¿Puede la inteligencia artificial enseñarle algo a un financiero?
Por poderosos que parezcan, los algoritmos de aprendizaje automático enfrentan ciertas dificultades en los mercados y cuentan con grandes limitaciones
Si hay algo que permanecerá en el radar de la industria financiera durante algún tiempo, debería ser el desarrollo de tecnologías avanzadas. Big data e inteligencia artificial (IA) surgieron hace ya tiempo para analizar datos financieros y desarrollar modelos financieros, pero solo recientemente su aplicación e impacto se han entendido más ampliamente.
La IA, el estudio de emular la comprensión y las reacciones humanas ante diferentes circunstancias, puede abarcar desde el asistente virtual instalado en su teléfono hasta redes neuronales de aprendizaje profundo que imitan el cerebro humano. Para equipar a la IA con la capacidad de autoaprendizaje en lugar de que los humanos adapten códigos constantemente e ingresen datos para asignar acciones, el aprendizaje automático es un área de la IA a la que recurrimos. Aquellos que intentaron usar el popular chatbot ChatGPT no deberían ser ajenos al aprendizaje automático, ya que una de las tecnologías fundamentales detrás de él es el procesamiento del lenguaje natural (NLP), que se encuentra bajo el paraguas del aprendizaje automático. NLP permite que las computadoras estudien la interpretación de datos textuales y hablados, y con aportes interdisciplinarios, generar modelos que podrían permitir que las máquinas entiendan palabras como lo hacemos nosotros.
El aprendizaje automático (ML) es ciertamente útil para los científicos de datos y los profesionales de la inversión en muchos aspectos. Algunos pueden usar ML para predecir los precios futuros de las acciones, a fin de tomar decisiones de inversión más informadas y aumentar los rendimientos potenciales. Otros pueden usar ML para dar un pronóstico sobre los valores que probablemente tocarán fondo en el futuro cercano, lo que podría ser excepcionalmente útil durante un mercado turbulento. Sin embargo, cualquiera que haya intentado investigar el mercado de valores entenderá las drásticas dificultades de hacer predicciones precisas, ya que simplemente hay demasiadas variables en juego, algunas de las cuales (como las emociones humanas) no pueden ser procesadas por máquinas. Por lo tanto, una tarea más fácil sería la predicción de las variables fundamentales de la empresa, como los beneficios corporativos, que pueden ayudar a los analistas a construir una visión más holística de las perspectivas de una empresa en particular.
Además de la función predictiva, ML también podría usarse para resolver problemas de lenguaje con la ayuda de NLP. Un problema bastante común para los inversores de todo el mundo es la barrera del idioma. A pesar de los muchos profesionales con talento en la industria que hablan más de un idioma, los mercados financieros tienden a generar términos coloquiales que son exclusivos de cada idioma. En este caso, podríamos aprovechar las capacidades de ML y NLP para buscar explicaciones de jergas específicas.
Por poderosos que parezcan, los algoritmos de ML enfrentan ciertas dificultades en los mercados financieros y existen grandes limitaciones cuando aplicamos esta tecnología. Los datos financieros son notorios por su baja relación señal-ruido, lo que significa que generalmente no hay una variable dominante para el rendimiento de un valor determinado. Es posible que los algoritmos no puedan distinguir correctamente la relación subyacente entre las variables y los resultados del mercado más allá del período de muestra en el que se entrenó el algoritmo. Además de esto, está la cantidad de datos financieros disponibles, que supera con creces otras áreas en las que se utiliza ML, como internet para consumidores. El resultado es que los algoritmos de ML pueden tener una visión retrospectiva perfecta, pero una previsión deficiente. El último en la lista es la naturaleza adaptativa e irracional del mercado. A diferencia de otros sistemas estáticos como los que se encuentran en las ciencias, detrás de todos los números y signos de dólar en los mercados financieros se encuentra la mente humana, que a menudo es irracional y altamente impredecible. Estos factores de comportamiento pueden confundir a los algoritmos.
Por otra parte, el procesamiento del lenguaje natural (PNL) tiene una amplia gama de aplicaciones en la industria financiera. Los investigadores y analistas de inversiones pueden agregar NLP a su conjunto de herramientas de seguimiento de medios, que extraen y analizan palabras clave de datos de texto y audio. Estas herramientas se utilizan para rastrear las opiniones y los sentimientos públicos en las redes sociales, lo que puede ser una influencia clave en el mercado de valores, así como para analizar la información financiera en las llamadas de beneficios de la empresa. Los profesionales de la inversión también pueden beneficiarse de la función de modelado de temas. Por ejemplo, los profesionales de la industria financiera pueden discernir temas clave dentro de una colección de declaraciones o comunicados de prensa de un banco central para predecir mejor los cambios de política. Por otro lado, la PNL también es útil cuando se trata de descubrir riesgos en archivos corporativos. Al analizar las presentaciones durante un período de tiempo prolongado, la minería de texto puede descubrir diferencias importantes o inconsistencias entre los documentos, lo que hace que la tecnología sea útil para fines de gestión de riesgos y cumplimiento.
Para utilizar mejor la PNL, existen desafíos clave que debemos abordar. Primero, existen algunos obstáculos técnicos para la tecnología, más comúnmente en la división de oraciones y el etiquetado de las partes del discurso. Estos obstáculos también varían entre diferentes lenguajes que tienen diferente sintaxis y semántica. Para abordar este problema, los diccionarios son particularmente útiles y pueden mejorar el aprendizaje de idiomas en dominios especializados. Además, la accesibilidad de los datos es una parte crucial (nuevamente) y es alentador ver que se ponen a disposición de los investigadores más herramientas y bases de datos de código abierto.
Finalmente, a nivel de la empresa, la adopción de tecnología avanzada podría significar una sacudida para toda la organización. Requerirá una estrategia y una cultura conducentes a la experimentación y la colaboración multifuncional en lo que llamamos equipos en forma de T de científicos de datos y profesionales de la inversión, cada uno con habilidades opuestas y complementarias.
El ámbito de la IA todavía se está desarrollando y presenta un gran potencial para ser utilizado más ampliamente en muchas industrias. Los profesionales de la inversión deben estar atentos a los últimos desarrollos y permanecer abiertos a ellos. Manténgase informado para permanecer en la vanguardia.
Larry Cao / Luis Buceta son director senior de investigación de la industria en CFA Institute / vicepresidente de CFA Society Spain y director de Inversiones de Creand Wealth Management
Sigue toda la información de Cinco Días en Facebook, Twitter y Linkedin, o en nuestra newsletter Agenda de Cinco Días
