos. Empecemos por los aspectos positivos El aprendizaje automático, una forma de inteligencia artificial, permite a potentes algoritmos analizar grandes conjuntos de datos para hacer predicciones en función de los objetivos definidos. En lugar de seguir con precisión las instrucciones codificadas por los humanos, estos algoritmos se autoajustan mediante un proceso de prueba y error para producir recetas cada vez más precisas a medida que llegan más datos. El aprendizaje automático se adapta especialmente a la inversión en valores porque se puede actuar en función de los conocimientos que obtiene de forma rápida y eficiente. Por el contrario, cuando el aprendizaje automático genera nuevos conocimientos en otros sectores, las empresas deben superar restricciones sustanciales antes de poner esos conocimientos en práctica. Por ejemplo, cuando Google desarrolla un coche autónomo con tecnología ML, debe obtener la aprobación de una serie de partes interesadas antes de que el coche pueda salir a la carretera. Entre estas partes interesadas se encuentran los reguladores federales, las aseguradoras de automóviles y los gobiernos locales en los que operarían estos vehículos autónomos. Los gestores de carteras no necesitan la aprobación reglamentaria para traducir la información sobre el aprendizaje automático en decisiones de inversión. En el contexto de la gestión de inversiones, el aprendizaje automático aumenta el trabajo cuantitativo que ya realizan los analistas de seguridad de tres maneras: **El aprendizaje automático puede identificar acciones con un rendimiento superior al encontrar nuevos patrones en los conjuntos de datos existentes**. Por ejemplo, el aprendizaje automático puede analizar el contenido y el estilo de todas las respuestas de los directores ejecutivos en las convocatorias trimestrales de resultados de las empresas del S&P 500 durante los últimos 20 años. Al analizar el historial de estas convocatorias en relación con una buena o mala rentabilidad de las acciones, el aprendizaje automático puede generar información aplicable a las declaraciones de los directores ejecutivos actuales. Estos datos van desde la estimación de la fiabilidad de las previsiones de líderes empresariales específicos hasta las correlaciones en el rendimiento de las empresas del mismo sector o que operan en geografías similares. Algunas de estas nuevas técnicas producen mejoras significativas con respecto a las tradicionales. Al estimar la probabilidad de impago de los bonos, por ejemplo, los analistas suelen aplicar sofisticados modelos estadísticos desarrollados en las décadas de 1960 y 1980, respectivamente, por los profesores Edward Altman y James Ohlson (en particular,[Z](https://en.wikipedia.org/wiki/Altman_Z-score) y[O](https://en.wikipedia.org/wiki/Ohlson_o-score) puntuaciones). Los investigadores han descubierto que[Las técnicas de aprendizaje automático son aproximadamente un 10% más precisas que los modelos anteriores a la hora de predecir los impagos de los bonos.](https://www.researchgate.net/publication/316025971_Machine_Learning_Models_and_Bankruptcy_Prediction) **El aprendizaje automático puede hacer que nuevas formas de datos sean analizables**. En el pasado, muchos formatos de información, como[imágenes](https://orbitalinsight.com/) y los sonidos solo los podían entender los humanos; esos formatos eran intrínsecamente difíciles de utilizar como entradas de ordenador para los gestores de inversiones. Los algoritmos de aprendizaje automático entrenados ahora pueden identificar los elementos de las imágenes más rápido y mejor que los humanos. Por ejemplo, al examinar millones de fotografías de satélite casi en tiempo real, los algoritmos de aprendizaje automático pueden predecir el rendimiento de las cosechas agrícolas chinas cuando aún están en los campos o el número de coches en los aparcamientos de los centros comerciales estadounidenses los fines de semana festivos. Ha surgido un mercado floreciente para nuevas formas de estos conjuntos de datos alternativos. Los analistas pueden utilizar las ubicaciones GPS de los teléfonos móviles para entender el tráfico peatonal en tiendas minoristas específicas o los datos de puntos de venta para predecir los ingresos de la misma tienda en comparación con períodos anteriores. Los programas de ordenador pueden recopilar los recibos de venta que se envían a los clientes como subproducto de varias aplicaciones que utilizan los consumidores como complementos de su sistema de correo electrónico. Cuando los analistas consultan estos conjuntos de datos a escala, pueden detectar tendencias útiles a la hora de