El Factor Investing se basa en décadas de estudios empíricos, que son de dominio público. Para diferenciarse de la competencia, los gestores invierten notables recursos en la realización de análisis propios, en un esfuerzo por mejorar las definiciones de los factores, optimizar la construcción de las carteras, etc. En este contexto, algunos consideran que las nuevas herramientas que están surgiendo, tales como los datos alternativos y la inteligencia artificial (IA), lo están cambiando todo. Pero... ¿es esto realmente cierto?
Han surgido nuevas herramientas tales como big data, datos alternativos, IA1 y computación en la nube que van a propiciar una importante evolución en la industria financiera. Por poner un ejemplo, según una encuesta realizada en 2019 por el Banco de Inglaterra y la Autoridad de Conducta Financiera del Reino Unido, dos terceras partes de las entidades financieras británicas ya estaban utilizando el aprendizaje automático o “machine learning”.2 Muchos de los encuestados preveían que, en los tres años siguientes, el número de áreas en que se utiliza esta tecnología se multiplicaría por dos o más.
En gestión patrimonial, aunque muchos actores han adoptado públicamente estas innovaciones y no han dudado en hacer gala de ello, hasta ahora sus aplicaciones prácticas se han centrado en ámbitos como automatización de procesos, ventas y marketing. Otras áreas, y en particular la de la inversión, todavía tienen mucho partido que sacar a este tipo de innovaciones.
Según una encuesta realizada en 2019 por CFA Institute entre profesionales de la inversión a escala mundial3, solamente el 10% de los gestores encuestados había utilizado en los 12 meses anteriores técnicas de IA o aprendizaje automático4 (AA) para mejorar sus procesos de inversión. En cambio, casi la mitad de ellos manifestó haber empleado análisis de regresión para encontrar relaciones lineales.
No obstante, aunque la mayoría de estas técnicas todavía están en sus primeras fases de desarrollo, un número creciente de actores –sobre todo hedge funds, pero también otros– han dado importantes pasos en la investigación de sus posibles usos, en un esfuerzo por diseñar mejores estrategias de inversión cuantitativa, dando lugar a lo que algunos expertos llaman “la nueva ola de la inversión cuantitativa”.
En Robeco, por ejemplo, en los últimos años hemos invertido importantes recursos en este ámbito, que se han traducido en avances concretos en la integración de estas tecnologías innovadoras en nuestros procesos de inversión. Un ejemplo de ello es el “indicador de actitud hacia las noticias”, derivado del análisis avanzado de textos basados en eventos, que actualmente se utiliza para mejorar el factor momentum, en nuestras estrategias cuantitativas de renta variable.5
Otros usos de la IA y de los datos alternativos y el big data que comentan los gestores patrimoniales y otros proveedores de servicios de inversión son, entre otros, el análisis de las presentaciones de resultados, las predicciones de los volúmenes de negociación bursátil o el uso de datos geoespaciales de dominio público para hacer estimaciones de la cuota de mercado local en la industria de los áridos (minería de arena, grava y roca triturada para la producción de hormigón).6
Sin embargo, esto deja a los inversores ante una acuciante incógnita. ¿Deben considerarse estas herramientas como una mera extensión de los enfoques tradicionales de la inversión cuantitativa, que se basan principalmente en décadas de investigación empírica de los factores, a partir de datos tales como información contable, estimaciones de analistas financieros o trayectoria de precios de los mercados de renta variable, renta fija, opciones o crédito? ¿O en realidad suponen que los motores empleados en la mayoría de las estrategias cuantitativas actuales corren el riesgo de quedar obsoletos?
Los entusiastas de la innovación obviamente apuestan por esta última interpretación.7 A menudo se argumenta que, en un mundo donde la mayoría de los gestores cuantitativos tienen acceso a los mismos datos, tales como los precios de las acciones o los fundamentales macroeconómicos, y aplican los mismos métodos, como los clásicos análisis de regresión lineal y las optimizaciones de la varianza media, este tipo de técnicas se han convertido en la única manera de diferenciarse tanto de los índices de mercado como de la competencia directa.
