La inteligencia artificial transforma la gestión cuantitativa

Talking Heads con Ram Rasaratnam

Chris Iggo: Hola y bienvenidos al podcast Talking Heads de BNP Paribas Asset Management. Nuestros equipos de inversión comparten su visión, análisis y perspectivas en español, gracias a la inteligencia artificial. En este episodio hablaremos sobre la inteligencia artificial y sobre cómo esta nueva tecnología, el aprendizaje automático y otras tecnologías están contribuyendo al proceso de inversión, con especial énfasis en las estrategias cuantitativas de renta variable.

Soy Chris Iggo, director de inversiones de AXA IM Core, que forma parte de BNP Paribas Asset Management, y hoy me acompaña Ram Rasaratnam, director de inversiones de las estrategias de renta variable cuantitativa de AXA IM Core, que forma parte de BNP Paribas Asset Management. Bienvenido, Ram, y gracias por acompañarme hoy.

Ram Rasaratnam: Hola, Chris. Gracias a ti por invitarme.

CI: La inteligencia artificial es actualmente el elemento central de toda estrategia de inversión. Las compañías de semiconductores y hardware informático están generando miles de millones de dólares en ingresos, como hemos podido comprobar en los últimos resultados trimestrales. A su vez, estas compañías están invirtiendo miles de millones de dólares en la expansión de la infraestructura necesaria para impulsar el crecimiento de las aplicaciones de inteligencia artificial.

Y esta tecnología también amenaza con tener importantes consecuencias macroeconómicas en el futuro: en el empleo, en la composición de dicho empleo, en la productividad, y también posiblemente en otros elementos como la inflación y los tipos de interés. También está cuestionando los modelos de negocio, como hemos podido comprobar recientemente, cuando los inversores han comenzado a poner en duda el valor a largo plazo que ofrecen ciertas compañías de software.

No obstante, en esencia, ofrece nuevas herramientas, así como la capacidad para utilizar la inteligencia artificial para realizar tareas que hasta ahora no resultaban posibles. El de la inversión es un sector especialmente interesante para observar cómo funciona todo esto. Ram, llevas muchos años utilizando técnicas cuantitativas. Tu equipo ha recibido el reconocimiento del sector.

Solo en el último año, has recibido varios premios: mejor gestor de renta variable emergente y mejor gestor de soluciones cuantitativas, y se te ha reconocido como uno de los mejores usuarios de inteligencia artificial en la gestión de activos. Quizás podrías empezar presentándote y explicándonos la trayectoria de tu equipo y de las estrategias que gestionáis.

RR: Gracias, Chris. Llevo veinte años en AXA, ahora BNP, trabajando siempre en renta variable cuantitativa. Cuando yo me incorporé se llamaba AXA Rosenberg, y hoy formo parte del equipo que tiene su origen en el negocio fundado por Barr Rosenberg. El año pasado celebramos nuestro cuadragésimo aniversario gestionando carteras de renta variable, así que este año cumplimos nuestro cuadragésimo primer año.

Gestionamos estrategias de renta variable estadounidense y emergente de pequeña y gran capitalización. En algunos casos, como en el segmento de las small caps estadounidenses, nuestra trayectoria se remonta a treinta y cinco años atrás, y aplicamos la misma filosofía de inversión que Barr estableció para nosotros hace cuarenta años.

Pero la hemos actualizado con nuevas fuentes de datos, entre ellos el aprendizaje automático y la inteligencia artificial. Hemos tenido que ir evolucionando para asegurarnos de que nuestros modelos continúan aportando valor y de que podemos seguir ofreciendo una rentabilidad superior a nuestros clientes.

CI: No hay duda de que se trata de una trayectoria y un historial muy sólidos, y hoy tenéis la oportunidad de utilizar nuevas técnicas en vuestro proceso de inversión. ¿Podrías darnos algún ejemplo de cómo el equipo utiliza la inteligencia artificial y el aprendizaje automático en el proceso de inversión?