predecir el rendimiento de la empresa. **El aprendizaje automático puede reducir los efectos negativos de los sesgos humanos en las decisiones de inversión**. En los últimos años, los economistas del comportamiento y los psicólogos cognitivos han arrojado luz sobre la amplia gama de decisiones irracionales que toman la mayoría de los seres humanos. Los inversores muestran muchos de estos sesgos, como la aversión a las pérdidas (la preferencia por evitar las pérdidas en lugar de generar ganancias equivalentes) o el sesgo de confirmación (la tendencia a interpretar las nuevas pruebas para afirmar las creencias preexistentes). El aprendizaje automático se puede utilizar para interrogar el historial de operaciones de los gestores de carteras y los equipos de analistas a fin de buscar patrones que manifiesten estos sesgos. Las personas pueden entonces comprobar que las decisiones de inversión se ajustan a estos patrones poco útiles. Para ser más eficaces, las personas deberían utilizar el aprendizaje automático para comprobar si hay sesgos en todos los niveles del proceso de inversión, incluida la selección de valores, la creación de carteras y las ejecuciones de operaciones. Sin embargo, a pesar de estas mejoras sustanciales en las decisiones de inversión, el aprendizaje automático tiene sus propias limitaciones muy importantes, que socavan gravemente su aparente promesa. Para empezar,[Los propios algoritmos de aprendizaje automático pueden mostrar sesgos importantes](https://developer.ibm.com/articles/machine-learning-and-bias/) derivado de las fuentes de datos utilizadas en el proceso de entrenamiento o de deficiencias de los algoritmos. Si bien el aprendizaje automático reducirá los sesgos humanos a la hora de invertir, las empresas tendrán que hacer que los científicos de datos seleccionen las fuentes correctas de datos alternativos, manipulen los datos y los integren con los conocimientos existentes en la empresa para evitar que se introduzcan nuevos sesgos. Se trata de un proceso continuo que requiere competencias que muchos gestores de activos tradicionales no tienen actualmente. En segundo lugar, aunque el aprendizaje automático puede ser muy eficaz a la hora de examinar enormes cantidades de datos pasados de un dominio específico y encontrar nuevos patrones en relación con un objetivo expreso, no se adapta bien a situaciones poco frecuentes, como golpes políticos o desastres naturales. El aprendizaje automático tampoco puede predecir los acontecimientos futuros si no están estrechamente relacionados con las tendencias del pasado, como la crisis financiera de 2008. En estos casos, los profesionales de la inversión deben tomar decisiones sobre el rumbo de las tendencias futuras, basándose en parte en su intuición y sus conocimientos generales. Por último, muchos de los patrones que el aprendizaje automático identifica en los grandes conjuntos de datos suelen ser solo correlaciones que no arrojan luz sobre sus impulsores subyacentes, lo que significa que las firmas de inversión seguirán necesitando contratar a profesionales cualificados para decidir si estas correlaciones son señal o ruido. Según un experto en aprendizaje automático de una importante gestora de inversiones estadounidense, su equipo dedica días a evaluar si algún patrón detectado por el aprendizaje automático cumple las cuatro pruebas: sensato, predictivo, coherente y aditivo. Incluso cuando el aprendizaje automático encuentra patrones que cumplen las cuatro pruebas, no siempre se pueden convertir fácilmente en decisiones de inversión rentables, lo que aun así requerirá el juicio de un profesional. Por ejemplo, al revisar montones de redes sociales, ML podría haber podido predecir —al contrario de lo que dicen la mayoría de las encuestas— que Donald Trump sería elegido presidente en 2016. Sin embargo, tomar una decisión de inversión basada en esa predicción plantearía una pregunta difícil. ¿La elección de Trump llevaría al mercado de valores a subir, bajar o ir de lado? La conclusión es que, si bien el aprendizaje automático puede mejorar en gran medida la calidad del análisis de datos, no puede sustituir al juicio humano. Para utilizar estas nuevas herramientas de forma eficaz, las firmas de gestión de activos necesitarán ordenadores y personas para desempeñar funciones complementarias. Como resultado, las empresas tendrán que realizar importantes inversiones en el futuro tanto en tecnología como en personas, aunque algunos de estos costes se compensarán con la reducción del número de analistas tradicionales. Lamentablemente, la mayoría de los demás gestores de activos no han avanzado