Todos somos Quants: la nueva era de la inversión sistemática

En esta era de computación barata y grandes volúmenes de datos, la inversión sistemática o algorítmica es cada vez más popular. Las estrategias sistemáticas aparecen en productos independientes, así como en estrategias de cobertura de colas y de superposición defensiva. De hecho, dado el enorme crecimiento de los datos, cada vez resulta más inviable procesarlos sin la ayuda de herramientas sistemáticas. La ventaja clave del enfoque sistemático es la disciplina que impone: por ejemplo, las máquinas no están plagadas de problemas de comportamiento como el sesgo de disposición, y en tiempos de crisis, una estrategia sistemática mantiene la "cabeza fría". Los enfoques sistemáticos también plantean muchos retos. Las estrategias sistemáticas pueden no adaptarse rápidamente a los cambios estructurales del mercado. También presentan el riesgo del "lavado tecnológico", por el que un producto de inversión afirma utilizar "las últimas herramientas de inteligencia artificial y aprendizaje automático", pero las herramientas se aplican incorrectamente o desempeñan un papel mínimo. Y lo que es más importante, cuando las herramientas sistemáticas son aplicadas por un investigador inexperto, las pruebas retrospectivas suelen estar sobreajustadas, lo que conduce a un rendimiento decepcionante en la negociación real.

En mi artículo "El hombre frente a la máquina", realizo un ejercicio intrigante. El análisis requería una amplia muestra de fondos de cobertura. La mitad de la muestra declaró si eran sistemáticos o discrecionales. La otra mitad no hizo ninguna declaración, pero proporcionó descripciones detalladas de lo que hacía el fondo. Nos propusimos hacer el siguiente ejercicio de procesamiento del lenguaje natural: buscar palabras y frases que distinguieran lo sistemático de lo discrecional en nuestra muestra de entrenamiento (donde sabíamos la verdad) y luego aplicar esto a los miles de fondos sin clasificar.

Algunas palabras tenían mucho sentido, como algorítmico. También nos interesaba la palabra quant o cuantitativo. Para nuestra sorpresa, la palabra quant no separaba lo sistemático de lo discrecional. De hecho, ¡era más probable que "quant" se asociara a descripciones de fondos discrecionales!

¿Qué significa esto? Es sencillo: el análisis cuantitativo es una parte crucial del proceso de inversión, tanto para los fondos discrecionales como para los sistemáticos. Mientras que, en el pasado, el gestor de carteras discrecionales podría haber proporcionado una hoja de cálculo con modelos de valoración para sus nombres favoritos, el entorno de información actual exige el uso de herramientas cuantitativas. Los profesionales de la inversión disponen actualmente de miles de bases de datos y resulta inverosímil que un solo gestor pueda procesar manualmente todos los datos que exigen estas herramientas cuantitativas.

En el entorno actual, todos somos quants, pero no todos gestionamos carteras sistemáticas. En la inversión sistemática, las operaciones se generan mediante reglas o algoritmos, que por supuesto están diseñados por humanos. Estos algoritmos funcionan de forma independiente cuando se utilizan en operaciones reales. En las carteras discrecionales, los gestores toman la decisión final sobre las operaciones, aunque puedan utilizar muchas herramientas cuantitativas para ayudarles en su proceso de decisión. Al final, sin embargo, es una persona la que genera la idea de negociación, no un algoritmo.

Hace treinta y cinco años, la inversión sistemática era un estilo de inversión de nicho, centrado principalmente en sistemas de seguimiento de tendencias. Los algoritmos iniciales operacionalizaban un enfoque de inversión centenario denominado análisis técnico. Aunque el análisis técnico tiene muchos sabores, la identificación y extrapolación de tendencias es su piedra angular. Uno de sus inconvenientes es el inevitable punto de inflexión. En algún momento, la tendencia se invertirá. Los algoritmos evolucionaron de forma que, tras una tendencia prolongada (o una señal de tendencia muy fuerte), se redujera el riesgo. Esta capacidad permitía efectivamente las inversiones y reducía las pérdidas sufridas en los puntos de inflexión.

La siguiente oleada fue la de los modelos cuantitativos de selección de valores. Estos modelos utilizaban un enfoque algorítmico para identificar los valores que la estrategia debía comprar o vender. En el caso de las carteras exclusivamente a largo plazo, estos modelos determinaban la sobreponderación y la infraponderación de los valores. Estos modelos solían ir más allá de los datos de precios e incluían información fundamental como la valoración, el crecimiento, la rentabilidad y las métricas de calidad.

