Aprovechar el poder de la IA para optimizar las decisiones de inversión
El objetivo de las estrategias de inversión activas basadas en datos es obtener una ventaja informativa: saber más, tener una visión más clara y actuar con mayor rapidez que otros participantes del mercado. Esto implica identificar, interpretar y actuar sobre la base de información clave antes de que el mercado acabe de digerirla por completo. Al evaluar la calidad y la valoración de las empresas, los inversores que basan su estrategia en datos solían confiar principalmente en información cuantitativa y estructurada, como el ratio precio-beneficio de una empresa, junto con datos del mercado como el rendimiento de las acciones y el volumen de negociación. Esta lista se ha ido ampliando en los últimos años con la disponibilidad de conjuntos de datos estructurados como datos sobre envíos, tráfico en Internet y transacciones con tarjetas de crédito.
Aunque estas métricas siguen siendo importantes, el proceso de toma de decisiones de inversión ha evolucionado considerablemente en los últimos años, un proceso que se ha acelerado con el auge de la inteligencia artificial (IA). Los inversores basados en datos ahora tienen acceso a conjuntos de datos más grandes, menos estructurados y más complejos que nunca. Las fuentes no tradicionales, como los artículos de prensa, la presentación de información obligatoria y registros de patentes, así como las transcripciones y grabaciones de audio de los anuncios de resultados de las empresas requieren nuevos métodos para analizar datos y extraer información procesable. El progreso de la IA ha dotado a los inversores de herramientas cada vez más potentes para procesar estos conjuntos de datos más matizados y poco convencionales con el objetivo de construir señales de alfa y mejorar la toma de decisiones.
Aprovechar la IA de forma eficaz implica algo más que la mera tecnología , como el almacenamiento escalable y los clústeres de unidades de procesamiento central y gráfico (CPU y GPU). Un proceso de inversión impulsado por la IA requiere una estrategia bien diseñada para adquirir datos con el potencial de producir información relevante, limpiarla e incorporarla en un marco integrado. En otras palabras, creemos que una estrategia de IA impactante y escalable se basa en una estrategia de datos sólida que esté integrada en la cultura y filosofía de una empresa.
El auge de la tecnología de IA no reduce la importancia de las personas que la utilizan, sino más bien al contrario. Aprovechar todo el poder del big data y la IA requiere analistas de datos capaces de formular hipótesis de alta calidad e impulsar ideas novedosas. Necesitan saber qué métodos y técnicas ofrecerán la información más diferenciada a partir de los datos disponibles y cómo utilizar esta información para realizar tareas específicas de manera eficiente.
En nuestra opinión, se require la combinación de una estrategia de datos sólida y analistas de datos innovadores, para impulsar una estrategia de inversión activa y basada en datos. En este artículo, nos basamos en la experiencia del equipo de Quantitative Investment Strategies (QIS) de Goldman Sachs Asset Management para explorar estos dos elementos y las soluciones que pretenden implementar.
Estrategia y ciencia
Cuando se implementa de forma eficaz, la IA ofrece a los inversores la posibilidad de extraer información significativa de conjuntos de datos complejos y no estructurados que antes eran increíblemente difíciles de procesar. El pilar de este proceso son los datos.
Creemos que los inversores necesitan una estrategia integral para adquirir y procesar conjuntos de datos con el mayor potencial para proporcionar información valiosa. Esta estrategia debe abarcar áreas como la calidad de los datos, la infraestructura de datos, la gobernanza, las pruebas, la implementación y la supervisión. El otro componente crítico es una plantilla cualificada de analistas de datos.
Los analistas con experiencia en la intersección de los datos y la IA están mejor preparados para seleccionar modelos adecuados e identificar y mitigar sesgos que puedan ser inherentes en los conjuntos de datos disponibles. Si estos sesgos no se detectan, pueden hacerse mayores en el entrenamiento de un modelo de IA. Al contemplar el uso de herramientas de IA, los analistas de datos deben evaluar las contrapartidas entre complejidad, transparencia e interpretabilidad. Comprender las fortalezas y limitaciones de las técnicas de IA permite a los analistas de datos garantizar que los conjuntos de datos y modelos elegidos para un proyecto específico estén alineados con sus objetivos.
No es suficiente pedir a un modelo de IA generativa que pronostique la rentabilidad de las acciones o que recomiende qué acciones comprar o vender. Creemos que las técnicas de IA deben considerarse como herramientas para probar y definir hipótesis durante el análisis de inversión. El verdadero valor radica en la capacidad de los humanos para generar hipótesis de alta calidad e ideas innovadoras que se puedan aplicar a un conjunto dinámico de datos proporcionando potencialmente una ventaja competitiva a largo plazo.
Análisis de audios
Un ejemplo de hipótesis productiva con el potencial de aprovechar el uso eficiente de los modelos de IA es la creencia de nuestro equipo de QIS de que el sentimiento expresado por los directivos de una empresa a la hora de anunciar los resultados puede proporcionar información sobre su posible rendimiento futuro. Estas personas suelen conocer bien las perspectivas de sus empresas, y su comportamiento y sus comentarios pueden insinuar cambios en su pensamiento.
Durante más de una década, el equipo de QIS ha validado e implementado esta hipótesis como una estrategia de inversión utilizando una variedad de técnicas. Aprovechar las herramientas de procesamiento del lenguaje natural, como Bidirectional Encoder Representations from Transformers (BERT)1 para procesar transcripciones de anuncios de resultados de las empresas, permite al equipo de QIS evaluar el sentimiento textual de lo que dice el equipo directivo. Desde 2023, lo hemos complementado ampliando nuestro enfoque para incluir no solo lo que dicen, sino cómo lo dicen.
