Copiloto, no autopiloto: cómo la IA generativa aumenta la gestión activa, pero no la sustituye

La inteligencia artificial (IA) suele definirse como un conjunto de máquinas que recrean las funciones cognitivas del cerebro humano. En ciertos casos, como jugar a las damas, cuyas instrucciones son muy simples, el desafío no es muy grande. De hecho, este fue el primer caso práctico de la IA, llevado a cabo por Arthur Lee Samuel en 1952¹. No obstante, el nivel sube de forma exponencial a medida que aumenta la complejidad. No fue hasta 1997 cuando Gary Kasparov perdió una partida completa contra Deep Blue². A pesar de los avances exponenciales en materia de computación de la época, fue necesario que pasasen casi dos décadas para que AlphaGo venciese al maestro del go Lee Sedol en 2016³. Así, a pesar de que los avances de la IA, incluidos aquellos de los que hablaremos en este artículo, están aumentando la capacidad cognitiva colectiva de la Tierra, todavía es pronto para esconderse de robots dotados de sentidos y convertidos en gobernantes supremos o incluso para tener miedo de que sustituyan a los trabajadores del conocimiento, como los profesionales en materia de inversiones.

Por el contrario, con la llegada de los grandes modelos de lenguaje, que son algoritmos de aprendizaje profundo o «deep learning» entrenados en enormes conjuntos de datos masivos, el resultado de la IA puede variar de resúmenes concisos a reflexiones detalladas. Lo que puede que primero se venga a la mente es el GPT-3 de OpenAI, que resultó en ChatGPT⁴. GPT-3 se entrenó con la práctica totalidad del contenido disponible en Internet y la mayor parte de los libros⁵. Esto le proporciona a su red neuronal 175.000 millones de parámetros⁶ de los que se vale para opinar sobre temas que van de lo banal a lo sublime. Con un entrenamiento que incluyó terabytes de datos, el gran poder amplificado por la informática distribuida y una pizca de la ingenuidad humana de toda la vida, la aplicación de IA a muchos ámbitos, como el de las inversiones, seguirá avanzando rápidamente. Mientras que muchos de estos están fuera del alcance de este artículo introductorio, presentamos casos prácticos sobre cómo diferentes inversores pueden valerse de la IA para mejorar de forma potencial los resultados y flujos de trabajo que desean.

Capacidades de la IA: análisis de datos y poder predictivo

Se podría decir que condensar la inversión al extremo es determinar el valor justo de los activos (con base en el análisis de tanta información pública como sea posible reunir) para después, si los precios del mercado que prevalecen difieren de los resultados, comprarlos o venderlos. Es mucha la información relevante que se puede encontrar: documentos financieros, expedientes de ingresos, documentos reglamentarios, artículos, largos testimonios de congresos e incluso, hoy en día, conversaciones en Reddit o Twitter. Esta información es caótica, no está regulada y cada vez está menos estructurada (esto es, por naturaleza es difícil de analizar). Los grandes modelos de lenguaje pueden tanto consumir y entender de forma crítica esta información a niveles que acaban eclipsando el trabajo de cualquier equipo de análisis.

Un resultado básico de esta tarea es la capacidad de resumir información para el consumo humano, ya sean miles de hilos en redes sociales escritos en el lenguaje coloquial que utiliza la generación Z (no cap⁷) o una declaración corporativa escrita en jerga legal (quidem⁸). Yendo un paso más allá, la IA puede combinar diferentes grupos de datos para extraer reflexiones que no resultan evidentes ni siquiera para un inversor humano con experiencia.

Entonces, ¿deberíamos jubilarnos y dejar que nos sustituyesen las máquinas? No tan rápido. Cuando se les proporcionan indicaciones correctas, los grandes modelos de lenguaje ofrecen, con gran rapidez, respuestas con la misma confianza que mostraría un economista que colabora en un programa de televisión. Esto se debe a que los grandes modelos de lenguaje se entrenan a nivel Pavlovliano para ofrecer respuestas en las que los humanos confíen. En la mayoría de los algoritmos, existe una función de recompensa por proporcionar respuestas aceptables. ¿Pero está justificada su confianza? Esto depende de muchos factores y los algoritmos de aprendizaje profundo son falibles, aunque se les proporcione una gran cantidad de información. Por ejemplo, los modelos transformadores (que construyen la mayor parte de los grandes modelos de lenguaje) pueden desviarse, pues trabajan mediante una predicción secuencial de la próxima palabra que es más probable que aparezca en una frase. Se trata de un progreso autorregresivo en el que las propias palabras generadas por el gran modelo de lenguaje se usan para predecir las siguientes. Aunque en un principio parezca similar a cómo piensan los humanos (al fin y al cabo, las palabras que decimos se predicen en base a las que acaban de salir de nuestra boca) a los grandes modelos de lenguaje les cuesta más darse cuenta de si algo de lo que dicen no tiene sentido. Los humanos siguen siendo una parte crucial del proceso, pues reconocen cuándo lo que dice una IA que parece segura de sí misma es rotundamente falso, ajustan su formación y le proporcionan los mejores datos. A continuación, ofrecemos ejemplos prácticos del mundo de las inversiones.

