Inversión sistemática

IA y machine learning en la investigación cuantitativa, y cómo evaluarlos

La inteligencia artificial y el machine learning son herramientas de investigación potentes, pero son herramientas, no decisores autónomos, y nunca una garantía de rentabilidad. Esta nota explica dónde ayudan realmente estas técnicas en la investigación cuantitativa, los riesgos que deben gobernarse y qué debe establecer un inversor institucional antes de comprometerse con un gestor que depende de ellas.

Manuel Ernesto De Luque MuntanerFundador y CEO

18 de junio de 20269 min de lectura

Ideas clave

La IA y el machine learning son herramientas de investigación para encontrar y validar patrones en los datos, no inversores autónomos ni una promesa de rentabilidad.
Su valor en la investigación cuantitativa reside en el desarrollo de señales, la ingeniería de características y la validación de modelos dentro de un marco disciplinado.
Los riesgos centrales son el sobreajuste, unos datos deficientes o sesgados, la no estacionariedad de los mercados y la opacidad, y cada uno de ellos exige gobernanza.
El uso responsable mantiene a las personas dentro del proceso y mantiene la gestión de riesgos independiente de los propios modelos.
Cuando un gestor sistemático depende de estas técnicas, lo que debe decidir una asignación es la gobernanza que las rodea, no la sofisticación que se les atribuye.

Qué hacen realmente estas técnicas

En la investigación cuantitativa, el machine learning es, en esencia, reconocimiento de patrones a escala: la capacidad de detectar relaciones en conjuntos de datos grandes y complejos que resultan difíciles de especificar a mano. Bien aplicado, ayuda a los investigadores a generar y refinar hipótesis, a procesar información que desbordaría el análisis manual y a contrastar la robustez de las ideas.

Lo que no hace es eliminar la necesidad de criterio, razonamiento económico o gestión de riesgos. Un modelo puede encontrar un patrón; no puede saber si ese patrón es significativo, duradero o seguro para operar. Tratar estas técnicas como herramientas dentro de un proceso disciplinado —y no como oráculos— es lo que separa la investigación de la especulación disfrazada de ciencia.

Dónde ayuda realmente

Utilizadas dentro de un marco definido, la IA y el machine learning contribuyen en varias etapas del proceso de investigación.

Desarrollo de señales — sacar a la luz relaciones candidatas en los datos que puedan investigarse, comprenderse y contrastarse, en lugar de aceptarse a ciegas.
Ingeniería de características — construir y seleccionar entradas informativas a partir de datos en bruto de forma más sistemática que a mano.
Procesamiento de datos complejos — extraer estructura de conjuntos de datos grandes, ruidosos o poco convencionales a una escala que el análisis manual no alcanza.
Detección de regímenes y patrones — ayudar a identificar cambios en el comportamiento del mercado que puedan justificar un cambio de exposición o de enfoque.
Validación y pruebas de robustez — someter las ideas a tensión en distintos periodos y condiciones para distinguir efectos genuinos del azar.

Los riesgos que deben gobernarse

La misma potencia que hace útiles a estas técnicas las vuelve peligrosas cuando se aplican sin disciplina. Los modos de fallo son bien conocidos, y cada uno es un problema de gobernanza antes que técnico.

Sobreajuste — los modelos potentes pueden ajustar el ruido con la misma facilidad que la señal, produciendo patrones que parecen convincentes en la historia pero no persisten.
Calidad y sesgo de los datos — las conclusiones solo son tan buenas como los datos; las lagunas, los errores y los sesgos se propagan directamente al modelo.
No estacionariedad — los mercados cambian, de modo que una relación que se cumplió en el pasado puede no cumplirse en el futuro, por bien que se haya aprendido.
Opacidad — los modelos complejos pueden ser difíciles de interpretar, lo que dificulta comprender y gobernar sus riesgos.
Exceso de confianza — la automatización puede crear una falsa sensación de certeza; la confianza de un modelo no equivale a tener razón.

Usarlas de forma responsable

La aplicación responsable se define menos por la sofisticación de los modelos que por la disciplina del marco que los rodea. Unos pocos principios importan más que cualquier técnica concreta.

