La inteligencia artificial (IA) se define comúnmente como máquinas que imitan las funciones cognitivas del cerebro humano. Para algunos casos, como jugar a las damas, donde el libro de reglas es simple, esto es un estándar relativamente bajo. De hecho, este fue uno de los primeros casos de uso de inteligencia artificial por Arthur Lee Samuel en 1952. Sin embargo, el estándar aumenta exponencialmente con cada nivel de complejidad. No fue hasta 1997 que Gary Kasparov perdió una partida completa contra Deep Blue. Tomó casi dos décadas más, incluso con todos los avances exponenciales en la potencia informática durante ese tiempo, antes de que AlphaGo venciera al gran maestro de Go Lee Sedol en 2016. Por lo tanto, si bien los avances en inteligencia artificial, incluidos los que discutiremos en este artículo, están expandiendo la capacidad cognitiva colectiva de la Tierra, es prematuro buscar refugio de los señores de los robots conscientes o incluso temer que reemplacen por completo a muchos trabajadores del conocimiento, como los profesionales de la inversión.
En cambio, con la llegada de los grandes modelos de lenguaje (LLM), que son algoritmos de aprendizaje profundo entrenados en conjuntos de datos gigantescos, los resultados de la IA pueden variar desde resúmenes concisos hasta información detallada. Lo primero que puede venir a la mente es GPT-3 de OpenAI, del cual ChatGPT es el resultado.4 GPT-3 fue entrenado en casi la totalidad de Internet y en la mayoría de los libros.5 Esto le dio a su red neuronal 175 mil millones de parámetros,6 que utiliza opinar sobre temas que van desde lo banal hasta lo sublime. Con terabytes de datos de entrenamiento, una gran potencia amplificada por la computación distribuida y algo de ingenio humano de la vieja escuela, las aplicaciones de la inteligencia artificial en muchos campos, incluida la inversión, seguirán avanzando rápidamente. Si bien muchos de estos están fuera del alcance de este artículo introductorio, presentamos casos de uso de cómo diferentes inversores pueden aprovechar la inteligencia artificial para mejorar potencialmente los resultados y flujos de trabajo deseados.
Capacidades de IA: análisis de datos y poder predictivo
Llevando la inversión al extremo, podríamos decir que es determinar el valor razonable de los activos –basado en el análisis de tanta información pública como sea posible– y luego, si los precios prevalecientes en el mercado difieren de los resultados, comprarlos o venderlos. La gran cantidad de datos relevantes es enorme: documentos financieros, transcripciones de ganancias, presentaciones regulatorias, artículos de noticias, testimonios de un día ante el Congreso y, hoy en día, incluso conversaciones y tweets de Reddit. Estos datos son ruidosos, anormales y cada vez más desestructurados (es decir, inherentemente difíciles de analizar). Los LLM pueden consumir y, de manera crítica, comprender estos datos a un ritmo que eclipsa a cualquier equipo de analistas.
Un resultado básico de esta tarea es la capacidad de resumir información para el consumo humano, ya sean miles de hilos de redes sociales escritos en lengua vernácula zoomer (sin cap7) o la densa jerga legal de una declaración corporativa (veritably8). Yendo un paso más allá, la IA puede combinar diferentes conjuntos de datos para extraer conocimientos que ni siquiera son evidentes de inmediato para un inversor humano experimentado.
Vea también: Blockchain sin AI: IA dominará el comercio de criptomonedas
Entonces, ¿deberíamos retirarnos todos y dejar que las máquinas se hagan cargo? No tan rapido. Cuando se les solicita adecuadamente, los LLM se apresuran a ofrecer respuestas con la confianza de un economista que suelta temas de conversación en la televisión. Esto se debe a que los LLM están capacitados, en un nivel pavloviano, para ofrecer respuestas en las que los humanos confíen. Existe una función de recompensa en la mayoría de los algoritmos por proporcionar respuestas aceptables. ¿Pero está justificada su confianza? Esto depende de muchos factores, e incluso si se alimentan de datos de alta calidad, los algoritmos de aprendizaje profundo son falibles. Por ejemplo, los modelos transformadores (que interpretan la mayoría de los LLM) pueden desviarse fácilmente o alucinar, porque funcionan prediciendo secuencialmente la siguiente palabra más probable en una oración. Este es un proceso autorregresivo, donde las palabras que el LLM generó se usan para predecir las siguientes. Si bien al principio suena similar a cómo piensan los humanos (después de que todas las palabras que decimos a continuación se basan en las que acaban de salir de nuestra boca), a los LLM les resulta mucho más difícil darse cuenta de si están diciendo tonterías. Reconocer cuándo una IA que suena segura está completamente equivocada, formularle preguntas con precisión, ajustar su entrenamiento y proporcionarle la mayor cantidad de datos nutricionales son razones por las que los humanos siguen siendo una parte crucial del proceso. A continuación ofrecemos ejemplos prácticos en el mundo de la inversión.