Casos prácticos para la gestión de los activos, gestión de la riqueza, comerciantes e inversores minoristas.

Inversores de todo tipo pueden beneficiarse de la IA. La tecnología no hará que los comerciantes minoristas jueguen en las mismas condiciones que los inversores institucionales porque no tienen acceso a los datos desproporcionadamente caros y que suelen ser privados con los que los inversores institucionales llevan décadas entrenando sus sistemas de IA; asimismo, tampoco suelen saber cómo ajustar los algoritmos de aprendizaje profundo para maximizar su potencial. Aun así, la IA puede impulsar la magnitud, rapidez y sofisticación de la mayor parte de los inversores.

Casos prácticos de gestión de activos:

Los gestores de cartera pueden entrenar los grandes modelos de lenguaje con informes de resultados, fluctuaciones de los precios de las acciones, artículos y conversaciones en redes sociales. Pueden hacer avanzar la información de entrada sobre sesgos conductivos (la teoría de que las ineficiencias en el mercado existen debido a la irracionabilidad del ser humano), sus propias notas de investigación, valores y ejecuciones de operaciones. Tras el entrenamiento, esta información puede introducirse en grandes modelos de lenguaje a tiempo real. Eso, a su vez, conlleva varias aplicaciones novedosas como:

• Combinar la actitud expresada mediante información no estructurada (tweets, subreddits, informes de análisis, noticias, etc.) con información estructurada (fundamentos de la empresa, previsiones de consenso, indicadores macro) para identificar incongruencias que puedan desembocar en grandes fluctuaciones de precios.
• La IA puede servir de ayuda a los gestores de riesgo mediante la provisión temprana de avisos de perturbaciones del mercado deducidas a partir de efectos secundarios y terciarios. Por ejemplo, imaginemos una cartera de ingresos fijos en la que los diferenciales de crédito de algunas posiciones empiecen a aumentar rápidamente. Un gestor humano entendería inmediatamente que existe un mayor riesgo para las posiciones subyacentes, pero ¿qué ocurre con el resto de la cartera? Una IA con miles de millones de sinapsis podría predecir qué emisores podrían ser la siguiente pieza del dominó basándose en la multitud de puntos de información, desde correlaciones de series de tiempo a artículos, pasando por formularios 10-K (informes anuales de empresa). Un reciente y trágico ejemplo de esto es la invasión de Ucrania, que provocó una contracción repentina en las exportaciones de gas neón, un componente clave de los semiconductores de automoción que afecta a los fabricantes de chips y, en consecuencia, también a los de coches. Mientras que los expertos humanos realizaron predicciones nada más caer la primera bomba sobre Mariupol, a una red neuronal bien entrenada podría resultarle difícil establecer la relación en ese momento.
• La IA puede avisar a los gestores de carteras si sus operaciones deseadas muestran sesgos conductivos. Por ejemplo, según el efecto disposición, algunos inversores son reticentes a vender posiciones de pérdidas, pero se muestran a favor de desprenderse de activos cuyo precio acaba de aumentar. Una IA entrenada con operaciones previas y finanzas del comportamiento puede actuar como consejera imparcial a la hora de entender la diferencia entre una decisión prudente respaldada por valoraciones y otra basada en las emociones, algo necesario para, por ejemplo, evitar el arrepentimiento.
• Puesto que los grandes modelos de lenguaje pueden procesar preguntas conversacionales, los fosos de conocimiento para realizar tareas e inversión complejas (como optimización multiperiodo, simulación de estrategia y descomposición factorial) se están agotando. En cierta forma, la IA generativa está democratizando algunos de los superpoderes que los inversores cuantitativos habían acumulado previamente. Muy pronto, un gestor de carteras de multiactivos podría pedirle a su IA que crease una cartera (y esta podría crearla) más resiliente a cambios de la Reserva Federal de EE. UU., que pudiese ofrecer un rendimiento del 4 %, que no sobreponderase el factor de crecimiento y en la que ningún miembro hubiese tenido un riesgo anualizado mayor del 17 % en los últimos cinco años. Siempre y cuando, por supuesto, fuese posible tener una que cumpliese con esas características. A pesar de que sabemos que no hay garantías de alcanzar estos resultados, en Franklin Templeton Investment Solutions estamos trabajando para crear una herramienta así.

Casos prácticos de inversión sostenible:

Los analistas de factores ambientales, sociales y de gobierno corporativo (ESG, por sus siglas en inglés) podrían entrenar sus sistemas de IA con la información sobre sostenibilidad que las empresas públicas divulgan, con métricas cuantificables relativas a ESG y con notas de prensa de una empresa sobre declaraciones relativas a ESG.