Pruebas rigurosas fuera de muestra y salvaguardas deliberadas frente al sobreajuste antes de confiar en nada.
Supervisión humana de los modelos — informan las decisiones y son gobernados por personas, no se dejan funcionar sin control.
Gestión de riesgos independiente de los modelos, de modo que un fallo del modelo no desactive también los controles destinados a contenerlo.
Razonamiento económico junto a la evidencia estadística — un patrón debe tener sentido, no solo aparecer.
Sin promesas de rentabilidad — son herramientas de investigación, y ninguna técnica garantiza un resultado.

Qué establecemos antes de asignar

Nosotros no construimos estos modelos. Las estrategias sistemáticas que supervisamos se implementan con señales y sistemas producidos por un proveedor externo fundado por un socio de Block Asset Management: una parte vinculada y no un tercero independiente. El socio en cuestión no forma parte de ningún comité de inversiones y no interviene en la decisión de utilizar al proveedor ni en la de poner en producción una estrategia que dependa de él; el esquema se detalla por completo en nuestra página de gobernanza. Nuestro trabajo consiste en seleccionar a ese proveedor, evaluar cómo opera y supervisarlo después. Cuando el aprendizaje automático forma parte del proceso de investigación de un proveedor, nuestras preguntas son de gobernanza y no de técnica.

Block Asset Management

Cómo ayuda Block Asset Management

Nuestra ventaja no es el uso de la IA y el machine learning: nosotros no desarrollamos estos modelos. Es la diligencia que aplicamos a un proveedor que sí lo hace, y la disciplina del marco que gobierna la asignación después.

La gobernanza antes que la técnica

Cuando la investigación de un proveedor depende de estas técnicas, evaluamos el marco que las gobierna antes de evaluar los resultados que producen.

Supervisión humana, no autonomía

Los modelos informan las decisiones y permanecen supervisados por personas con experiencia. Una estrategia nunca se deja funcionar sin control, y la facultad de reducirla o retirarla corresponde al comité de inversiones.

Validación y salvaguardas frente al sobreajuste

Buscamos evidencia de que las señales y los modelos se sometieron a prueba de robustez en distintos periodos y condiciones, con protección deliberada frente al ajuste del ruido en lugar de la señal, y preguntamos qué no superó esas pruebas.

Controles de riesgo al margen de los modelos

Evaluamos si los controles de riesgo se sitúan al margen de los modelos que supervisan, de modo que el fallo de un modelo no pueda desactivar también la disciplina destinada a contenerlo.

Concentradas en mercados líquidos

Las estrategias sistemáticas que supervisamos operan en mercados líquidos, donde los datos son más ricos y la ejecución y el riesgo pueden gestionarse con disciplina.

Experiencia y transparencia

Ocho años centrados en los activos digitales guían cómo evaluamos y gobernamos las estrategias que supervisamos, con la transparencia y el acceso controlado y auditable que las instituciones esperan.

La IA y el machine learning tienen un valor real en la investigación cuantitativa, pero ese valor solo se materializa dentro de un marco disciplinado que gobierne sus riesgos y mantenga firmemente el criterio humano y la gestión de riesgos. La técnica no es la ventaja; la disciplina que la rodea, sí.

Si su organización está evaluando estrategias sistemáticas de activos digitales, nuestro equipo de relación con inversores puede explicar cómo las seleccionamos y supervisamos.

Información importante

Este material se facilita únicamente con fines informativos y está dirigido a inversores profesionales y cualificados. No constituye asesoramiento de inversión, ni una oferta o solicitud de compra o venta de ningún instrumento financiero, ni una recomendación de estrategia alguna. Los activos digitales son volátiles y conllevan un riesgo significativo, incluida la posible pérdida de la totalidad del importe invertido. Las técnicas de IA y machine learning no eliminan el riesgo ni garantizan resultados. Los resultados pasados no son un indicador fiable de resultados futuros. Nada de lo contenido en esta nota debe interpretarse como una promesa o garantía de resultados futuros.

Investigación relacionada

Más lecturas sobre el mismo tema.

Las definiciones de los términos empleados en esta investigación están recogidas en el glosario de activos digitales. Glosario de activos digitales

Términos empleados en esta nota

Siga leyendo la investigación de BAM

Esta nota forma parte de la investigación de Block Asset Management sobre inversión institucional en activos digitales. Explore la biblioteca completa o lea cómo evaluamos gestores y estructuras antes de realizar cualquier asignación.

Ver toda la investigación Nuestro enfoque de inversión