En el extremo contrario, los escépticos aducen que, si bien es cierto que estas innovaciones pueden introducir mejoras marginales en las estrategias de inversión existentes, deben abordarse con importantes dosis de precaución8 y no ponen en entredicho los pilares en que se basan los enfoques de inversión cuantitativa más tradicionales y transparentes.
A menudo, estos escépticos sostienen que las estrategias de inversión sólidas requieren la realización de innumerables pruebas empíricas y de refutación con extensos conjuntos de datos, y para periodos de tiempo muy amplios, pero las evidencias en que se basan el big data y los datos alternativos son en gran medida anecdóticas. Los conjuntos de datos alternativos generalmente presentan un recorrido muy breve y, a menudo, carecen de la amplitud y la calidad necesarias para poder extraer conclusiones sólidas.9 A veces, cabe incluso cuestionarse si el proveedor de los datos seguirá existiendo dentro de cinco o diez años.
Otra crítica habitual es la escasa capacidad de interpretación o “auditabilidad” de los algoritmos de IA y los modelos de aprendizaje automático.10 En consecuencia, las estrategias de inversión basadas principalmente en estas técnicas a menudo también carecen de la lógica económica clara que normalmente constituye la base necesaria de cualquier enfoque cuantitativo más tradicional.
Estas posturas contrapuestas ilustran el dilema al que se enfrentan los gestores que buscan mantener su ventaja a medida que pasa el tiempo: continuar utilizando los métodos contrastados a lo largo del tiempo y arriesgarse a terminar cayendo en la obsolescencia, o abrazar el cambio y quizás cometer una enorme equivocación al apostar por una innovación que acabe fracasando. Este dilema se ve exacerbado por los resultados deficientes que recientemente han registrado varios factores ampliamente aceptados, sobre todo el factor value.
El declive actual ha puesto a los gestores cuantitativos más consolidados bajo la rigurosa lupa del escrutinio, y muchos inversores se preguntan si el Factor Investing podría necesitar una renovación total. Al mismo tiempo, sin embargo, los resultados de inversión reales de la mayoría de los acérrimos defensores de la IA y los datos alternativos siguen sin ser muy impresionantes.11
Así las cosas, los inversores siguen sin tener una alternativa sólida y evidente a los factores más tradicionales, al menos por ahora. Por supuesto, las cosas podrían cambiar, ya que los conjuntos de datos alternativos disponibles para los inversores sin duda mejorarán con el tiempo, y los algoritmos de IA podrían llegar a ser lo suficientemente fiables como para cumplir su objetivo de ofrecer una rentabilidad relativa superior a largo plazo, y de forma autónoma.
En el pasado, las series de datos que hoy en día son de uso generalizado entre los gestores cuantitativos tuvieron que superar obstáculos similares a los que afrontan ahora el big data y los datos alternativos. A lo largo de los años la calidad, amplitud y trayectoria de estas series de datos han mejorado, y eso ha permitido que sean utilizables. Con el paso del tiempo, y a medida que se disponga de más datos, es probable que el big data y los datos alternativos también sean cada vez más útiles en la práctica.
Al mismo tiempo, en la literatura académica cada vez existen más evidencias de que las técnicas de IA pueden ser herramientas útiles para mejorar las estrategias de inversión.12 Así pues, aunque las máquinas probablemente nunca llegarán a reemplazar completamente a los humanos, sí que pueden –bajo supervisión humana– ayudar a detectar y explicar nuevos patrones. Las máquinas también pueden hacer que la producción de análisis sea mucho más escalable.
En última instancia, los inversores deben seguir teniendo la mente abierta a nuevas ideas. El aspecto más esencial para ellos no tiene que centrarse necesariamente en optar por un enfoque u otro. Existe un amplio espectro de posibilidades entre aferrarse a la información tradicional sobre precios y estados financieros, en un extremo, y basarse solamente en fuentes de información tales como las imágenes por satélite de los aparcamientos o los algoritmos de aprendizaje profundo, en el otro.