Los datos para este análisis pueden extraerse de grabaciones de audio de anuncios de resultados. El análisis basado en audio nos permite capturar matices emocionales en la expresión de un mensaje, cambios de tono y énfasis que serían difíciles de distinguir en una transcripción. Hemos detectado que la parte de preguntas y respuestas de los anuncios de resultados de las empresas contienen un alto nivel de esta información adicional debido a la inmediatez de los intercambios y su naturaleza espontánea. Se pueden aplicar técnicas de aprendizaje profundo2 a los audios sobre resultados de los administradores y directores corporativos para extraer un amplio espectro de características al analizar las expresiones frente a indicadores como la ambigüedad, la emoción en el tono y la evasión. Aunque los analistas humanos podrían realizar una tarea similar, el uso de la IA permite a los inversores procesar el audio de miles de anuncios de forma eficiente y controlar la posibilidad de sesgos humanos. Nuestro equipo de QIS, por ejemplo, tiene acceso a más de 400 000 horas de datos de audio de resultados de las empresas.
Las grabaciones de audio presentan desafíos que no se dan en el análisis textual. A menudo contienen momentos de silencio, ruido de fondo y música. Algunos ponentes son más expresivos que otros. Los ponentes pueden tener diferentes acentos o estar hablando un idioma que no sea su lengua materna. Debido a esta complejidad, nuestro equipo de QIS se basa en datos brutos que limpiamos para preservar matices potencialmente significativos. Analizamos la expresión de un ponente con respecto a su propio perfil vocal para determinar una base consistente para la comparación. El resultado de los modelos de aprendizaje profundo se puede utilizar para ayudar a formar una señal de alfa más sólida.
Efectos de lastre en el liderazgo
Otro ejemplo de hipótesis productiva es que el lastre en el liderazgo entre valores pueden surgir indirectamente a través de la exposición a temas comunes. Si podemos identificar rápidamente estos temas del mercado a escala, así como la exposición de una acción determinada a ellos, podemos aprovechar tendencias emergentes.
Las técnicas de procesamiento del lenguaje natural, como los modelos de integración, nos permiten detectar estos temas sistemáticamente en una variedad de conjuntos de datos textuales, como registros de patentes, comunicados de prensa de la empresa, noticias e informes de analistas de ventas.3 Una vez identificados estos temas, podemos realizar un seguimiento del rendimiento de las empresas para medir y capitalizar el impulso en estas diversas tendencias temáticas. El equipo de QIS actualmente se aprovecha de 290 000 informes de analistas, 2 millones de artículos y 50 millones de patentes a nivel mundial al año.
Tomemos como ejemplo los informes de prensa. Nuestro equipo de QIS cree que es probable que las empresas mencionadas con frecuencia en las mismas noticias estén vinculadas económicamente, y que la infrarreacción de los inversores a estos vínculos puede crear efectos del lastre en el liderazgo en la rentabilidad de las acciones. Sobre la base de esta hipótesis, se pueden utilizar técnicas de IA para analizar el gran volumen de noticias que supervisamos diariamente. Esto nos permite crear una red de vínculos entre miles de acciones y observar los efectos dominó resultantes de los acontecimientos del mercado, que en nuestra opinión pueden afectar a la rentabilidad de la renta variable.
Aunque los métodos de análisis tradicionales podrían verse saturados por el flujo incesante de nueva información, un enfoque cuantitativo basado en datos impulsado por modelos de IA nos permite comprender en qué medida podría un acontecimiento mundial desencadenar efectos de primer y segundo orden. Una disrupción en el suministro de gas natural podría impulsar el precio del fertilizante, por ejemplo, contribuyendo en última instancia a un aumento en los precios globales de los alimentos. En un caso como este, nuestros modelos podrían identificar las empresas dentro de esta red de relaciones que se verían afectadas.
Una visión completa
La rápida evolución de las técnicas de IA pone a disposición de los inversores nuevas y potentes herramientas para evaluar empresas y gestionar riesgos. Además de los datos tradicionales, como los estados financieros, los inversores ahora pueden recurrir a conjuntos de datos amplios, complejos y menos estructurados que pueden proporcionar información sobre influencias adicionales en el valor futuro de una empresa. Este proceso comienza y termina con un humano al volante. Comienza con una estrategia para adquirir, limpiar y procesar datos, y se basa en la capacidad de los analistas de datos para definir nuevas hipótesis que maximicen la eficacia de las técnicas de IA, así como para supervisar, innovar y, finalmente, interpretar y extraer información. Aprovechar el poder de la IA permite a los inversores obtener una comprensión más exhaustiva de las empresas y mejorar sus procesos de toma de decisiones y gestión de riesgos.
1 BERT es un modelo de lenguaje de aprendizaje profundo que se puede ajustar para determinar la probabilidad de que una entrada sea una afirmación positiva, neutral o negativa.
2 IBM. El aprendizaje profundo es un tipo de aprendizaje automático que utiliza redes neuronales artificiales multicapa para simular el proceso de toma de decisiones del cerebro humano. A 26 de noviembre de 2024.
3 Los modelos de integración se utilizan para convertir los datos en un formato numérico que los ordenadores pueden procesar. Por ejemplo, pueden tomar palabras y frases y representarlas como vectores, que son listas de números. Estos vectores capturan el significado y las relaciones entre los puntos de datos. Las palabras con significados similares tendrán representaciones vectoriales similares.