La siguiente innovación significativa en la inversión sistemática fue la aparición de las denominadas estrategias smart beta. Estos productos de bajo coste podían centrarse en un factor o estrategia concretos, como el valor. El nombre -que suele aplicarse a una amplia gama de estrategias basadas en fórmulas o algoritmos, a menudo con impresionantes resultados de backtest- da la impresión de que las estrategias son inteligentes. Sin embargo, hay muchas estrategias que no son inteligentes que se ofrecen bajo esta rúbrica. Las estrategias smart beta crean un índice utilizando un enfoque algorítmico. Los inversores pueden acceder a la estrategia de muchas formas, como fondos cotizados o fondos de inversión. Las estrategias smart beta también tienen versiones multifactor.

Al mismo tiempo que entraba más capital en el mercado, muchos gestores se dieron cuenta de que la forma más fácil de aumentar el alfa era reducir los costes. Una forma de reducir costes era mejorar la ejecución. De ahí que la tercera oleada fuera la aparición de la negociación sistemática de alta frecuencia. Esta negociación puede producir rentabilidad por sí sola a fondos como Renaissance Technologies, o puede formar parte de las estrategias de ejecución de fondos tanto sistemáticos como discrecionales.

Actualmente, nos encontramos al principio de la era de la utilización de herramientas de inteligencia artificial (IA) tanto en estrategias sistemáticas como discrecionales. Por ejemplo, los grandes modelos lingüísticos ofrecen la posibilidad de ayudar a los investigadores a analizar una gran cantidad de información financiera y aislar los factores de riesgo.

En los últimos años han surgido herramientas de aprendizaje automático para impulsar estrategias de inversión sistemáticas. Estas herramientas existen desde hace bastante tiempo. De hecho, hace casi 25 años intenté aplicar algunas herramientas de aprendizaje profundo a los rendimientos de la renta variable. El modelo fracasó porque era demasiado simple. Era simple debido a las limitaciones computacionales.

Tres factores concretos han provocado el auge de las aplicaciones de aprendizaje automático. En primer lugar, la velocidad de cálculo ha aumentado enormemente. En 1990, un superordenador Cray 2 costaba 32 millones de dólares (dólares de hoy), pesaba 1.500 kilos y necesitaba una unidad de refrigeración. Era capaz de realizar 1.900 millones de operaciones en coma flotante por segundo. Hoy, tu teléfono móvil es 500 veces más rápido que el Cray 2.

El segundo factor son los datos. En la época del Cray 2, el coste de un gigabyte de almacenamiento era de 10.000 dólares. Hoy, el coste de un gigabyte es inferior a un céntimo. Esto permite recopilar y almacenar grandes cantidades de datos a bajo coste. Además del almacenamiento barato, el alcance de los datos se amplió más allá de la información financiera y de precios para incluir datos no estructurados de multitud de fuentes (texto, voz, web, geosat, imágenes, etc.).

El tercer factor es el software de código abierto. En el pasado, el desarrollo de software se hacía en silos. Hoy, la situación es completamente distinta. El desarrollo es mucho más eficaz, porque los ingenieros no tienen que reinventar la rueda: van a GitHub y descubren que muchos otros han tratado el mismo problema al que ellos se enfrentan, y las soluciones están a su libre disposición.

La principal ventaja es la disciplina. Utilizando un conjunto de reglas acordadas, el algoritmo las aplica. La máquina, obviamente, no tiene sesgos directos de comportamiento y no será presa de las emociones humanas. De hecho, las mejores estrategias algorítmicas observarán, aprenderán y se beneficiarán de las decisiones emocionales de los demás. Por ejemplo, el algoritmo no se aferrará necesariamente a las operaciones perdedoras (el sesgo de la disposición). La máquina es incapaz de arrepentirse. Además, en periodos de mayor tensión en los mercados, la máquina "tiene la cabeza fría".

Una segunda ventaja es la capacidad de la máquina para procesar información. Dos componentes aumentan el valor de este procesamiento. El primero es que, dada la explosión de los big data, es factible que la máquina procese grandes conjuntos de datos, una tarea inviable para el gestor que opera sin un modelo. El otro componente es la velocidad. Ya sea procesando grandes conjuntos de datos o reaccionando rápidamente a las noticias del mercado, la máquina tiene claras ventajas.

La principal desventaja es la pérdida de flexibilidad. Los algoritmos son una simplificación del mundo y suelen estar muy parametrizados. Están optimizados en función de comportamientos pasados, pero el mundo cambia. Este siempre es diferente. Es un reto -incluso con la tecnología actual- construir un algoritmo fiable que evolucione en el tiempo. Adaptar un algoritmo estacionario a un mercado no estacionario es una receta para el fracaso.

Una segunda desventaja es la tendencia al sobreajuste en la fase de desarrollo del modelo.2 Los algoritmos y las parametrizaciones se optimizan en función de los datos pasados. Dado que la relación señal-ruido es tan baja en el caso de los activos financieros, los investigadores tienden a optimizar el ruido. Un algoritmo sobreajustado se verá muy bien en el backtest y funcionará mal en la negociación real.

