La industria de la inversión está atravesando una transformación que se puede atribuir en gran medida a los avances tecnológicos. Los profesionales de la inversión están integrando nuevas tecnologías, como el aprendizaje automático (ML), en todo el proceso de inversión, incluida la construcción de carteras. Muchos gestores de activos están empezando a incorporar algoritmos de ML en el proceso de optimización de carteras en busca de carteras más eficientes de lo que sería posible con los métodos tradicionales, como la optimización de media-varianza (MVO). Estas tendencias requieren una nueva mirada a la forma en que el ML está alterando el proceso de construcción de carteras.
Los inversores se beneficiarán de una comprensión básica de los algoritmos de ML y el impacto que estos algoritmos tienen en sus carteras. En última instancia, las estrategias utilizadas por los gestores de activos para construir las carteras de los clientes tienen un impacto directo en el inversor ultimate. Por lo tanto, los inversores deben tener un conocimiento suficiente de estos métodos, ya que siguen ganando popularidad. Este artículo tiene como objetivo proporcionar una descripción basic del papel que desempeñan los algoritmos de ML en el proceso de optimización de carteras.
Fondo
El término “aprendizaje automático” fue utilizado por primera vez por AL Samuel en 1959. Samuel realizó un experimento en el que entrenó a una computadora para jugar a las damas y concluyó que la computadora mostraba un potencial significativo para aprender. Estos resultados allanaron el camino para futuras investigaciones sobre este tema y condujeron al desarrollo de algoritmos de aprendizaje automático cada vez más potentes y sofisticados durante las décadas siguientes. Como resultado, muchas industrias, incluida la gestión de inversiones, han adoptado estas tecnologías en los últimos años.
Los algoritmos de ML son particularmente útiles cuando se trata de analizar datos de alta dimensión o conjuntos de datos con relaciones no lineales, lo que se está volviendo cada vez más común con el aumento de datos no estructurados y otras fuentes de datos alternativas. Las dos categorías principales de ML son el aprendizaje supervisado y el aprendizaje no supervisado. Con el aprendizaje supervisado, el algoritmo de ML detecta patrones entre un grupo de características (es decir, variables de entrada) y una variable de destino conocida (es decir, variable de salida)[1]Esto se conoce como un conjunto de datos etiquetado porque la variable objetivo está definida. Sin embargo, en el aprendizaje no supervisado, el conjunto de datos no está etiquetado y la variable objetivo es desconocida. Por lo tanto, el algoritmo busca identificar patrones dentro de los datos de entrada. El Anexo 1 describe algunos de los algoritmos de aprendizaje automático comunes que utilizan actualmente los profesionales de la inversión.
Anexo 1: Algoritmos comunes de aprendizaje automático en la gestión de inversiones.
Los profesionales de la inversión esperan que los nuevos métodos analíticos supongan un gran cambio en la industria de la inversión en los próximos años. Los encuestados en una encuesta realizada en 2022 a más de 2000 miembros del CFA Institute predijeron que los nuevos métodos analíticos como el aprendizaje automático serán el mayor issue disruptivo en los puestos de trabajo en los próximos cinco a diez años. El gráfico 2 muestra este resultado, junto con otros factores disruptivos previstos en los puestos de trabajo.
Gráfico 2. Factores que se espera que alteren significativamente los roles laborales en los próximos 5 a ten años.
![Cómo el aprendizaje automático está transformando la optimización de carteras](https://i0.wp.com/blogs.cfainstitute.org/investor/files/2024/09/doyle2.png?resize=624%2C240&ssl=1)
Optimización de cartera
El desarrollo de las redes neuronales en la década de 1960 sentó las bases para muchos de los métodos alternativos a la optimización de carteras mediante ML. Además, el surgimiento de los “sistemas expertos”[2] ha llevado a los profesionales de la inversión a depender cada vez más de las máquinas para ayudar a resolver problemas complejos. Algunos de los primeros usos de los sistemas expertos en finanzas incluyen los sistemas expertos en planificación financiera y de operaciones.
El uso de algoritmos de ML en el proceso de construcción de carteras ha ganado popularidad en los últimos años, ya que los profesionales de la inversión buscan formas adicionales de mejorar los rendimientos de las carteras y obtener una ventaja competitiva. En specific, la integración de algoritmos de ML en el proceso de construcción de carteras puede abordar los desafíos y las limitaciones de los métodos tradicionales de optimización de carteras, como MVO.
