La inteligencia artificial (IA) va a tener un efecto transformador en el sector financiero, incluyendo la automatización de tareas rutinarias, la mejora de los procesos y la optimización de las operaciones. Efectivamente, ya es aplicable en el asesoramiento automatizado, el trading algorítmico y la evaluación de los riesgos.
Además, la IA puede mejorar las predicciones y en última instancia facilitar la generación de exceso de rentabilidad respeto al riesgo asumido para los clientes.
De hecho, ya en la década de los 80 los gestores de carteras empezaban a utilizar algoritmos para la selección de los activos y la gestión de los riesgos. Entonces se trataba de modelos simples de un solo factor, basados en las primas de riesgo respaldadas por investigaciones empíricas y la teoría económica.
Posteriormente los gestores evolucionaron hacia modelos multifactoriales para incorporar el sentimiento de los analistas, la posición de los inversores y la estabilidad de los beneficios empresariales y actualmente se trabaja con aprendizaje automático e IA para entrenar y crear modelos de selección de valores más allá de las primas de riesgo clásicas.
Así, en el caso de algoritmos de aprendizaje automático, es posible combinar árboles de decisión en un proceso iterativo. Estos nuevos modelos pueden ser entrenados con 250 a 300 características, incluyendo fundamentales de las acciones, sentimiento de los analistas, efectos calendario y la actividad de precios y mercados, entre otros datos. El objetivo es crear un modelo predictivo más preciso y robusto de las rentabilidades de las acciones a corto plazo para facilitar la toma de decisiones de inversión.
En última instancia el éxito de invertir con IA depende de cómo se entrene el modelo, lo que depende en gran medida de los datos utilizados y su evaluación. Al respecto, hay que tener en cuenta que los modelos de inversión basados en IA están plagados de riesgos y de complejidad. El modelo ha de ser fiable, rápido, preciso y sujeto a supervisión, continuamente ajustable, lo que requiere mucho tiempo. La gran cantidad de datos empleados dificulta el seguimiento.
Pero la suposición de que los inversores aceptarán la IA como una «caja negra» no sirve. Hay que presentar las características, posiciones, riesgos y atribuciones de rentabilidad de manera transparente. Sería fatal para los inversores que la asignación de activos y selección de valores no fueran comprensibles. Así que no se trata solo de que el modelo funcione, sino, más importante, de identificar las señales correctas y que exista disciplina para evitar sobreajustes, sesgo o factores de exageración.
De manera que el modelo debe ser creado, supervisado y actualizado por gestores humanos. Según una encuesta de Morgan Stanley en 2023, a más del 60 % de inversores minoristas les gustaría ser asistidos por un asesor financiero que aproveche el poder de la IA, pero con un humano al frente. Así, David Wright, codirector de Quest AI en Pictet Asset Management, está convencido de que las personas siempre van a estar involucradas en el proceso de inversión.
El caso es que la mayoría de los modelos de inversión basados en IA tienen un horizonte de inversión de doce meses, pero el aprendizaje automático requiere de retroalimentación constante y los períodos de tiempo largos son técnicamente difíciles de aplicar hoy día. De ahí que en Pictet Asset Management hayamos desarrollado el modelo Quest AI. Está entrenado incluso para horizontes de inversión de un mes, periodo durante el cual la rentabilidad de las acciones se ve especialmente afectada por el sentimiento y comportamiento de los inversores. Al respecto el modelo Quest AI permite capturar las relaciones y los efectos de interacción entre datos. Con ello es posible evaluar más rápida y eficientemente los cambios de comportamiento y, por tanto, hacer pronósticos más precisos a corto plazo para la selección de las acciones más atractivas.
Sin embargo, hay que tener en cuenta además otros desafíos que plantea la IA. Entre ellos destacan los enormes requisitos energéticos de los centros de datos para procesar datos. De hecho, en un centro de datos de IA el 70 % de la factura es de energía.
Así que se requieren herramientas y software de diseño para fabricación de chips eficientes y nuevos materiales que permitan bajo consumo energético, infraestructura de red y edificios “verdes” con tecnologías emergentes como refrigeración directa y, desde luego, gran cantidad de renovables. En muchos casos se emplean parques de renovables cerca de los centros de datos para reducir costes de redes, pero aun así precisan energía 24 horas al día 7 día a las semana y, por tanto, conexión a redes de transporte de electricidad. En concreto, por cada euro invertido en renovables hay que invertir entre 0,7 y 1,4 euros en redes. Además, los centros de datos precisan de baterías para asegurar la continuidad.
Con todo se requieren edificios sostenibles, pues 40 % de la energía de los centros de datos se emplea en refrigerar y determinadas compañías proporcionan soluciones de acondicionado del aire y tecnologías emergentes, como refrigeración directa. Pero sobre todo los centros de datos precisan chips, donde las barreras de entrada son muy fuertes y los crecimientos elevados. La tecnología punta es de 2 nanómetros, 27.000 veces más fino que el cabello humano y cuanto más pequeños, más eficiente energéticamente.
Tribuna de Gonzalo Rengifo, director de distribución de Pictet Asset Management para Iberia y Latam.
Disclaimer. For information purposes only. There is no guarantee that Pictet AM will be able to implement or achieve its investment objectives. Past performance is not necessarily indicative of future results and there can be no assurance that any of the current or future funds or individual investments will achieve comparable results.
Por Funds Society, Madrid