Casos de uso para gestión de activos, gestión patrimonial, comerciantes e inversores minoristas
Los inversores de todo tipo pueden beneficiarse potencialmente del uso de la IA. La tecnología no pondrá a los comerciantes minoristas en pie de igualdad con los inversores institucionales porque no tienen acceso a datos desproporcionadamente caros y a menudo propietarios para entrenar un sistema de inteligencia artificial que los inversores institucionales han estado cultivando durante décadas; Por lo general, tampoco sabrían cómo ajustar los algoritmos de aprendizaje profundo para maximizar su potencial. Aun así, la IA puede impulsar la escala, la velocidad y la sofisticación de la mayoría de los inversores.
Casos de uso de gestión de activos:
Los administradores de carteras pueden capacitar a los LLM sobre llamadas sobre ganancias, movimientos de precios de acciones, artículos de noticias y charlas en las redes sociales. Pueden ingresar más información sobre sesgos de comportamiento (la teoría de que las ineficiencias en el mercado existen debido a la irracionalidad humana), sus propias notas de investigación, calificaciones de seguridad y ejecuciones comerciales. Después del entrenamiento, estos datos se pueden canalizar al LLM en tiempo real. Esto, a su vez, conduce a varias aplicaciones novedosas como:
Combinar el sentimiento expresado a través de información no estructurada (tweets, subreddits, informes de analistas, noticias, etc.) con datos estructurados (fundamentos de la empresa, pronósticos de consenso, indicadores macro) para identificar incongruencias que puedan conducir a grandes movimientos de precios.
La IA puede ayudar a los gestores de riesgos al proporcionar alertas tempranas sobre shocks del mercado inferidos de efectos secundarios y terciarios. Por ejemplo, imaginemos una cartera de renta fija en la que los diferenciales de crédito de algunas posiciones comienzan a ampliarse rápidamente. Un gestor humano comprendería inmediatamente el mayor riesgo para esas posiciones subyacentes, pero ¿qué pasa con el resto de la cartera? Una IA con miles de millones de sinapsis optimizadas podría predecir qué emisores podrían ser la próxima ficha de dominó basándose en una multitud de puntos de datos, desde correlaciones de series temporales hasta artículos de noticias y 10-K (informes anuales de la empresa). Un ejemplo reciente, aunque trágico, sería la invasión de Ucrania que provocó una repentina contracción de las exportaciones de gas neón, un componente clave de los semiconductores automotrices que afectó a los fabricantes de chips, lo que luego afectó a los fabricantes de automóviles. Una red neuronal bien entrenada podría encontrar este complejo vínculo en el momento en que el primer mortero impactara en Mariupol, algo que pocos humanos hicieron.
La IA puede alertar a los administradores de carteras si las operaciones que desean muestran sesgos de comportamiento. Por ejemplo, según el efecto de disposición, algunos inversores se muestran reacios a vender posiciones perdedoras, pero están felices de deshacerse de activos que acaban de experimentar grandes subidas de precios. Al diferenciar entre una decisión prudente respaldada por valoraciones y una impulsada por emociones, como evitar el arrepentimiento, es donde una IA entrenada en operaciones anteriores y finanzas conductuales puede asumir el papel de un entrenador imparcial.
Debido a que los LLM pueden procesar consultas conversacionales, los conocimientos necesarios para realizar tareas de inversión complejas, como optimización multiperíodo, simulación de estrategias y descomposición de factores, se están agotando. En cierto modo, la IA generativa está democratizando algunas de las superpotencias cuantitativas (o cuantitativas) que los inversores anteriormente atesoraban. Pronto, un gestor de carteras de activos múltiples podría pedirle a su copiloto de IA que «construya una cartera que sea más resistente a un giro de la Reserva Federal de EE. UU., pero que aún así pueda ofrecer un rendimiento del 4%, no esté sobreponderado en el factor de crecimiento y no habría tenido un rendimiento anualizado». riesgo superior al 17% en los últimos cinco años” y recuperar un modelo. Siempre, por supuesto, que se pueda construir uno con esos obstáculos. Si bien sabemos que no existen garantías para lograr estos resultados, estamos trabajando en la creación de una herramienta de este tipo en Franklin Templeton Investment Solutions.
