Seis ideas explican cómo la estrategia de inteligencia artificial de Pictet Asset Management, Quest AI-Driven, utiliza la IA. ¿Qué es Quant 2.0? La inversión cuantitativa es un enfoque sistematizado para seleccionar inversiones que existe desde la década de 1980. Suele funcionar mediante algoritmos automatizados. Las primeras versiones se centraban en factores de inversión únicos, como el «efecto de pequeña capitalización» o el «valor».

A lo largo de los años, estos algoritmos se han vuelto cada vez más complejos. La creciente capacidad informática ha permitido incorporar grandes cantidades de datos a algoritmos complejos. Estos algoritmos se entrenan con series de datos históricos en lo que se conoce como aprendizaje automático para generar previsiones cada vez más precisas -previsiones que pueden compararse con los resultados reales- antes de ponerse en marcha como herramientas con potencial predictivo. Estos algoritmos de aprendizaje automático se han desarrollado hasta tal punto que su capacidad para encontrar conexiones dentro de los datos merece ser calificada como inteligencia artificial.

En este momento, la IA ha ayudado a que la inversión cuantitativa evolucione hacia la siguiente generación, lo que nos gusta llamar Quant 2.0.

¿Por qué utilizar la IA?

La potencia computacional que implica la IA y la gran cantidad de datos que puede digerir permiten establecer asociaciones cada vez más complejas, lo que hace que los modelos sean aún más eficaces a la hora de detectar lo que puede suceder en el futuro a partir de los datos actuales.

Muchos de los primeros modelos cuantitativos se limitaban a encontrar relaciones lineales dentro de los datos (conexiones directas entre las entradas) para realizar predicciones. Con el tiempo, también fueron capaces de identificar relaciones más complejas y no lineales. La IA permite al algoritmo descubrir no solo las relaciones entre los datos, sino también cómo interactúan y se influyen entre sí diferentes series de datos en situaciones determinadas. En conjunto, estas tres relaciones -lineales y no lineales, así como las interacciones- ofrecen una señal más clara sobre el rendimiento que puede tener una acción determinada en un periodo dado que los enfoques cuantitativos tradicionales.

¿Qué diferencia nuestro enfoque de la IA de otras estrategias de inversión en IA?

Como era de esperar, el enorme interés por la IA ha dado lugar a una gran cantidad de productos etiquetados como IA. Creemos que muchos de ellos son espurios. Consideramos que nuestro enfoque de la IA es más completo.

Nuestros modelos de IA patentados han sido desarrollados a lo largo de muchos años por nuestros expertos, que suelen ser doctores en física y matemáticas. Los modelos se han entrenado con unas 400 características de múltiples series de datos, incorporando períodos de alrededor de 15 años, y luego se han probado repetidamente en diferentes contextos económicos. El riguroso proceso está diseñado no solo para maximizar la capacidad de previsión, sino también para garantizar que los modelos no estén sobreajustados, es decir, que no solo produzcan resultados precisos en un conjunto limitado de circunstancias, sino que funcionen en entornos económicos cambiantes.

A pesar del largo proceso de desarrollo, nuestros modelos de IA siguen evolucionando. Constantemente se evalúan nuevas series de datos. Aquellos que cumplen con nuestros estrictos criterios se prueban dentro de los modelos durante muchos meses y bajo condiciones rigurosas antes de ser adoptados, lo que mejora aún más el potencial de precisión de las previsiones.

¿Sabemos realmente cómo funcionan estos modelos de caja negra?

Los modelos de IA y los primeros modelos de aprendizaje automático solían denominarse «caja negra» porque, incluso para sus desarrolladores, era difícil comprender cómo generaban sus resultados.

Esa es otra diferencia que distingue a nuestra IA patentada de otros modelos de IA. Nuestro equipo cuantitativo dedica mucho tiempo y esfuerzo a comprender cómo se obtienen los resultados, sabiendo qué aspectos de la previsión se derivan de relaciones lineales en el modelo, cuáles provienen de relaciones no lineales y cuáles de las interacciones de las series de datos. La capacidad de rastrear el camino desde la entrada hasta la salida dentro de nuestro modelo nos proporciona una transparencia casi sin igual en cuanto al funcionamiento del mismo, lo que lo aleja mucho de ser una caja negra. Esta transparencia, a su vez, significa que no solo podemos explicar las fuentes del rendimiento de las inversiones de nuestro modelo, sino que también nos permite identificar cuándo algo podría estar fallando en el modelo.

¿Se trata de una inversión totalmente automatizada?

Sí y no. Sí, en el sentido de que las previsiones del modelo indican a nuestros gestores de inversiones si deben vender o comprar una determinada acción. Gracias a nuestras rigurosas pruebas, confiamos en los resultados de nuestro modelo para ayudar a orientar la toma de decisiones.

Pero los seres humanos -seres humanos inteligentes y con experiencia- siguen siendo necesarios para el desarrollo y perfeccionamiento continuos del modelo. Siguen siendo necesarios para garantizar que el modelo funcione correctamente. Y son necesarios para especificar las restricciones de la cartera. Por ejemplo, nuestra IA es una estrategia neutral en cuanto a factores, sectores y geografías. Cualquier recomendación de acciones realizada por el modelo para Quest AI-Driven debe implementarse teniendo en cuenta esas restricciones. Y si los clientes desean carteras personalizadas, por ejemplo, con una preferencia geográfica o estilística concreta, también hay que tener en cuenta esas restricciones.

¿Qué ventajas tiene para los clientes?

Creamos Quest AI-Driven con el objetivo de producir una estrategia que tuviera el mismo perfil y nivel de riesgo que el mercado en general, pero que generara un potencial de rendimiento adicional. Incluso un rendimiento adicional modesto anual puede, con el tiempo, acumularse de forma espectacular.

Pero, a diferencia de las estrategias gestionadas activamente -que también tienen como objetivo superar al mercado-, el hecho de que nuestro enfoque basado en la IA requiera relativamente menos intervención humana significa que tiene unos costes de gestión más bajos. Por lo general, nuestro enfoque basado en la IA cuesta poco más que la estrategia pasiva, a pesar de los conocimientos especializados necesarios para crear y mantener el modelo.

Tribuna de David Wright, codirector de Quest, Quantitative Business Strategy, en Pictet Asset Management.