Inteligencia artificial. Está muy de moda y suena grandioso, pero ¿qué hay detrás? Engloba muchísimas cosas. Hoy nos centramos en uno de sus últimos avances: las grandes redes neuronales de memoria a corto plazo y para qué pueden ser útiles en el ámbito de las inversiones.

Quizá lo nombrado en el párrafo anterior les resulte un poco extraño, pero lo que ya no les será tan extraño es la palabra robo-advisor, que cada vez despierta mayor interés, tanto su evolución como sus modelos de implantación.

No es la primera vez que los robo-advisors captan la atención de la prestigiosa publicación Barron's, que en un artículo reciente se atreve a presentar incluso un ranking de robo-advisors basado en criterios cualitativos y no sólo cuantitativos. Por ejemplo, según Barron's, Vanguard tiene activos en su producto automatizado por más de 112.000 millones de dólares, aunque poniéndolo en perspectiva, este servicio por ahora representa sólo algo más del 2,2% del importe total gestionado.

Dicho esto, relacionemos pues la gestión automatizada con las grandes redes neuronales de memoria a corto plazo (LSTM, por sus siglas en inglés). Este término se refiere a una red neuronal ideada con posibilidad de olvidar ligada a la memoria, y que originalmente fue creada para recrear la memoria humana a corto plazo.

Como el aprendizaje humano

Hasta ahora se utilizaban redes neuronales recurrentes (RNN), pero no tenían la capacidad de olvidar. Las RNN se construyeron para aprender de los nuevos datos, y el procesamiento de esos datos dependía de la cantidad de datos ya almacenados sobre el mismo tema que una red ya poseía; en otras palabras, para modelar el proceso humano de aprendizaje inductivo. Pero una vez que una red ya ha recibido una gran cantidad de datos, la importancia marginal del nuevo dato era insignificante, por lo que tales máquinas se volvían incapaces de aprender más. Esto significaba que se debía permitir que las redes olvidaran a fin de preservar la relevancia de los nuevos datos, que es el problema resuelto por los modelos LSTM más nuevos.

Cuatro investigadores de la UC Berkeley, Haas School of Business, con el asesoramiento de Ronald Kahn, director de Scientific Equity Research en BlackRock, descubrieron que una red neuronal LSTM es adecuada para predicciones de beneficios por acción anuales y otros ratios de valoración que tienden a influir en el comportamiento de las acciones a largo plazo.

Una tesis con análisis fundamental

Inversión cuantitativa pronosticando los fundamentales de las compañías. Ese es el propósito, intentar adivinar la evolución de los principales ratios de las compañías. Zachary Lipton y John Alberg también tienen un paper muy bueno en relación al pronóstico de los beneficios antes de impuestos e intereses, el propio EBIT sobre el valor empresa y el valor en libros, en todos ellos para un período adelantado de 12 meses.

Para su estudio, los investigadores de Berkeley utilizan un conjunto de datos sobre una selección de acciones de todos los sectores del S&P 500 y su evolución en bolsa durante el período 1961-2017.

Su red neuronal usa 30 variables diferentes, disponibles en los reportes trimestrales de las compañías (incluyendo, entre otros, ventas netas, coste de las ventas, cuentas por cobrar y existencias, amortización y depreciación, etc.) para predecir los beneficios tanto del próximo trimestre como del próximo año.

Conclusión, elige bien cuál es tu guerra

El modelo desarrollado se comporta mucho mejor en el horizonte temporal de un año que los otros modelos predictivos a los que lo compararon, y obtiene rentabilidades superiores. Curiosamente, no obtiene rentabilidades superiores a tres meses vista respecto a los otros modelos de aprendizaje automático. Su rendimiento deficiente en el primer trimestre lo atribuyen a la eficiencia de los mercados, los beneficios por acción esperados en un trimestre ya están metidos en el precio en las acciones.

La lección que debemos aprender de esto es que las redes neuronales, como los humanos, tienen que elegir bien cuál es su guerra. La gran red neuronal de memoria a corto plazo que han creado puede aportar algunas cosas útiles para los gestores de carteras, pero ni siquiera en estos modelos tan avanzados la automatización funciona en todos los periodos, el ser humano sigue siendo necesario.

Y los robo advisor, ¿pueden cumplir la expectativa de personalización? El robo advisor puede ser una herramienta tecnológica muy útil, al servicio del asesor en el mejor desempeño de su profesión. Sin embargo, mucho nos tememos que asesorar y guiar el patrimonio de un cliente (con sus objetivos, necesidades, restricciones, sesgos, psicología, aspectos fiscales, etc.) dista mucho de ser una actividad puramente automatizada, como si de la construcción de vehículos se tratara.

Si desea más información sobre los estudios o documentos citados en esta nota puede ponerse en contacto con nosotros a través de este blog.