Hace poco, el Dr. Hugo Bowne-Anderson (DataCamp) y el Dr. Yves Hilpisch (The Python Quants) hablaron sobre cómo aprovechar la IA en finanzas, en qué se diferencia de los enfoques tradicionales y por qué los científicos de datos son ahora figuras clave en el sector financiero. También abordaron la incertidumbre y el riesgo, y hasta qué punto la IA y el aprendizaje automático pueden ser útiles en caídas de mercado, ante cisnes negros y en periodos de alta volatilidad. Mira el webinar bajo demanda o sigue leyendo para conocer las ideas clave.
¿Qué es la IA y cuáles son sus implicaciones?
Yves define la inteligencia artificial como el conjunto de campos que tratan de emular y mejorar lo que las personas pueden hacer. En ese sentido, la IA en ajedrez intenta jugar mejor que los humanos, y la IA en finanzas puede implicar crear y entrenar bots que operen mejor que las personas.
"La IA es cuando un software logra algo que consideraríamos un acto inteligente. Y la inteligencia puede definirse como la capacidad de alcanzar un objetivo determinado." —Dr. Yves Hilpisch
Las máquinas pueden seguir el método científico con mucha más eficiencia que las personas. Son capaces de analizar los datos y descubrir preferencias reveladas observando lo que la gente hace en realidad. A partir de ahí, extraen conclusiones. Aprovechan millones de puntos de datos para formar estos insights, que acaban siendo mucho más precisos que los modelos teóricos.
Entonces, ¿en qué consiste el método científico?
"Planteas un experimento, recopilas datos y luego intentas o bien encontrar apoyo para la hipótesis, o quizá descubres datos que la contradicen. El siguiente paso será ajustar la hipótesis, los supuestos o incluso retirarla por completo. Este proceso del método científico puede ser replicado por las máquinas millones de veces en cuestión de segundos." —Dr. Yves Hilpisch
La IA ha aportado una gran ventaja competitiva en los últimos 20 años
La IA cumple el mismo propósito en finanzas que en cualquier otro ámbito: ganar ventaja competitiva. En finanzas, sus orígenes se remontan a la década de 1950, cuando Markowitz abrió camino con el primer modelo de finanzas cuantitativas. Fue el primer modelo de la teoría de carteras por varianza que logró amplia aceptación. Hoy sigue utilizándose para gestionar billones de dólares. Pero emplea teoría normativa, basada en analizar distintas carteras posibles de valores: no es prescriptiva porque no sugiere un curso de acción concreto. Así que no se basa en datos observados, sino en datos de comportamiento o del mercado.
En los últimos 20 años, los datos se han vuelto más accesibles que nunca: la clave está en utilizarlos bien. El libro de Gregory Zuckerman, The Man Who Solved the Market, cuenta cómo el hedge fund Renaissance Technologies abrió camino acumulando datos para obtener rentabilidad financiera. Hoy, casi todos los sectores han adoptado su estrategia de crear modelos matemáticos y exprimir los datos, y así pueden tomar decisiones mucho más óptimas.
Casos de uso modernos y buenas prácticas en finanzas cuantitativas
La IA en los mercados financieros ha evolucionado de forma drástica. Por ejemplo, con las montañas de datos disponibles hoy, los modelos de aprendizaje supervisado pueden predecir el comportamiento de acreedores o consumidores con gran precisión. El trading algorítmico también recurre al aprendizaje por refuerzo para premiar o penalizar a los bots en función del dinero que ganan o pierden.
"Ahora contamos con millones y millones de puntos de datos que podemos usar para analizar el comportamiento de las personas. Y con las nuevas tecnologías que tenemos, los bancos y las instituciones —incluidas startups fintech— son diez, cien veces mejores prediciendo el comportamiento del consumidor, de los acreedores, etc., que cualquier teoría jamás ideada por los profesores de finanzas." —Dr. Yves Hilpisch
Pero en momentos como este, con alta volatilidad de mercado, está claro que la IA en finanzas exige medidas de seguridad. El aprendizaje supervisado se apoya en datos históricos y asume que lo que pasó en el pasado será representativo de lo que ocurrirá en el futuro. Este razonamiento falla en periodos de volatilidad. Por eso debes establecer reglas que eviten malas decisiones de trading, como poner un stop loss —que especifica el precio al que se venderá un valor o una materia prima— en los algoritmos. Esta lógica limita pérdidas inasumibles y es comparable a dotar de mecanismos de seguridad a un coche autónomo para evitar que atropelle a peatones en la acera. La IA es útil para reducir el riesgo derivado de acontecimientos actuales y su impacto en el mercado. Ante eventos cisne negro, las tácticas de aprendizaje supervisado deben vigilarse de cerca, y el aprendizaje por refuerzo puede emplearse para reentrenar modelos según las nuevas condiciones del mercado. La intervención humana y el seguimiento cuidadoso de los algoritmos en producción seguirán siendo necesarios en el futuro próximo.
La necesidad de herramientas simples, replicables y escalables
En finanzas computacionales, la simulación de Monte Carlo adopta un enfoque prospectivo que parte de un momento concreto y simula hacia el futuro. Python es una gran herramienta para esto. El stack de datos de Python hoy es un conjunto de paquetes interoperables que te permite ingerir datos, transformarlos con pandas, realizar modelado estadístico y crear algoritmos de aprendizaje automático. Python hace posible todo esto a escala. Hoy, el trading algorítmico depende de contar con el tooling adecuado. Y conseguir un empleo en este sector exige un cierto grado de dominio de estas herramientas —en concreto, Python y R—. El paquete pandas de Python y frameworks como TensorFlow y Keras han permitido que muchas personas hagan lo que antes era imposible.
Reducir las barreras de entrada
Aprender a usar estas herramientas es una gran inversión, y cada vez más empresas y profesionales están apostando por ella. Ofertas formativas como DataCamp y The Python Quants pueden democratizar el aprendizaje. Los estudiantes se familiarizan con conceptos de ciencia de datos y aprendizaje automático y ganan soltura creando algoritmos por su cuenta en un entorno de programación. También aprenden a configurar un entorno y una cadena de herramientas adecuados para trabajar en el servidor, lo que les permite desplegar algoritmos en la nube.
