_
_
_
_
_
La tribuna de los fondos
Tribuna
Artículos estrictamente de opinión que responden al estilo propio del autor. Estos textos de opinión han de basarse en datos verificados y ser respetuosos con las personas aunque se critiquen sus actos. Todas las tribunas de opinión de personas ajenas a la Redacción de EL PAÍS llevarán, tras la última línea, un pie de autor —por conocido que éste sea— donde se indique el cargo, título, militancia política (en su caso) u ocupación principal, o la que esté o estuvo relacionada con el tema abordado

¿Big Data y aprendizaje automático para invertir?

Combinando datos y tecnología se puede lograr una mejor gestión de riesgos respecto a costes

Pixabay

Vivimos en la era de la información. Una información que va creciendo a un ritmo notablemente superior a la capacidad de la mente humana para procesarla. Se estima que sólo en los últimos dos años se han generado el 90% de los datos mundiales. Pero, como sucede con el agua, no toda es aprovechada eficientemente; solo ha sido posible analizar un 2% de los datos existentes en todo el mundo. Y la generación de datos continúa en aumento, estimándose que hacia 2020 los que se crearán y copiaran anualmente a nivel global alcanzarán lo 44 zettabytes, o 4,4 billones de gigabytes. ¡Difícil de imaginar!

Lo que también está cambiando es la disponibilidad de herramientas analíticas a nuestro alcance. Si en los años 60 la revolución informática incrementó de forma notable la capacidad para analizar datos, la revolución digital, a partir de 2013, está teniendo como consecuencia un aumento exponencial en las capacidades analíticas disponibles.

Sin embargo, no todos los datos de que disponemos pueden ser analizados fácilmente con las herramientas actualmente disponibles. Por ello es necesario diferenciar los datos estructurados, que los ordenadores pueden manipular fácilmente (rentabilidades de acciones, ratios de beneficios, tablas) de los no estructurados, un tipo de datos que no puede ser incorporado y tratado en un formato de hoja de cálculo (imágenes, videos, música).

Las técnicas de Machine Learning o Aprendizaje Autómatico están abriendo la puerta al tratamiento de datos no estructurados, ayudando a crear herramientas predictivas cada vez más eficientes. Combinando informática y estadísticas, el Machine Learning permite a los ordenadores aprender sin necesidad de una programación explícita. Una combinación que se está aplicando a diversos campos de tratamiento de datos, como escritura a mano, detección de correos no deseados, análisis de grupos para el tallaje de ropa o software de reconocimiento facial.

Los proveedores de contenidos digitales utilizan ya la técnica de Machine Learning para hacer recomendaciones a sus clientes, basándose en su historia de visualizaciones y sus comentarios; clasifican a sus usuarios en comunidades que visualizan programas similares y, basándose en los gustos de algunos miembros de la comunidad, sugieren programas que podrían interesar a otros usuarios que aún no los conocen.

El Aprendizaje Autómatico puede o no requerir de datos pasados para aprender. El Aprendizaje Autómatico No Supervisado agrupa e interpreta datos, dándoles una estructura; se aplica a actividades como la anteriormente mencionada de agrupar usuarios en diferentes comunidades, de acuerdo con sus gustos o preferencias. Para poder hacer predicciones de comportamiento futuro, se requiere acceso a datos pasados, en un proceso de Aprendizaje Autómatico Supervisado, aplicado por ejemplo a sugerencias de programas de televisión en base a los vistos anteriormente por integrantes de la misma comunidad de usuarios.

No es difícil visualizar la potencia que estas técnicas de aprendizaje automático, especialmente las predictivas, pueden ofrecer al profesional de gestión de activos, siempre tratando de conseguir una pequeña ventaja competitiva a través de información no disponible de forma amplia.

Una de las mayores gestoras mundiales de fondos, Goldman Sachs AM, que terminó 2017 en el puesto octavo por activos gestionados, con 394.300 millones de dólares bajo gestión (aproximadamente 334.538 millones de euros), ha visto una gran oportunidad en esta área. La gestora aplica técnicas de Aprendizaje Autómatico a partir de un gran volumen de datos, más o menos estructurados, con potencial de ser extraídos y analizados para obtener información (Big Data) a su gama de fondos de renta variable CORE.

Los fondos están obteniendo resultados excelentes, tanto en su inversión global como en mercados emergentes y en Estados Unidos. El equipo de gestión es multidisciplinar, incluyendo no solo gestores sino también profesores, informáticos e ingenieros, concentrados en el objetivo de generar alfa de forma consistente para sus inversores.

Combinando datos y tecnología, se analizan compañías para conseguir una gestión más robusta de riesgos respecto a costes. Con el objetivo es poder adelantarse a lo que va a pasar en el mercado, se analizan diariamente unas 13.000 compañías a las que se califica con una nota de entre +5 y -5, representativa del objetivo de rentabilidad de cada una. Se pretende obtener una información adicional en base a la consideración de datos fundamentales, de evolución más lenta, y los comportamientos más rápidos de las acciones de una empresa cotizada, como es la identificación de temas y tendencias y el análisis de sentimiento.

Se combinan fuentes de datos tradicionales y alternativos para entender mejor las compañías e identificar las de mayor calidad y las incorrectamente valoradas, así como tendencias y sentimiento de mercado.

El resultado es una selección de compañías de gran calidad, bien gestionadas, a la que se llega analizando balances financieros, beneficios por área geográfica y fuentes alternativas de datos. El análisis de tendencia positiva en la cotización de las acciones y en el sector, la estacionalidad y los vínculos globales les sirven para descubrir temas y tendencias.

Para identificar las compañías valoradas incorrectamente respecto a sus fundamentales, se utilizan métricas de valoración (Precio/Valor Contable, PER) y modelos o factores específicos para cada sector. Por último, sentimiento de mercado, análisis de activos y análisis textual se utilizan para conseguir una visión sobre el posible futuro comportamiento del valor.

Otras fuentes alternativas de datos, como visualización de páginas web, transacciones comerciales con tarjetas de crédito o imágenes de aparcamientos, se analizan también para estimar beneficios y cifras de ventas. Y en cuanto al sentimiento sobre un valor, se examinan flujos de entradas o salidas en fondos de inversión, para identificar nombres que puedan estar sobrecomprados o sobrevendidos; o los cambios de opinión de los consumidores, en base a noticias y publicaciones locales. Incluso se puede utilizar un sistema de procesado de lenguaje natural para detectar cambios en el tono de voz de los informes de análisis de compañías o en las conferencia del equipo directivo.

Las posibilidades son múltiples y avanzan día a día con las nuevas técnicas de Aprendizaje Automático e Inteligencia Artificial.

El futuro está aquí y no es posible ignorarlo, como no fue posible ignorar los telares en la revolución de los artesanos ingleses del siglo XIX.

Paula Mercado es Directora de Análisis de VDOS

Archivado En

_
_