mucho en la implementación del aprendizaje automático. Según[una encuesta de 2019 realizada por el Instituto CFA](https://www.cfainstitute.org/-/media/documents/survey/AI-Pioneers-in-Investment-Management.ashx), pocos profesionales de la inversión utilizan actualmente los programas de ordenador que normalmente se asocian al aprendizaje automático. En cambio, la mayoría de los gestores de carteras seguían confiando en las hojas de cálculo de Excel y en las herramientas de datos de escritorio. Además, solo el 10% de los gestores de carteras que respondieron a la encuesta de la CFA habían utilizado técnicas de aprendizaje automático durante los 12 meses anteriores. Como era de esperar, son los principales gestores de activos, como BlackRock y Fidelity, los que lideran el camino y fomentan las relaciones con los proveedores de información, los proveedores de tecnología y los expertos académicos. Sin embargo, es poco probable que abran una gran brecha con la competencia, ya que la escala no es necesariamente una ventaja en la inversión activa. Por ejemplo, operar en grandes volúmenes puede conllevar costes significativos y las empresas pueden verse limitadas en cuanto a la cantidad de exposición total que pueden tener en una acción en particular. Los gestores de activos de tamaño mediano también deberían poder beneficiarse, ya que es probable que atraigan y retengan a científicos de datos de alta calidad, que tal vez vean más oportunidades de progreso allí que en las grandes firmas. Además, las medianas empresas podrán permitirse el acceso a datos alternativos a través de proveedores externos, algoritmos de alta calidad de bibliotecas de código abierto y herramientas sofisticadas de las empresas de tecnología (por ejemplo, Amazon y Google) que ya ofrecen servicios basados en la nube a muchos sectores. Es probable que las perdedoras sean las pequeñas empresas (con menos de mil millones de dólares en activos bajo gestión). Es probable que tengan problemas para atraer suficiente talento y absorber el coste del desarrollo de la tecnología, dadas las fuertes presiones a la baja sobre los honorarios de los directivos activos. Los gastos de gestión de los gestores de renta variable activos son aproximadamente un 20% más bajos en 2018 que en 2008, en parte porque los fondos pasivos se han abaratado mucho. Los gestores de activos también están bajo presión regulatoria para que paguen su propio dinero por estudios de valores externos, en lugar de pagar con «dólares blandos» asignando comisiones de corretaje a buenas firmas de investigación. Por lo tanto, las inversiones que requiere el aprendizaje automático se producen en un momento difícil, en general, para el sector de la gestión de activos, y lo será especialmente para las pequeñas empresas. Es más, no está claro si las inversiones importantes en aprendizaje automático conducirán realmente a un modelo de negocio sostenible a largo plazo para los gestores de activos activos. Si el aprendizaje automático genera un alfa único para una empresa de inversiones, la empresa no puede dormirse en los laureles durante mucho tiempo porque es probable que otras firmas simulen sus métodos de inversión. Y si otros gestores de activos obtienen información similar a partir de técnicas de aprendizaje automático similares, comprarán o venderán los mismos valores al mismo tiempo, lo que puede tener el efecto de acabar con cualquier ganancia que la información pueda generar. Esto ya ha ocurrido en varias ocasiones. Durante tres días en 2007, por ejemplo, varios grandes fondos de cobertura, que utilizaron modelos cuantitativos basados en los mismos factores, liquidaron sus posiciones simultáneamente y, como resultado, sufrieron grandes pérdidas. En resumen, el aprendizaje automático puede ser visto inicialmente como el salvador de la inversión activa. No cabe duda de que tiene el potencial de permitir a los primeros usuarios encontrar nuevas fuentes de alfa y superar a los índices. Sin embargo, si otros gestores copian las ideas del aprendizaje automático a medida que desarrollan las capacidades de aprendizaje automático, puede que se haga aún más difícil encontrar acciones y bonos que cotizen en bolsa y que superen a sus índices de referencia. Con el tiempo, ¿aumentará la inversión activa con el aprendizaje automático la eficiencia de los precios de los valores y, por lo tanto, reforzará el cambio actual hacia la inversión pasiva? Si es así, los costes de implementar el aprendizaje automático correrán a cargo de los gestores activos, pero gran parte de los beneficios se destinarán a los fondos indexados como usuarios libres.