El aprendizaje automático es un campo de investigación dedicado a comprender y crear métodos que aprovechen los datos para mejorar el rendimiento sin la intervención humana. Forma parte de la inteligencia artificial.
Los algoritmos de aprendizaje automático construyen un modelo basado en datos de muestra, conocidos como datos de entrenamiento, para hacer predicciones o tomar decisiones sin estar explícitamente programados para ello. Estos algoritmos se utilizan en una gran variedad de aplicaciones, como en medicina, filtrado de correo electrónico, reconocimiento de voz y visión por ordenador, donde es difícil o inviable desarrollar algoritmos convencionales para realizar las tareas necesarias.
Aunque la negociación algorítmica se aplica desde hace tiempo a la inversión, la IA también podría utilizarse para tomar decisiones en las primeras fases de la formación de carteras. Las ventajas potenciales de la IA incluyen
- Potencia computacional superior para analizar datos masivos en poco tiempo;
- Evitar los sesgos cognitivos a los que son susceptibles los humanos; la IA es más racional;
- ¿Puede la IA sustituir a los humanos en la predicción de los rendimientos bursátiles o mejorar sus predicciones?
La IA frente a los analistas humanos
Sean Cao, Wei Jiang, Junbo Wang y Baozhong Yang, autores de From Man vs. Machine to Man + Machine: The Art and AI of Stock Analyses, publicado en el número de octubre de 2024 de la revista Journal of Financial Economics, examinaron el rendimiento de la IA en comparación con el de los analistas humanos a la hora de predecir la rentabilidad de las acciones. Su objetivo era determinar
- ¿En qué circunstancias mantienen los analistas humanos su ventaja sobre la IA?
- ¿Cuál es el impacto de combinar analistas humanos con IA en la precisión de las predicciones bursátiles?
- ¿Cuáles son las implicaciones de estos resultados para la aplicación general de la IA en profesiones cualificadas y procesos de toma de decisiones?
Los autores construyeron su propio modelo de IA para predecir los rendimientos de las acciones a 12 meses (inferidos de los precios objetivo a 12 meses) y los compararon con las previsiones de los analistas realizadas al mismo tiempo sobre las mismas acciones. Recopilaron variables macroeconómicas, sectoriales y a nivel de empresa, así como información textual de los comunicados, noticias y redes sociales de las empresas (actualizada justo antes del momento de la previsión de un analista), excluyendo deliberadamente la información de las propias previsiones de los analistas para que el modelo de IA no se beneficiara de las percepciones de los analistas.
Su muestra de previsiones de analistas se construyó a partir de la base de datos de analistas del Thomson Reuters Institutional Brokers Estimate System. Tras fusionar los datos del IBES con los del CRSP y Compustat, su muestra final consta de 1.153.565 previsiones de precios objetivo a 12 meses sobre 6.315 empresas emitidas por 11.890 analistas de 861 agencias de valores, y 5.885.063 previsiones de beneficios entre el primer y el cuarto trimestre sobre 8.062 empresas emitidas por 14.363 analistas de 926 agencias de valores. Su modelo abarcó el periodo 2001-18. Los autores encontraron:
1. Un analista de IA entrenado para digerir la información corporativa, las tendencias del sector y los indicadores macroeconómicos supera a la mayoría de los analistas (54,5%) en las predicciones de rentabilidad bursátil. La ventaja de la máquina podría surgir de su capacidad superior para procesar información o de su inmunidad a los sesgos humanos predecibles debidos a incentivos o rasgos psicológicos.
2. En relación con los analistas, el modelo de IA fue capaz de generar rendimientos superiores, o alfa, del orden de 50 a 72 puntos básicos mensuales, estadísticamente significativos al nivel del 1% en casi todos los casos.
3. El modelo de IA batió cómodamente a los analistas en los cuantiles de baja cualificación y estuvo prácticamente a la par con los analistas (ratio de batida de los analistas del 49,3%) que demostraron un rendimiento superior en cada uno de los últimos cinco años, una excelencia sólo alcanzada por sólo el 7,3% de todos los analistas.
4. Las variables macroeconómicas y la rentabilidad de las empresas fueron las que más contribuyeron (27,6% y 24,4%, respectivamente) a la eficacia del modelo de IA, seguidas de las variables de las características de las empresas (22%) y la información textual (9,3%), lo que pone de manifiesto la importancia de la información cualitativa. La información procedente de los beneficios fue la que menos contribuyó (2%).
5. Los humanos superan a la IA cuando el conocimiento institucional es crucial, por ejemplo, en relación con los activos intangibles y los problemas financieros. Por ejemplo, los analistas humanos obtienen mejores resultados cuando predicen los rendimientos de empresas más pequeñas y menos líquidas. También obtienen mejores resultados en presencia de intangibles, en sectores o empresas que experimentan cambios rápidos o una gran dinámica competitiva, y en los casos en que las empresas se enfrentan a un mayor riesgo de dificultades o sufren una tensión financiera significativa.
6. La IA gana cuando la información es transparente pero voluminosa.
7. Tras añadir las previsiones de los analistas al conjunto de información de los modelos de aprendizaje automático subyacentes a su analista de IA, el modelo resultante superó en un 54,8% las previsiones del modelo basado únicamente en IA, reduciendo además los errores extremos.