Una de las principales limitaciones del modelo MVO es que solo tiene en cuenta la media y la varianza de los rendimientos a la hora de optimizar una cartera y no tiene en cuenta la asimetría de los rendimientos. Sin embargo, en la realidad, los rendimientos de las inversiones tienden a mostrar asimetría. En concreto, las investigaciones han demostrado que las acciones de crecimiento tienen una asimetría positiva mayor en sus rendimientos, en promedio, que las acciones de valor. Para tener en cuenta la posible no normalidad en los rendimientos de las inversiones, algunos profesionales de la inversión han optado por construir carteras utilizando modelos de optimización de asimetría de media-varianza, o incluso modelos de optimización de asimetría de media-varianza-curtosis. Sin embargo, estos modelos dan lugar a problemas de optimización multiobjetivo. Las ANN pueden crear de forma eficiente carteras óptimas de asimetría de media-varianza para abordar esta limitación.
Otra deficiencia del modelo MVO es que impide a los inversores expresar sus opiniones sobre el rendimiento futuro de los activos. Un inversor, por ejemplo, podría esperar que los bonos tengan un rendimiento superior al de las acciones en los próximos seis meses. El modelo Black-Litterman (1992) permite a los inversores incorporar estas perspectivas al proceso de optimización de la cartera. Un enfoque alternativo es integrar el modelo Black-Litterman (1992) con las redes neuronales artificiales, lo que tiene el potencial de generar altos rendimientos en relación con el índice de referencia sin asumir un riesgo excesivo.
Los datos de entrada en la MVO son sensibles a los errores de medición, lo que es especialmente cierto para las estimaciones de retorno esperado. Por lo tanto, la MVO tiene el potencial de producir carteras “óptimas” que tienen un rendimiento deficiente. La optimización inversa puede ser una alternativa útil para desarrollar estimaciones de retorno esperado más precisas. Los profesionales de la inversión pueden luego usar estas estimaciones mejoradas como datos de entrada en la MVO tradicional para generar asignaciones de activos más eficientes. Los profesionales de la inversión también pueden usar algoritmos de ML para predecir los retornos de las acciones e incorporar estas estimaciones en la MVO. Alternativamente, un estudio reciente desarrolló un enfoque mejorado de optimización de cartera, que consiste en usar un parámetro de contracción de correlación para mejorar los índices de Sharpe estimados y luego crear carteras óptimas basadas en estas estimaciones.
Por último, un desafío importante en la optimización de carteras es la estimación de la matriz de covarianza, especialmente para datos de alta dimensión. Los modelos LASSO pueden abordar este desafío al producir estimaciones más precisas de la matriz de covarianza que los métodos tradicionales, que es un insumo basic para la optimización de carteras.
Conclusiones
¿Cuáles son las implicaciones de estas tendencias para los profesionales de la inversión? Es evidente que la industria de la inversión está evolucionando rápidamente en respuesta a las nuevas tecnologías. Los profesionales de la inversión prevén que los nuevos métodos analíticos, como el aprendizaje automático, alterarán significativamente los roles laborales en los próximos años. Como resultado, los profesionales están comenzando a integrar algoritmos de aprendizaje automático en todas las áreas del proceso de inversión.
Muchos gestores de activos están intentando obtener una ventaja competitiva creando carteras con mayores rendimientos para un nivel de riesgo determinado (es decir, ratios de Sharpe más elevados) mediante la integración de algoritmos de aprendizaje automático en el proceso de optimización de carteras. Además, los algoritmos de aprendizaje automático pueden superar muchos de los desafíos y limitaciones de los métodos tradicionales de optimización de carteras, lo que ha llevado a los profesionales de la inversión a buscar métodos de construcción de carteras más eficientes. Los inversores se beneficiarán de un mayor conocimiento de estas tendencias para comprender mejor el impacto de los nuevos métodos de optimización en sus carteras.
[1] En algunos casos, el conjunto de datos puede tener más de una variable de destino.
[2] Un sistema experto describe un programa informático que puede resolver un problema complejo que normalmente resuelven expertos humanos. Véase: Sistema experto | IA, representación del conocimiento y razonamiento | Britannica