En tercer lugar, los algoritmos no suelen tener en cuenta la estructura del mercado. Por ejemplo, un algoritmo puede detectar con éxito una valoración errónea del mercado. En tal caso, el modelo no está sobreajustado (es decir, el rendimiento del backtest no es exagerado). Sin embargo, cuando se aplica en tiempo real, el modelo falla. El fallo no se debe a una deficiencia en el proceso de investigación. Más bien, el mercado ha evolucionado a medida que otros entraban para aprovecharse de lo que (ahora) es un error de valoración temporal.

En cuarto lugar, algunos inversores caen en la trampa de la "caja negra". Esto ocurre a menudo con las implementaciones de aprendizaje automático que se basan puramente en datos, en lugar de basarse en un fundamento económico sólido. Los inversores deben tener cuidado con afirmaciones de los gestores como "No podemos revelar cómo funciona el modelo porque es información reservada." Todos los algoritmos deben ser explicables. Incluso los algoritmos de aprendizaje automático más complejos pueden someterse a ingeniería inversa en cierta medida introduciendo perturbaciones en los datos de entrada para determinar cómo cambian los resultados del modelo.

Por último, las nuevas herramientas de IA plantean riesgos. Por ejemplo, la IA generativa puede aprender de datos pasados y podría heredar algunos sesgos de comportamiento. Las GPT son relativamente nuevas y, en ocasiones, las extrapolaciones realizadas por la actual generación de algoritmos podrían resultar problemáticas. Para desplegar con éxito estas herramientas, es probable que lo mejor sea que los gestores de activos ajusten las herramientas GPT de código abierto a sus necesidades en lugar de confiar en productos comerciales estándar que sufren el problema de la caja negra.

Creo que nos encontramos en un punto de inflexión en el panorama de la gestión de inversiones. Los inversores se han dado cuenta de que las herramientas de inversión sistemática no sólo han llegado para quedarse, sino que su importancia va a aumentar. Los gestores de inversiones están adoptando cada vez más estas herramientas. Su aplicación, sin embargo, requiere una habilidad y una colaboración considerables entre las capacidades de inversión, tecnológicas y cuantitativas.

En el actual periodo de transición, algunos gestores de activos necesitan marcar la casilla y, por tanto, ofrecerán algunas mejoras de aprendizaje automático e IA a sus estrategias actuales. Sin embargo, estos gestores de activos operan con una desventaja considerable. En primer lugar, es posible que no tengan experiencia en el desarrollo sistemático de modelos o en el aprendizaje automático y la IA. Un becario de verano con un único curso de aprendizaje automático en su currículum no constituye "experiencia". En segundo lugar, con cientos de algoritmos de aprendizaje automático y un número cada vez mayor de herramientas de IA, la selección del enfoque que mejor se adapte al problema en cuestión requiere habilidad. En tercer lugar, las empresas inexpertas creen erróneamente que "los big data son gratis". Aunque los datos estén fácilmente disponibles en Internet, no son gratis. La limpieza de los datos requiere un cuidado (y un coste) considerable. Si los datos no están limpios, pueden ofrecer resultados engañosos cuando se aplique el algoritmo. En cuarto lugar, es poco probable que muchas empresas de inversión dispongan de la potencia informática especializada necesaria para entrenar y ejecutar con éxito estos algoritmos en tiempo real.

Juntando todos estos puntos, muchos inversores se sentirán decepcionados porque pensaban que estaban invirtiendo en la última tecnología. Sin embargo, la tecnología por sí sola no aumenta la probabilidad de obtener mejores resultados: éstos dependen de las habilidades del equipo que aplica la tecnología al problema de inversión. Por ello, veo una sacudida en la gestión de inversiones. Algunas empresas más pequeñas que no pueden permitirse contratar a un equipo de aprendizaje automático, invertir en recursos informáticos para una gestión fiable de las bases de datos o adquirir los activos informáticos necesarios, fracasarán o serán adquiridas por empresas más grandes que tienen tanto la experiencia como los activos tecnológicos necesarios.

Una previsión es fácil de hacer. Los proyectos de investigación que hace décadas eran sólo teóricos ahora son factibles de ejecutar. Ya estamos asistiendo a un auge de la investigación sobre la inversión sistemática, que no es más que la punta del iceberg. Los inversores institucionales utilizan cada vez más las estrategias sistemáticas en programas de cobertura de colas y superposición defensiva, así como en soluciones de asignación de activos para sustituir parte de las carteras de renta variable y renta fija. En el último año, hemos asistido a la aparición de una nueva clase de prometedoras herramientas de IA. Como he señalado, existen riesgos que deben mitigarse. Las nuevas estrategias sistemáticas prometen mejorar la selección de carteras y reducir los riesgos. Es un momento apasionante para dedicarse a la gestión de activos.

Contáctanos