8. Los analistas y el modelo de IA tenían aproximadamente la misma probabilidad de cometer errores extremos (9,3% y 7,8%, respectivamente, utilizando el umbral del percentil 90); el modelo combinado evitó aproximadamente el 90% de los errores extremos cometidos por los analistas humanos y el 40% de los cometidos por la IA sola.
9. El modelo combinado aprovecha los puntos fuertes complementarios tanto de los humanos como de la IA. La IA destaca en el procesamiento de grandes volúmenes de datos y la identificación de patrones, mientras que los analistas humanos añaden una comprensión matizada y perspectivas contextuales, lo que resulta en una herramienta de previsión más sólida y fiable.
10. Los analistas alcanzan a las máquinas después de que los «datos alternativos» estén disponibles si sus empleadores construyen capacidades de IA.
11. Las sinergias documentadas entre humanos y máquinas informan sobre cómo los humanos pueden aprovechar su ventaja para adaptarse mejor a la creciente destreza de la IA.
Swedroe: ¿Ha terminado la era del letargo para las acciones japonesas?
Aumentada por la IA
Quizás el hallazgo más interesante fue que, si bien el modelo superó a los analistas en la predicción de los rendimientos, cuando se trataba de predecir los beneficios, los analistas superaron a la máquina con una probabilidad del 69,2%. Sin embargo, el modelo combinado de analistas e IA superó el 55% de las previsiones de los analistas.
Sus resultados llevaron a los autores a concluir: «En general, este estudio apoya la hipótesis de que las capacidades de los analistas podrían verse aumentadas por la IA y, lo que es más importante, que el trabajo de los analistas posee un valor incremental y sinergias con el modelado de IA, especialmente en situaciones inusuales y de rápida evolución.»
Y añaden: «Aunque el futuro de la IA sigue siendo incierto, las partes de las habilidades humanas que se incrementan con la IA, como documentamos, permiten una prometedora colaboración y aumento Hombre + Máquina.»
Investigación empírica sobre el rendimiento de los fondos de IA
Hay un estudio que podemos reseñar sobre el rendimiento en vivo de los fondos de inversión impulsados por IA.
Rui Chen y Jinjuan Ren, autores del estudio «Do AI-Powered Mutual Funds Perform Better?», publicado en el número de agosto de 2022 de Finance Research Letters, evaluaron el rendimiento de los fondos de inversión impulsados por IA. Su muestra de datos procedía de la CRSP Survivor-Bias-Free US Mutual Fund Database y abarcaba el periodo de 26 meses comprendido entre noviembre de 2017 y diciembre de 2019. Etiquetaron los fondos impulsados por IA como aquellos que utilizan tecnologías de aprendizaje automático para seleccionar activamente acciones en la elección de la cartera; los fondos cuantitativos como aquellos que utilizan reglas fijas y métodos numéricos para generar modelos impulsados por computadora y tomar decisiones de inversión; y los fondos discrecionales como aquellos fondos tradicionales que seleccionan acciones y toman decisiones de inversión principalmente a través del juicio humano. A continuación se resumen sus conclusiones:
1. El rendimiento de los fondos de inversión impulsados por IA fue estadísticamente indistinguible del mercado agregado en 25 de los 26 meses del periodo de muestra.
2. Los fondos potenciados por la IA no generaron rendimientos significativos ajustados al riesgo y mostraron habilidades de selección de valores sólo marginalmente superiores (sólo por igual ponderación) y ninguna habilidad de sincronización con el mercado.
3. Los fondos gestionados por IA obtuvieron mejores resultados que sus homólogos gestionados por humanos debido a su menor rotación -31% frente a 72%-, lo que se tradujo en menores costes de transacción y en una capacidad de selección de valores ligeramente superior.
4. Los fondos gestionados por IA tenían menos valores (149 frente a 197), por lo que sus carteras estaban más concentradas.
5. 5. Los fondos con IA evitaron algunos sesgos de comportamiento prevalentes (como el efecto disposición).
Conclusiones para los inversores
Cao, Jiang, Wang y Yang demostraron que las predicciones bursátiles pueden mejorarse integrando los puntos fuertes de la IA y de los analistas humanos, lo que conduce a mejores resultados que confiar únicamente en uno de ellos. Demostraron que la IA y los analistas humanos se complementan mutuamente: la IA destaca en el procesamiento de grandes volúmenes de datos y la identificación de patrones, mientras que los humanos aportan comprensión contextual, intuición y percepciones matizadas. Reconocer estas sinergias ayuda a diseñar sistemas en los que tanto la IA como las aportaciones humanas se maximizan. Sin embargo, hasta la fecha no hay pruebas de que los fondos basados en IA obtengan mejores resultados ajustados al riesgo.
Tal vez lo más importante sea que los modelos de IA ayudan a evitar el sesgo humano, haciendo que las previsiones sean más precisas, lo que debería llevar a que los mercados sean más eficientes, reduciendo la oportunidad de generar alfa a través de la selección de valores.
Larry Swedroe es autor o coautor de 18 libros sobre inversión, incluido su último Enrich Your Future.