• Después, la IA podría intentar descifrar si las creencias populares sobre las prácticas de una empresa en lo relativo a ESG concuerdan con sus acciones o si las empresas predican con el ejemplo en lo relativo a cualquier número determinado de métricas de sostenibilidad, tales como retribución equitativa, reducción de la huella de carbono e independencia del consejo.
• Al analizar la información que todavía no está incluida en la información divulgada, la IA puede identificar qué empresas están haciendo mejoras en sus prácticas relativas a ESG. Identificar dichos factores que promueven mejoras en lo relativo a ESG de forma temprana puede conllevar mejores resultados de inversión. Por ejemplo, ¿qué ocurre si una empresa envuelta en una controversia por cómo trata a sus empleados que pertenecen a una minoría empieza a incluir términos sobre diversidad, equidad e inclusión en sus últimas ofertas de trabajo? Cuando está bien ajustada y entrenada, la IA puede generar interferencias a partir de puntos de datos como estos casi a tiempo real.

Casos prácticos de gestión de la riqueza:

Los asesores financieros pueden usar sistemas de IA para maximizar la capacidad de sus clientes de alcanzar los objetivos más importantes para ellos, una tarea que suele implicar más que limitarse a maximizar el rendimiento para un nivel de riesgo determinado.

• Para determinar los objetivos de inversión del cliente y su tolerancia al riesgo, se suelen hacer preguntas directas. Pero ¿cómo de bien se conocen los clientes a sí mismos, sobre todo bajo presión? Los asesores suelen recibir llamadas telefónicas de sus clientes, presas de un ataque de pánico al ver pequeñas caídas del mercado y exigiendo acciones «correctivas», incluso por parte de aquellos que dicen poder tolerar grandes fluctuaciones del mercado. Esto que piden suele ir en su contra. Una IA entrenada con interacciones pasadas puede mirar más allá de las encuestas y predecir mejor el comportamiento del cliente para proponer carteras que mantienen la inversión a través de la volatilidad e incluso recomiendan oportunidades para ponerse en contacto con ellos de forma proactiva antes de que cunda el pánico.
• Así como una tolerancia al riesgo de la que uno mismo informa puede no encajar con la realidad, los objetivos financieros del cliente suelen no priorizarse de forma correcta. La IA puede analizar los patrones de consumo, las necesidades y los deseos del cliente en una gráfica para trazar la vía dinámica que más posibilidades tenga de alcanzar los mayores objetivos prioritarios a la vez que minimiza la posibilidad de quedarse sin dinero. Este es un sector en el que llevamos desde 2020 siendo pioneros con el uso de la IA mediante la creación de una solución que realice recomendaciones personalizadas de asignación y consumo de activos.

Casos prácticos de inversores minoristas:

La mayor parte de los ejemplos previamente mencionados requieren una gran cantidad de datos privados y el conocimiento sobre cómo entrenar y ajustar los modelos. Cabe recordar que, a pesar de que la IA sea un paso hacia la democratización de la inversión, no la vuelve equitativa. Sin terabytes de datos de calidad, un entrenamiento con datos a tiempo real y un gran poder computacional, los inversores minoristas (incluso los más sofisticados) seguirán estando en una situación de desventaja en comparación con las instituciones. No obstante, sí que se pueden beneficiar de los modelos de IA comerciales que están disponibles.

• Basándose en el contexto que rodea sus operaciones, la IA puede avisar a los inversores minoristas sobre los sesgos conductivos en los que pueden estar incurriendo. Estas alertas pueden ser incluso mayores que las que los gestores de carteras institucionales reciben de los siempre vigilantes gestores de riesgo. Por ejemplo, ¿están introduciendo una posición de opción en la que el riesgo podría superar con creces las operaciones de valores a las que están acostumbrados?
• La IA puede contribuir a la creación de gráficos detallados con superposiciones de temas para aportar contexto visual a los anuncios de ganancias, regímenes económicos, márgenes de beneficio del sector y posibles ganancias por una estrategia de operación.
• Los grandes modelos de lenguaje pueden extraer conceptos clave de documentos largos para ayudar a los inversores minoristas a comprender conceptos clave.

Conclusión

Es comprensible que la IA genere tanto recelos como emoción y, al igual que con las mayores innovaciones, lo cierto es que debería provocar una mezcla de ambos. A pesar de que la IA pueda crear factores externos negativos, la erradicación de la especie humana no parece estar entre sus planes y, aunque nuestras vidas se verán afectadas, no será motivo de utopía. Por ahora, en el mundo de las inversiones, puede cubrir el papel de un infatigable analista recién llegado o un asesor imparcial, tal y como mostraron los ejemplos anteriores. Asociándose con algoritmos, los inversores pueden producir mejores rendimientos, mitigar el riesgo, reducir sus impulsos irracionales y acercarse a la consecución de sus objetivos financieros.