RR: Siempre hemos tratado de adoptar nuevas tecnologías cuando vemos que han alcanzado un cierto grado de desarrollo y madurez. En lo que respecta al aprendizaje automático, nuestro primer modelo fue una red neuronal que empezamos a utilizar hace nueve años. Se trataba de predecir la probabilidad de que una acción registrara un aumento de su volatilidad a corto plazo durante el mes siguiente, así que utilizamos una red neuronal para tratar de identificar las relaciones no lineales entre algunos de los factores que habíamos construido para intentar anticipar ese comportamiento.

Fue un proyecto muy emocionante cuando trabajamos en él hace diez años, cuando lo estábamos construyendo, y nos llevó bastantes meses completar todo el proceso: desde la fase de análisis e investigación hasta su incorporación al proceso de inversión, pasando por la creación de numerosos mecanismos de control para validar el modelo, entender la importancia de sus variables y aprobar las operaciones que pudiera generar.

Ese modelo ha funcionado muy bien. Lo llevamos utilizando de forma continuada desde hace nueve años, y resultó especialmente útil en el primer trimestre de 2023, cuando tuvo lugar la crisis de los bancos regionales estadounidenses, una minicrisis en la que Silicon Valley Bank y Signature Bank se quedaron sin liquidez. El modelo logró identificar ambos casos el año anterior y los eliminamos de nuestra cartera.

Esta fue nuestra primera incursión en este ámbito. El aprendizaje automático y la inteligencia artificial también nos han permitido ampliar el conjunto de factores que el equipo puede analizar para tratar de obtener información sobre las empresas.

Nosotros no nos reunimos con los equipos directivos ni hablamos con los consejeros delegados o los directores financieros, pero sí podemos asistir a la presentación de resultados de las compañías, recopilar las transcripciones y procesarlas con nuestras herramientas para intentar construir modelos que nos aporten información sobre lo que se está diciendo.

Así, hemos desarrollado modelos para evaluar el grado de optimismo o pesimismo que muestran los equipos directivos de las compañías, así como modelos que analizan la precisión con la que se expresan y cómo cambia su discurso de una reunión a otra. Todo ello nos ayuda a obtener información adicional para reforzar nuestras perspectivas sobre las compañías, que siguen basándose en los fundamentales y se centran en su valoración, su calidad y la trayectoria futura de sus beneficios.

CI: Después de trabajar contigo durante varios años me he dado cuenta de que has ido desarrollando una definición propia de conceptos como el crecimiento y el valor, que se utilizan mucho en el sector cuantitativo. ¿Te está ayudando la inteligencia artificial en este proceso, al permitir generar señales más potentes y mejorar la información que podéis extraer de la evolución de las compañías?

RR: Por supuesto. A lo largo de los veinte años que llevo trabajando en este ámbito, y en los cuarenta años de trayectoria de nuestro equipo, hemos podido comprobar que, para seguir siendo competitivos, la clave está realmente en ir acumulando pequeños avances. Se trata de mejorar nuestras señales. Pero las mejoras que hacemos no son algo revolucionario, no estamos cambiando nuestro enfoque de manera fundamental. Lo que estamos tratando es de encontrar nuevos datos que nos permitan acumular esos pequeños avances. No cabe duda de que estas técnicas están siendo de gran ayuda. Así, la información que genera el modelo de procesamiento del lenguaje natural que he mencionado antes se integra en nuestra señal de calidad.

Seguimos analizando los balances de las compañías, la variabilidad de sus beneficios, pero incorporamos además estas ideas adicionales sobre cómo se expresa el equipo directivo y qué está diciendo, con el fin de perfeccionar el modelo y extraer más información de los datos de los que ya disponemos.

CI: Este proceso exige una intensa labor de análisis. ¿Cómo está transformando el proceso de análisis y el desarrollo de modelos la inteligencia artificial generativa, como por ejemplo el código abierto?