La respuesta podría ser utilizar una combinación de recursos de información. Por ejemplo, las señales de big data e IA pueden resultar muy útiles para los analistas de renta variable y fundamentales crediticios. Esto puede trasladarse a nuestras estrategias cuantitativas, en las que se tienen en cuenta las revisiones de los analistas. En este caso, estaríamos utilizando información de big data e IA de forma indirecta. En la Figura 1 se ofrece una perspectiva general de cómo los principales gestores utilizan estas técnicas avanzadas de análisis.
Fuente: Doshi, S., Kwek, J.-H. y Lai, J., 20 de marzo de 2019, “Advanced analytics in asset management: Beyond the buzz”, artículo de McKinsey & Company.
Dicho esto, cabe recordar que, aunque la innovación puede ayudar, debe aplicarse con cuidado y sensatez. Los principios básicos – como asegurarse de que las decisiones de inversión se basen en evidencias, sean prudentes y tengan una lógica económica clara– deben aplicarse siempre, también cuando se estudie la adopción de técnicas de vanguardia como los datos alternativos o la IA.
Más artículos
Could factor premiums disappear?
Should you time your factor exposures?
Suscríbase para conocer las últimas novedades y estrategias sobre inversión cuantitativa.
1 La IA puede definirse como el uso de herramientas computacionales para realizar tareas que, tradicionalmente, requerían de pensamiento humano. Como campo de investigación científica, la IA no es ni mucho menos algo nuevo. El término fue acuñado a mediados de la década de 1950 por el científico informático John McCarthy, por entonces profesor adjunto en Dartmouth College. Sin embargo, las recientes mejoras en la capacidad de computación y el espectacular aumento de la cantidad de datos disponibles en la era digital han ampliado significativamente el abanico de posibles aplicaciones para estas tecnologías.
2 Jung, C., Mueller, H., Pedemonte, S., Plances, S. y Thew, O., octubre de 2019, “Machine learning in UK financial services”, informe del Banco de Inglaterra y la Autoridad de Conducta Financiera británica.
3 Cao, L., 2019, “AI pioneers in investment management”, informe de CFA Institute.
4 El aprendizaje automático o “machine learning” se refiere al uso de algoritmos informáticos que van mejorando automáticamente sus predicciones a partir de la experiencia. Por ello, puede considerarse una subcategoría dentro de la inteligencia artificial.
5 Marchesini, T. y Swinkels, L., julio de 2019, “Integrating news sentiment in quant equity strategies”, nota para clientes de Robeco.
6 En el informe de CFA Institute mencionado en la nota 3 se ofrece una interesante perspectiva general de las aplicaciones más innovadoras en el segmento del hormigón.
7 Véase, por ejemplo: Calvello, A., 15 de enero de 2020, “Fund managers must embrace AI disruption”, Financial Times. Véase también: Rajan, A., 27 de enero de 2020, “AI will rewrite the future of fund management”, Financial Times.
8 Kirk, E., 3 de marzo de 2020, “Don’t believe the hype about AI and fund management”, Financial Times.
9 Véase, por ejemplo: Arnott, R., Harvey, C. R. y Markowitz, H., 2019, “Backtesting protocol in the era of machine learning”, The Journal of Financial Data Science.
10 FSB 2017. Artificial intelligence and machine learning in financial services – Market developments and financial stability implications.
11 Véase: Fletcher, L., 7 de septiembre de 2020, “AI hedge fund Voleon suffers in choppy markets”, Financial Times.
12 Simonian, J., López de Prado, M., Fabozzi y F. J., 2018, “Order from chaos: How data science Is revolutionizing investment practice”, comentario editorial de invitados, The Journal of Portfolio Management. Véase también: Snow, D., 2020, “Machine learning in asset management – Part 1: Portfolio construction – Trading strategies”, The Journal of Financial Data Science. Véase también: Snow, D., 2020, “Machine learning in asset management – Part 2: Portfolio construction – Weight optimization”, The Journal of Financial Data Science.
