El responsable de análisis cuantitativo en State Street explica cómo su enfoque regime-aware utiliza inteligencia artificial para identificar regímenes de mercado sin prejuicios humanos.
En una era donde la información financiera abunda, Daniel Ung, responsable de análisis cuantitativo y soluciones de carteras de ETF EMEA & APAC en State Street Global Advisors, y su equipo están liderando una revolución en el análisis de mercados. Su enfoque, denominado regime-aware o consciente del régimen, utiliza técnicas avanzadas de aprendizaje automático para identificar y predecir regímenes de mercado, eliminando sesgos conductuales y ofreciendo una perspectiva única para la toma de decisiones de inversión. Así compartió el experto en el pasado Workshop FundsPeople: el Día de los Selectores de Fondos.
Eliminando sesgos conductuales
"Lo más importante aquí es que normalmente el inversor siempre tiene una opinión sobre lo que ahora ocurre, a lo mejor son los factores macro cognitivos los más importantes, y en otros casos son los factores micro, con lo que intentamos sacar todos los sesgos conductuales", explica Ung. Este enfoque, "regime-aware" utiliza técnicas avanzadas de aprendizaje automático para identificar y predecir regímenes de mercado de manera objetiva.
El corazón de este enfoque innovador reside en la capacidad de identificar regímenes de mercado sin depender de conocimientos previos o intuiciones humanas. Utilizando 17 series temporales que abarcan desde factores macro hasta métricas de volatilidad, el modelo de Ung emplea técnicas de agrupamiento para clasificar los estados del mercado en tres categorías principales: crisis, crecimiento fuerte y situaciones intermedias.
Lo más destacable de este método es su capacidad para validarse de forma independiente. Al comparar los períodos de crisis identificados por el modelo con las pérdidas máximas del S&P 500, se logra una precisión cercana al 70%, demostrando la robustez del enfoque.
Del análisis a la acción y la personalización
Una vez identificados los regímenes, el modelo de Ung ofrece recomendaciones sobre los tipos de activos que podrían tener un mejor desempeño en cada escenario. Por ejemplo, en períodos de fuerte crecimiento, el modelo sugiere asignaciones a tecnología, energía y small cap value. Para situaciones intermedias o de transición de regímenes, propone una exposición más diversificada, incluyendo commodities y healthcare y dividendos.
Ung enfatiza la importancia de la personalización en este proceso. "Siempre vamos a colaborar con los clientes para llegar a un destino", afirma, indicando que las recomendaciones del modelo se ajustan a las necesidades y objetivos específicos de cada cliente.
El experto describe su metodología como un “enfoque lego”, donde diferentes bloques de activos se combinan para construir una cartera optimizada. Este enfoque permite un gran flexibilidad en la construcción de carteras, adaptándose a diferentes escenarios de mercado y perfiles de riesgo de los clientes.
El futuro de la gestión de carteras
El equipo de State Street Global Advisors está llevando su investigación un paso más allá, explorando la predicción de regímenes futuros mediante técnicas de aprendizaje profundo. "Deep learning es el proceso por el que el algoritmo intenta imitar el cerebro humano", explica Ung, describiendo cómo estas técnicas avanzadas pueden identificar patrones complejos en los mercados financieros.
“La transparencia e interpretabilidad de datos es clave en cualquier tipo de modelos de aprendizaje automático, ya que tanto los especialistas en asignación de activos, como los reguladores deben poder explicar y/o reconocer los factores que impulsan la predicción de cada régimen, facilitando la realización de una verificación de coherencia y por tanto, descartando predicciones realizadas sobre la base de “cajas negras”, argumenta el experto.. "
El trabajo de Ung representa un salto cualitativo en la gestión de carteras. Al combinar análisis de datos avanzados con inteligencia artificial, ofrecen una herramienta poderosa para navegar los complejos mercados financieros actuales, ayudando a mejorar la toma de decisiones de inversión y abrir nuevas posibilidades para estrategias de inversión basadas en datos objetivos y libres de sesgos humanos.
