Los inversores institucionales buscan rendimientos. Las superposiciones de máquina pueden ayudar a encontrarlos

Por Nicholas Abe, co-fundador y director de operaciones de Boosted.ai

¿Cómo pueden los inversores obtener lo mejor de ambos mundos desde los enfoques cuantitativos y fundamentales? Implementando superposiciones de aprendizaje automático, escribe Nick Abe, co-fundador y director de operaciones de Boosted.ai. Los administradores fundamentales están dejando ganancias sobre la mesa al no adaptarse a las tecnologías y la demanda de los inversores institucionales en constante cambio. Abe demuestra que combinar su experiencia en el dominio financiero con herramientas de inteligencia artificial de vanguardia puede aumentar el alfa y el Sharpe.

Ambos lados del espectro de la inversión – cuantitativo y fundamental – han tenido problemas últimamente. Incluso los inversores más sofisticados lucharon en 2020 debido a la volatilidad impredecible que la pandemia de COVID-19 trajo al mercado.

El enfoque cuantitativo ha ido creciendo lentamente dentro de los grandes administradores de activos a medida que crean sus propios equipos de cuantitativa. Sin embargo, la promesa de tener una ventaja gracias a la tecnología moderna se ha encontrado con las dificultades de poner en práctica el aprendizaje automático exitoso, en gran medida debido a la experiencia requerida y al alto costo de desarrollar un programa funcional.

Las tiendas cuantitativas exitosas emplean a gran cantidad de doctorados, científicos de datos e ingenieros para dar sentido a grandes cantidades de datos complejos – y aún así, a veces fallan. Encontrar poder predictivo en los datos es difícil, y los eventos de cisne negro como el COVID-19 y otros cambios de régimen pueden hacer que esos datos sean obsoletos sin supervisión humana.

Fracasos fundamentales

La mayoría de las personas son conscientes de los principios del análisis fundamental – estudiar los estados financieros e incorporar factores económicos para tomar decisiones sobre dónde invertir para obtener los mejores rendimientos dados los objetivos y el apetito de riesgo. Los inversores han practicado y perfeccionado este enfoque laborioso para entregar rendimientos durante décadas. Algunos, sin embargo, están calentando para aprovechar las tecnologías modernas como el aprendizaje automático y los datos alternativos para afilar el rendimiento, sintetizar la información en menos tiempo y reducir cualquier sesgo cognitivo que pueda interferir en el proceso de toma de decisiones.

Además, la gestión de inversiones activas fundamentales enfrenta desafíos enormes, que van desde la compresión de tarifas y avances tecnológicos hasta el cambio de la opinión de los inversores hacia los ETFs de bajo costo.

¿Qué tienen en común los enfoques cuantitativos y fundamentales? Estudian el mundo que los rodea para tomar decisiones informadas sobre dónde invertir mejor el capital para obtener rendimientos.

Pero, ¿qué pasa si hubiera una tercera opción?

La llamada al aprendizaje automático en la gestión fundamental

El aprendizaje automático ha revolucionado las industrias y la vida cotidiana. Desde Google Translate hasta los coches autónomos, la tecnología está transformando el mundo de la misma manera que la revolución industrial antes, y la industria de la gestión de inversiones no será inmune a los cambios. Según un estudio de 2019 del CFA Institute que encuestó a gestores de cartera, solo el 10% de los gestores de cartera habían utilizado alguna 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 administradores tradicionales que son más confiados en su propio análisis fundamental, que pueden hacer por sí mismos y, por defecto, tienen una comprensión más profunda.

Dado los obstáculos anteriores, ¿cómo pueden los administradores fundamentales adaptarse con éxito?

Combinando para un mejor proceso: superposiciones de aprendizaje automático

Agregar una superposición de aprendizaje automático a una cartera es solo un ejemplo de la unión de la experiencia del administrador de inversiones fundamental y las ventajas tecnológicas que ofrece la inteligencia artificial.

Las superposiciones de máquina 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 requerir conocimientos de programación. Proporcionan una explicación completa de la razón de la máquina, mostrando qué variables el aprendizaje automático consideró importantes en su proceso de toma de decisiones. Esto ayuda a los administradores fundamentales a sentirse más cómodos al implementar 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 los ponderaciones de las acciones. No agrega nuevas posiciones – más bien, ajusta las ponderaciones (largo o corto) de las acciones en la cartera existente del administrador. Según sus hallazgos, las acciones que se clasifican con alta calificación pueden tener sus ponderaciones aumentadas y las acciones que se clasifican con baja calificación pueden tener sus ponderaciones reducidas.

Al final, las superposiciones de aprendizaje automático permiten que un administrador de inversiones fundamental combine su habilidad para seleccionar acciones con la inteligencia artificial de vanguardia y específica de finanzas para obtener mejores resultados.

Un administrador de inversiones puede gustarle las acciones de Facebook, Apple, Amazon, Netflix y Google (FAANG) y encontrar que ofrecen un buen rendimiento en su cartera, pero tener las cinco con ponderaciones iguales. La adición de la superposición de aprendizaje automático de Boosted Insights permite que la máquina ajuste ligeramente las ponderaciones – digamos, Facebook se reduce a 18,5% y Apple se aumenta a 21,5%. Esas diferencias menores, mientras se mantiene la cartera del administrador de inversiones exactamente igual, pueden resultar en mejores resultados en términos de rendimiento, alfa y volatilidad.

Hemos encontrado que este tipo de modelos puede mejorar las carteras que ya tenían un alto alfa solo ajustando las ponderaciones de las acciones y sin tener que ajustar la composición. La beta permaneció consistente ya que las asignaciones básicas se ajustaron por las superposiciones del modelo.

Aprendizaje automático para una mejor inversión

El aprendizaje automático ha desafiado y seguirá desafiando a las industrias. Los administradores de inversiones pueden mejorar sus objetivos de cartera implementando el aprendizaje automático en su proceso, pero de una manera que sea complementaria y orgánica a su flujo de trabajo. Una buena manera de empezar a explorar las técnicas de aprendizaje automático es implementar una superposición de aprendizaje automático.