RR: En lo que respecta al código abierto, estamos utilizando ya capacidades muy avanzadas de la plataforma. Es algo que instalamos hace unos meses. El código abierto es, en la práctica, como un gran modelo lingüístico del tipo ChatGPT que alojamos internamente en nuestras propias CPU. Es una herramienta de código abierto y, dentro de ella, ponemos a disposición del gran modelo lingüístico todo nuestro código, todo el código que alimenta nuestros modelos, y después podemos consultarlo en lenguaje natural.

Resulta especialmente útil para compartir conocimientos y para que los desarrolladores puedan ver y entender en qué tipo de señales se está trabajando, cuáles están ya en uso y consultar también versiones anteriores del modelo. Pero poder hacer consultas en lenguaje natural y obtener respuestas en un formato realmente conciso supone un cambio radical. Nos ahorra muchísimo tiempo.

Otra de las características de las herramientas de código abierto es que pueden escribir código directamente en nuestro repositorio. Es algo que aún estamos probando en una fase inicial, pero tiene mucho potencial. Y no se trata solo de que escriban código: lo importante es que lo hacen conforme a los estándares que hemos establecido sobre cómo queremos escribir el código.

Estas herramientas respetan las convenciones de nomenclatura y la estructura del código. Pueden utilizar las funciones que hemos creado para ejecutar las transformaciones propias de nuestro proceso. Pueden usar todas las funciones que hemos desarrollado dentro de nuestro ecosistema y hacerlo de una forma muy parecida a como lo escribiríamos nosotros mismos, pero ahorrándonos tiempo.

Ya estamos viendo las ventajas de estas herramientas. Creo que, a medida que comencemos a adoptarlas de manera más generalizada y a familiarizarnos con ellas, veremos que realmente ahorran mucho tiempo a los analistas y a los gestores, lo que les permitirá dedicar más tiempo a las labores que realmente aportan valor. Podrán interpretar los resultados, reflexionar sobre el diseño de los modelos y mejorarlos, en lugar de ocuparse de parte del trabajo más pesado relacionado con la escritura y el manejo del propio código.

CI: Es probable que aún sea demasiado pronto y sé que es una pregunta difícil, pero ¿habéis observado algo que os haya resultado sorprendente en lo que esta tecnología puede llegar a aportar, por ejemplo, para la selección de títulos?

RR: Yo diría que el ser humano sigue estando al volante, aunque es una expresión que no me gusta porque resulta algo simplista. Pero lo que vemos es que la generación actual de modelos, no solo el que nosotros utilizamos, sino incluso otros más sofisticados disponibles en internet, como Claude, todavía no es capaz de diseñar modelos, al menos por el momento.

Los mercados de renta variable son increíblemente complejos, y no son estáticos. Los factores que impulsaban los mercados de renta variable hace veinte o treinta años no son los mismos que los impulsan hoy, y el hecho de que los patrones del mercado no sean constantes hace que no baste con aplicar sin más un gran modelo lingüístico o un modelo de inteligencia artificial a los datos y esperar que construya algo útil.

Por eso seguimos necesitando el criterio humano y la experiencia que aporta nuestro equipo.

CI: Supongo que eso nos lleva a la siguiente pregunta, relacionada con los desafíos que plantea el uso de la inteligencia artificial y el marco necesario para integrarla en un proceso de inversión muy sólido y consolidado. ¿Se trata de ir probando y de asegurarse de que la tecnología mejora el proceso? ¿Es importante la paciencia en ese proceso?

RR: Es una buena pregunta. El marco de control es fundamental. Y, por supuesto, nada es gratis: si dejamos que estas herramientas escriban parte del código, entonces tenemos que asumir la responsabilidad de redactar lo que llamamos casos de prueba.

