latames
Big data e IA plantean multitud de retos para los inversores cuantitativos

Big data e IA plantean multitud de retos para los inversores cuantitativos

03-07-2018 | Visión

La llegada de las tecnologías de big data e inteligencia artificial (IA) está sacudiendo los mismos cimientos del sector financiero. En el sector de la gestión patrimonial, aunque la adopción de estas innovaciones sigue estando "en pañales", cada vez son más los que se plantean cómo utilizarlas para diseñar mejores estrategias de inversión.

  • David Blitz
    David
    Blitz
    Head of Quant Research

Lectura rápida

  • El big data y la IA podrían ayudar a los inversores en la toma de decisiones
  • El riesgo de ‘data fitting’ y los historiales cortos son preocupantes
  • Nos atenemos a nuestra filosofía de pioneros prudentes en este campo

No obstante, si bien es cierto que las mejoras en la analítica de datos pueden aportar valor para los inversores, existen escasas evidencias de que las tecnologías de big data e inteligencia artificial realmente funcionen en la práctica, al menos por el momento. Sigue sin haber casos concretos de gestores de inversión que hayan logrado una rentabilidad relativa superior, en el mundo real, empleando este tipo de técnicas.

Una estrategia de inversión sólida requiere 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 big data e inteligencia artificial son prácticamente anecdóticas. Las estrategias basadas en big data e inteligencia artificial también pueden carecer de la necesaria justificación económica clara. De hecho, la mayoría de estas ideas de inversión se basan puramente en resultados de pruebas retrospectivas realizadas sobre el papel, y eso es algo que siempre debe suscitarnos cautela.

Resulta complicado conciliar esta variedad de elementos con una filosofía de inversión prudente y basada en evidencias, como la de Robeco. Nos esforzamos siempre por identificar factores que se encuentran retribuidos con una mayor rentabilidad ajustada al riesgo, a largo plazo. Además, miramos más allá de los meros patrones estadísticos y tratamos de comprender las dinámicas económicas de la rentabilidad.

Manténgase al día de las últimas perspectivas sobre inversión cuantitativa
Manténgase al día de las últimas perspectivas sobre inversión cuantitativa
Suscríbase

Desafíos técnicos

Por todo ello, gestionar dinero conforme a un algoritmo de IA no verificado, que escruta conjuntos de datos exóticos, suscita muchas preocupaciones, a pesar de que big data e inteligencia artificial se hayan convertido en temas de conversación muy populares entre los inversores. Por otra parte, estas innovaciones plantean una serie de desafíos para los gestores que quieran incorporarlas a sus procesos de inversión.

El primero de estos retos técnicos es que los "conjuntos de datos de big data" generalmente presentan un historial reducido o muy reducido. El segundo problema tiene que ver con la falta de amplitud o, dicho de otra manera, la naturaleza fragmentada de la mayoría de señales de big data. Otro aspecto preocupante es que muchas de las señales generadas por las tecnologías de big data e IA tienden a centrarse en el corto plazo. Por último, resulta complicado y a menudo costoso hacerse con conjuntos de datos de buena calidad.

Por ahora, consideramos que analizar las señales de datos que se generan en los mercados de crédito, opciones y préstamos utilizando técnicas transparentes y de eficacia constatada reviste mayor potencial

Ante estos escollos que hemos descrito, consideramos que la tendencia actual en torno a big data e IA constituye una evolución muy interesante, pero que debe abordarse con precaución. Por ahora, consideramos que analizar las señales de datos que se generan en los mercados de crédito, opciones y préstamos utilizando técnicas transparentes y de eficacia constatada reviste mayor potencial que el estudio de variables exóticas de big data con complicados algoritmos.

Al mismo tiempo, somos conscientes de la revolución que este tipo de innovación puede llegar a provocar en el futuro. Hace un tiempo, los conjuntos de datos que hoy en día son de uso generalizado entre los gestores cuantitativos tuvieron que superar complicaciones similares a las que afronta ahora big data. A lo largo de los años, la calidad, amplitud y trayectoria de estas series de datos han mejorado, y eso ha permitido su utilización. Así, a medida que pase el tiempo y existan más datos disponibles, las tecnologías de big data probablemente vayan siendo cada vez más útiles en la práctica

No hay que descartar nada

Por último, la cuestión fundamental para los inversores no tiene necesariamente que centrarse en optar por un tipo de datos u otro. Existen muchos puntos intermedios entre limitarse a la información tradicional sobre cotizaciones y cuentas anuales, en un extremo, y basarse sólo en cosas como las imágenes por satélite de los aparcamientos, en otro. 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.

Los temas relacionados con este artículo son: