1. El impacto general de la inteligencia artificial y el machine learning en el trading
La inteligencia artificial (IA) permite que las máquinas ocupen el lugar de las personas. En los años ochenta, los sistemas expertos y la lógica difusa estaban a la vanguardia de la investigación en IA. Con el abaratamiento de la potencia de cálculo, usar máquinas para abordar problemas de optimización a gran escala se volvió económicamente viable. Gracias a los avances en hardware y software, la IA se centra hoy en el uso de redes neuronales y otros métodos de aprendizaje para identificar y analizar predictores —también llamados características o factores— que tienen valor económico y pueden combinarse con clasificadores para desarrollar modelos rentables. Este tipo de aplicación de la IA suele denominarse machine learning (ML).
El uso de metodologías para construir estrategias de trading basadas en IA, tanto en marcos temporales cortos como para la inversión a más largo plazo, es cada vez más popular, y unos cuantos hedge funds están especialmente activos en este terreno. Sin embargo, la adopción generalizada de esta nueva tecnología avanza despacio por diversas razones, la más importante de las cuales es que la IA exige invertir en nuevas herramientas y en talento humano. La mayoría de los fondos recurre al análisis fundamental porque es lo que los gestores estudian en sus MBA. No hay muchos hedge funds que dependan exclusivamente de la inteligencia artificial. Aunque el uso de la IA entre los minoristas va en aumento, la mayoría de los traders sigue confiando en métodos surgidos a mediados del siglo XX, como el análisis técnico clásico, porque son fáciles de entender y de aplicar.
Conviene señalar que la IA y el ML se emplean en áreas distintas del desarrollo de estrategias de trading, como la construcción de algoritmos de búsqueda de liquidez o la recomendación de carteras a los clientes. En consecuencia, a medida que las aplicaciones de IA ganan terreno, disminuye el número de personas que participa en las decisiones de trading e inversión, lo que repercute en los mercados y en los movimientos de precios. Es pronto para especular sobre las implicaciones globales de esta nueva tecnología para el sector, pero un uso generalizado de la IA podría traducirse en mercados más eficientes, con baja volatilidad durante periodos prolongados, seguidos de picos de volatilidad periódicos debidos a los cambios de régimen. Esto es factible porque se reduciría la influencia de la interpretación subjetiva de la información por parte de los humanos, y con ella el ruido asociado. No obstante, aún debe demostrarse en la práctica.
2. El impacto de la IA y el machine learning en la generación de alfa
Quienes comprendan la tecnología de la IA y sepan gestionar sus peligros tendrán una oportunidad durante las primeras fases de su adopción. Un problema de los métodos de trading basados en IA es que pueden producir modelos peores que el azar. Intentaré aclarar a qué me refiero: el análisis técnico convencional es una estrategia perdedora porque las técnicas basadas en patrones gráficos e indicadores obtienen sus beneficios de una distribución con media cero antes de descontar los costes de transacción. Algunos traders acaban situados en la cola derecha de la distribución, lo que da la falsa impresión de que esas estrategias tienen valor económico. En los mercados de futuros y de divisas, la rentabilidad a largo plazo es difícil de alcanzar con independencia del enfoque, porque esos mercados están diseñados para recompensar a los creadores de mercado. Aun así, por pura suerte, algunos traders pueden lograr grandes beneficios en mercados apalancados en poco tiempo. Después, esos traders atribuyen su éxito a su estrategia y a su talento, y no a la suerte.
Con la IA y el ML aparecen efectos adicionales, como el equilibrio entre sesgo y varianza. El sesgo de minería de datos puede dar lugar a métodos sobreajustados a los datos pasados que fracasan con datos nuevos, o a técnicas demasiado simplistas que no captan señales cruciales con valor económico presentes en los datos. Este equilibrio genera tácticas peores que el azar y una asimetría negativa en la distribución de rendimientos de esos traders incluso antes de incluir los costes de transacción. En el periodo posterior a la expansión cuantitativa, esto crea un potencial de beneficio para los grandes fondos e inversores. Sin embargo, cuando los traders de IA peores que el azar sean expulsados del mercado y solo queden quienes tienen modelos sólidos, la competencia por los beneficios se recrudecerá. Es demasiado pronto para predecir si en esa pugna se impondrán los traders de IA o los grandes inversores.
También me gustaría abordar un malentendido frecuente en este campo: hay quien cree que el valor está en los algoritmos de ML utilizados. No es así. El valor real reside en los predictores empleados, a menudo llamados características o factores. Los algoritmos de ML no pueden detectar oro donde no lo hay. Un problema es que la mayoría de los especialistas en ML utiliza los mismos predictores e intenta crear modelos de forma iterativa para lograr los mejores resultados. Esta técnica se ve lastrada por el sesgo de minería de datos y acaba fracasando. En pocas palabras, el sesgo de minería de datos surge de la práctica arriesgada de reutilizar los datos con muchos modelos hasta que los resultados en las muestras de entrenamiento y de prueba resultan satisfactorios. Según mis estudios en este campo, si un clasificador básico, como la regresión logística binaria, no funciona bien con un conjunto dado de predictores, hay una alta probabilidad de que no exista valor económico. Por tanto, el éxito depende de la ingeniería de características, que es a la vez ciencia y arte, y que requiere conocimiento, experiencia e inspiración para idear características con valor económico; solo una pequeña fracción de los expertos es capaz de hacerlo.
3. El impacto de la inteligencia artificial y el machine learning en el análisis técnico
Debemos distinguir entre análisis técnico convencional y cuantitativo, ya que todos los enfoques que se basan en el análisis de series de precios y volúmenes entran en esta categoría. El análisis técnico tradicional —patrones gráficos, indicadores básicos, teorías de price action, etc.— fue ineficaz desde el principio. Salvo unas pocas iniciativas imperfectas de alcance limitado, las publicaciones que ensalzaban estos enfoques rara vez revelaban sus expectativas estadísticas a largo plazo; se limitaban a asegurar que, si se seguía tal o cual regla, habría potencial de beneficio. Como las ganancias y pérdidas del mercado siguen una distribución estadística, siempre ha habido quien atribuye su buena fortuna a estos enfoques. Al mismo tiempo, alrededor de estos procedimientos floreció toda una industria, porque eran fáciles de dominar. Por desgracia, muchos creyeron que podrían ganar siendo mejores que los demás en el uso de tácticas que todo el mundo empleaba, y la consecuencia fue una formidable transferencia de riqueza de esos traders ingenuos hacia los creadores de mercado y otros profesionales bien informados.
A principios de los años noventa, algunos especialistas del mercado descubrieron que un gran número de traders minoristas operaba con esas tácticas poco sofisticadas. Algunos construyeron algoritmos y sistemas expertos de IA para predecir las formaciones y operar en su contra, generando una volatilidad que los minoristas, conocidos a veces como «manos débiles», no podían soportar. En un sentido más amplio, el fracaso del análisis técnico tradicional puede atribuirse a la desaparición de la fuerte correlación serial de los mercados a partir de los años noventa. Era sobre todo esa fuerte correlación serial la que daba la falsa impresión de que estos procedimientos funcionaban. Con pocas excepciones, los mercados actuales muestran reversión a la media, lo que inutiliza las herramientas simples de análisis técnico. En cambio, algunas herramientas de análisis técnico cuantitativo, como los modelos de reversión a la media y de arbitraje estadístico, así como los algoritmos de ML que explotan características con valor económico, funcionan con eficacia en muchos casos.
Por la gran variedad de modelos y porque la mayoría se mantiene en secreto, es improbable que ese tipo de arbitraje se repita en el caso de la IA y el ML; pero el problema fundamental de esta nueva tecnología no es el sesgo de confirmación, como en el análisis técnico convencional, sino el sesgo de minería de datos.
Observar el mercado y mirar gráficos se está quedando, en mi opinión, obsoleto. El futuro del trading pasa por el procesamiento de información en tiempo real, el desarrollo de modelos y su validación. El hedge fund del futuro no dependerá del análisis de gráficos. Algunos siguen haciéndolo porque se encuentran en una encrucijada donde los métodos antiguos chocan con los nuevos. Muchos traders poco familiarizados con la IA tendrán dificultades para competir en el futuro y acabarán retirándose.
4. Ganadores y perdedores de la nueva tecnología de trading
El uso de la inteligencia artificial revolucionará el trading de muchas maneras, y ya está ocurriendo. Los inversores podrían descubrir pronto que, cuando termine la tendencia actual creada por la QE, los rendimientos a medio plazo serán muy inferiores a lo esperado. Si se da esa situación, los inversores se verán obligados a recurrir al método tradicional: encontrar un asesor financiero competente que recomiende una combinación de cartera y seleccione acciones con potencial de revalorización. En determinados casos, el asesor será un programa de inteligencia artificial y el proceso se realizará en línea.
Los traders deben familiarizarse con esta nueva tecnología. La mayoría sigue batallando con enfoques anticuados, con la esperanza de que el «comprar la caída» siga funcionando y dando beneficios unos años más.
Uno de los problemas es el riesgo moral alimentado por el banco central con su apoyo directo a los mercados financieros durante los últimos ocho años. Muchos traders e inversores creen ahora que los mercados bajistas son imposibles porque el banco central estará ahí para trasladar sus pérdidas a todos los demás mientras ellos conservan sus ganancias. En consecuencia, la mayoría de los participantes del mercado no está preparada para el próximo gran cambio de régimen y podría sufrir pérdidas catastróficas.
Existen numerosos recursos en línea para aprender sobre machine learning, inteligencia artificial y trading. La mejor manera de aprender es enfrentarse a unos cuantos casos prácticos. Sin embargo, creo que la mayoría de los traders será incapaz de adaptarse. La combinación de habilidades necesaria para comprender y desplegar la IA elimina al 95 % de los traders acostumbrados a trazar líneas en los gráficos y vigilar medias móviles.
Los inversores deberían investigar por su cuenta y buscar el consejo de un asesor financiero profesional al tanto de estas novedades. Cada inversor tiene un perfil de aversión al riesgo único, por lo que es imposible ofrecer recomendaciones generales. Pronto habrá una profusión de robo-advisors, y elegir uno que se ajuste a requisitos y objetivos concretos puede resultar difícil.
Para quien no conozca el ML y la IA ni sus aplicaciones al trading y la inversión, puede ser más provechoso consultar a un profesional versado en este campo que lanzarse a leer libros y artículos, algo que podrá hacerse una vez asimilados los fundamentos.