En la práctica, se trata de asegurarse de que el código hace lo que nosotros esperamos que haga. Podemos leer el código para intentar entenderlo y comprobar que hace lo que creemos que hace, pero la única forma de saberlo con certeza es redactar los casos de prueba, introducir los datos de entrada, definir los resultados que esperamos que el código genere y, después, verificar que efectivamente lo hace.

Esa es una forma de controlar el proceso. La otra es que ese código no se incorpora automáticamente a nuestras señales de inversión ni a nuestro entorno de producción. Existe un marco de control para ello, en virtud del cual distintos miembros del equipo tienen que validar cualquier código escrito por una persona o por una máquina antes de que pueda incorporarse a nuestro sistema de producción. Por tanto, ese proceso adquiere aún más importancia dentro del conjunto del proceso.

CI: Hemos visto lo que está ocurriendo en el sector del software. ¿Existe el riesgo de que los modelos se vayan quedando rápidamente obsoletos y de que sea necesario estar permanentemente al día de todos los nuevos desarrollos de modelos?

RR: Sí. Y eso tiene dos vertientes. Por un lado, hay que tener en cuenta cómo nos afecta en relación con otros equipos cuantitativos. Los equipos cuantitativos más avanzados del mercado estarán analizando fuentes de datos similares y contarán con equipos que intentan hacer lo mismo que nosotros: extraer alfa de estas nuevas fuentes de datos y de estas nuevas técnicas.

Para mí, una de las consecuencias imprevistas de ello, o al menos una de las que no todo el mundo es consciente, es que también nos permite incorporar enfoques que antes pertenecían al ámbito de la gestión fundamental.

Por poner un ejemplo, hemos incorporado una nueva base de datos de patentes y estamos tratando de extraer señales de dichos datos, con el objetivo de analizar las patentes que han registrado las empresas y evaluar hasta qué punto son innovadoras.

Hemos comprobado que la puntuación que hemos creado a partir de esos datos tiene un gran potencial de generación de alfa y una gran capacidad de selección de títulos. Sin embargo, tradicionalmente, ese tipo de análisis habría entrado en el terreno de la gestión fundamental.

Por ejemplo, un equipo especializado en el sector salud podía contar con diez analistas, cada uno de ellos encargado de analizar diez compañías, leer sus patentes y evaluar sus carteras de productos en fase de investigación y desarrollo, así como la rentabilidad futura de la compañía. Hace diez años, no habríamos podido competir en ese ámbito y extraer información útil de esos datos, pero ahora sí podemos. Y creo que existen otras fuentes de datos que nos permiten cuestionar enfoques más tradicionales.

CI: Supongo que ahí es donde está la verdadera ventaja, ¿no? Un analista tardaría mucho tiempo en analizar todos los documentos de patentes en un ámbito como el del desarrollo de medicamentos, y la inteligencia artificial puede hacerlo con mucha rapidez y de forma más eficiente. Me ha encantado hablar contigo, Ram. Es un tema apasionante.

Ojalá estas nuevas técnicas contribuyan a mantener los buenos resultados de tu equipo. Muchas gracias por acompañarme hoy.

RR: Gracias a ti, Chris. Es un placer estar aquí.

CI: Pues así terminamos nuestro episodio de Talking Heads. Si desean más información, no duden en ponerse en contacto con BNP Paribas Asset Management o consultar nuestro sitio web BNP Paribas Asset Management – España Inversor profesional – BNPP AM.

También pueden escuchar el podcast y suscribirse a Talking Heads en YouTube, Spotify, o a través de su plataforma habitual, y así recibirán los episodios todas las semanas. Si les ha gustado, déjennos una reseña positiva y una buena valoración.

Han escuchado el podcast Talking Heads de BNP Paribas Asset Management conmigo, Chris Iggo, y Ram Rasaratnam, del equipo de renta variable cuantitativa de AXA IM Core, que forma parte de BNP Paribas Asset Management.

Espero que hayan disfrutado del pódcast. No dejen de acompañarnos de nuevo en Talking Heads la próxima semana. Cuídense.