Las oportunidades que ofrece la inteligencia artificial parecen ilimitadas. Nuevos conceptos, nuevas maneras de estudio y nuevas aplicaciones a industrias de siempre, como es el caso de la gestión de activos. Pero primero de todo, ¿sabrías identificar el campo de actuación de la inteligencia artificial y del machine learning? Estaríamos ante el gigante que es la inteligencia artificial y dentro de esta tendríamos el machine learning que es solo una parte, pero si nos centramos en el área financiera es prácticamente lo único que nos interesa. ¿Cuál es el rol del machine learning en la industria de la gestión de activos? Lo analizamos.
Lo primero que hay que tener claro es de qué manera funciona. El machine learning es como una estadística moderna, se basa en ejemplos. En el mundo de las finanzas los datos son fundamentales y el desarrollo del machine learning va de la mano de la disponibilidad de datos (aquí entra en escena el big data).
Así bien, la pregunta sería: ¿Y por qué nos interesa tanto el machine learning en la gestión? Pues bien, Carlos Jaureguizar, CEO de Robexia AI TechConsulting, empresa especializada en la automatización de procesos para instituciones bancarias, nos lo explica.
“Porque la estadística tradicional funciona muy mal en los mercados financieros, demasiado complejos para las simples presunciones de las formulas clásicas. Sin embargo, los algoritmos -en constante evolución- del machine learning, el aumento de la cantidad de datos y la capacidad de cálculo permiten y permitirán avances sin precedentes. La incorporación de la inteligencia artificial a la gestión puede ser un desafío, pero es inevitable”.
De qué manera funciona el machine learning
Carlos Jaureguizar diferencia tres tipos de aprendizaje, que nos ayudan a hacernos una composición del rol que puede desempeñar el machine learning en la gestión de activos. Los explicamos:
Aprendizaje supervisado, que es el que requiere que le demos ejemplos con sus soluciones. Ahora bien, los mercados financieros tienen algunas circunstancias, como el arbitraje o el carácter temporal de las series, que hacen que esto no sea tan fácil.
Aprendizaje no supervisado. Aquel en el que el resultado del algoritmo no es correcto o incorrecto, simplemente es útil o no.Por ejemplo, el algoritmo de clustering agrupa elementos. No clasifica, sino que agrupa. Esa agrupación no es correcta o incorrecta, es la que ha hecho, nos sirva para algo o no.
Y aquí otra pregunta ¿Por qué agrupar por industria y sector? Realizando patrones con el machine learning, “si agrupamos en base a una serie de factores podemos encontrar cosas muy curiosas. En el área de riesgos es muy interesante hacer ciertas agrupaciones (clusters) para detectar el grupo de los raros. Los que tengan un comportamiento extraño los podemos retirar de las carteras. Quizá no sepamos decir exactamente por qué, pero desde luego, comportamientos extraños es sinónimo de riesgo y lo que queremos en la gestora es, siempre, controlar el riesgo”, explica Jaureguizar.
El último, el aprendizaje por refuerzo. Este sí supone el verdadero aprendizaje como tal porque en este tipo de algoritmos, un programa ejecuta acciones en un modelo para maximizar una recompensa por lo que observa el resultado de sus acciones y, en función de ello, aprende si ha sido una acción correcta o no. En definitiva, aprende por ensayo y error. ¿De qué manera ponerlo en práctica? Una gestora puede utilizar un programa para que tome decisiones de compraventa y las valore maximizando la rentabilidad de una cartera. En cierto modo, sería como programar un simulador de trading que va tomando decisiones.
El análisis completo de Carlos Jaureguizar lo puedes leer aquí.
