Por Nicholas Abe, cofundador y director de operaciones de Impulsado.ai
¿Cómo pueden los inversores obtener lo mejor de ambos mundos a partir de enfoques cuantitativos y fundamentales? Mediante la implementación de superposiciones de aprendizaje automático, escribe Nick Abe, cofundador y director de operaciones de Boosted.ai. Los administradores fundamentales están dejando ganancias sobre la mesa al no adaptarse a las tecnologías cambiantes y la demanda de los inversores institucionales. Abe demuestra que la combinación de su experiencia en el dominio financiero con herramientas de inteligencia artificial de vanguardia puede aumentar el alfa y Sharpe.
Ambos lados del espectro de inversión, cuantitativo y fundamental, han tenido problemas últimamente. Incluso los inversores más sofisticados tuvieron problemas en 2020 debido a la volatilidad imprevista que trajo al mercado la pandemia de COVID-19.
El enfoque cuantitativo se ha ido construyendo lentamente dentro de los grandes administradores de activos a medida que crean sus propios equipos cuantitativos. Sin embargo, la promesa de tener una ventaja de la tecnología moderna se ha cumplido con las dificultades de poner en práctica el aprendizaje automático exitoso, en gran parte debido a la experiencia requerida y el alto costo de desarrollar un programa funcional.
Las tiendas cuantitativas exitosas emplean franjas de doctores, científicos de datos e ingenieros para dar sentido a grandes cantidades de datos complejos, e incluso así, a veces fallan. Encontrar el poder predictivo de los datos es difícil, y los eventos de cisne negro como COVID-19 y otros cambios de régimen pueden hacer que los datos queden obsoletos sin supervisión humana.
fallas fundamentales
La mayoría de las personas conocen los principios del análisis fundamental: estudiar los estados financieros e incorporar factores económicos para tomar decisiones sobre dónde deben invertir los inversores para obtener los mejores rendimientos según los objetivos y el apetito por el riesgo. Los inversores han practicado y perfeccionado este enfoque que requiere mucho tiempo para generar rendimientos durante décadas. Algunos, sin embargo, se están animando a aprovechar la tecnología moderna como el aprendizaje automático y los datos alternativos para mejorar el rendimiento, sintetizar información en menos tiempo y reducir cualquier sesgo cognitivo que pueda interferir en el proceso de toma de decisiones.
Además, la gestión de inversiones activa fundamental se enfrenta a enormes desafíos, que van desde la compresión de tarifas y los avances tecnológicos hasta cambiar el sentimiento de los inversores hacia los ETF de bajo costo.
¿Qué tienen en común los enfoques cuantitativo y fundamental? Estudian el mundo que los rodea para tomar decisiones informadas sobre dónde invertir mejor el capital para obtener rendimientos.
Pero, ¿y si hubiera una tercera opción?
El llamado al aprendizaje automático en la gestión fundamental
El aprendizaje automático ha revolucionado las industrias y la vida cotidiana. Desde el Traductor de Google hasta los automóviles autónomos, la tecnología está transformando el mundo de manera muy similar a la revolución industrial anterior, y la industria de gestión de inversiones no será inmune a los cambios. Según un estudio de 2019 realizado por el Instituto CFA que encuestó a los administradores de cartera, solo el 10 % de los administradores de cartera había utilizado inteligencia artificial o aprendizaje automático en su proceso de inversión.
A medida que la tecnología continúa progresando, las técnicas de aprendizaje automático se convertirán en un aspecto no negociable de la gestión de inversiones. Sin embargo, muchas aplicaciones de aprendizaje automático requieren conocimientos de programación ajenos a los gerentes tradicionales que tienen más confianza en su propio análisis fundamental, que pueden hacer por su cuenta y, de manera predeterminada, tienen una comprensión más profunda.
Dados los obstáculos anteriores, ¿cómo pueden adaptarse con éxito los gerentes fundamentales?
Combinando para un mejor proceso: superposiciones de aprendizaje automático
Agregar una superposición de aprendizaje automático a una cartera es solo un ejemplo de la combinación de la experiencia fundamental del administrador de inversiones y las ventajas tecnológicas que la IA tiene para ofrecer.
Las superposiciones de máquinas resuelven los obstáculos de los inversores fundamentales que buscan incorporar la tecnología. Son fáciles de usar y se pueden implementar sobre las carteras existentes de los inversores tradicionales sin necesidad de conocimientos de programación. Proporcionan una explicación completa del razonamiento de la máquina, mostrando qué variables el aprendizaje automático consideró importantes en su toma de decisiones. Esto ayuda a los gerentes fundamentales a sentirse más cómodos implementando la inteligencia en su proceso.
Por ejemplo, una superposición de aprendizaje automático de Boosted Insights toma la cartera existente de un administrador de inversiones y ajusta ligeramente las ponderaciones de la posición de las acciones. No agrega nuevas posiciones, sino que ajusta las ponderaciones (largas o cortas) de las acciones en la cartera existente del administrador. Según sus hallazgos, es posible que se aumente la ponderación de las acciones con una clasificación alta y que se reduzca la ponderación de las acciones con una clasificación deficiente.
Al final, las superposiciones de aprendizaje automático permiten que un administrador de inversiones fundamental combine su perspicacia para la selección de acciones con inteligencia artificial y aprendizaje automático específico de finanzas de vanguardia para obtener mejores resultados.
A un administrador de inversiones le pueden gustar las acciones de Facebook, Apple, Amazon, Netflix y Google (FAANG) y descubrir que ofrecen un buen rendimiento en su cartera pero tienen las cinco con el mismo peso. La adición de la superposición de aprendizaje automático Boosted Insights permite que la máquina altere ligeramente las ponderaciones; por ejemplo, Facebook se reduce al 18,5 % y Apple aumenta al 21,5 %. Esas pequeñas diferencias, mientras mantienen la cartera del administrador de inversiones exactamente igual, pueden generar mejores resultados en términos de rendimiento, alfa y volatilidad.
Hemos descubierto que este tipo de modelos pueden mejorar las carteras que ya tenían un alfa alto ajustando solo las ponderaciones de las acciones y sin tener que ajustar la composición. Beta se mantuvo constante ya que las asignaciones de línea de base fueron ajustadas por las superposiciones del modelo.
Aprendizaje automático para una mejor inversión
El aprendizaje automático ha perturbado y seguirá afectando a las industrias. Los administradores de inversiones pueden mejorar los objetivos de su cartera al implementar el aprendizaje automático en su proceso, pero de una manera que sea complementaria y orgánica a su flujo de trabajo. Una buena manera de sumergirse en las aguas de las técnicas de aprendizaje automático es implementar una superposición de aprendizaje automático.