TRIBUNA de Lucía Catalán, directora general para Iberia y Latinoamérica, Goldman Sachs AM. Comentario patrocinado por Goldman Sachs AM.
Cuando hablamos de big data, nos gusta referirnos a dos estadísticas. En primer lugar, el 90% de todos los datos que existen a nivel mundial han sido generados en los últimos dos años. En segundo lugar, diversos estudios han demostrado que menos del 2% de todos esos datos están siendo analizados. Es decir, existe una enorme cantidad de nueva información que no estamos mirando. Lo que esto significa es que si tienes la capacidad y la tecnología para captar, analizar y aprender de esta información, potencialmente puedes tener una ventaja competitiva frente a otros inversores.
Desde sus inicios, la gestión activa ha tratado de descubrir oportunidades antes de que fueran apreciadas por el resto del mercado. El crecimiento exponencial de los datos está influyendo en nuestras decisiones de inversión y en nuestras prioridades de investigación. En Goldman Sachs Asset Management (GSAM), intentamos ir más allá del uso de datos convencionales a través de la incorporación de fuentes alternativas de información que te permitan obtener una ventaja comparativa. Los avances tecnológicos nos dan la capacidad de poder procesar una enorme cantidad de datos de forma muy rápida, con el objetivo de descubrir conexiones que no son tan fáciles de captar para el resto de inversores.
Gracias al desarrollo de las técnicas de aprendizaje automático y su capacidad de analizar rápidamente los nuevos datos, estamos al principio de una nueva era que creemos va a transformar cada industria de forma global. Las técnicas cuantitativas en el pasado dependían de reglas más simples para seleccionar compañìas basadas en ciertas métricas predeterminadas, por ejemplo price-to-book. Las nuevas técnicas de inteligencia artificial permiten a los algoritmos aprender y adaptarse a datos que cambian constantemente. El procesamiento natural del lenguaje (NPL), utiliza ordenadores para leer e interpretar una enorme cantidad de informes, lo que nos permite incorporar datos en formato textual en varios idiomas de un amplio abanico de fuentes. Una de las aplicaciones principales del NPL es captar el sentimiento en un texto, es decir, es el tono de un nuevo artículo o informe de research publicado sobre una compañía positivo o negativo.
Las técnicas de aprendizaje automático nos permiten también analizar las relaciones sutiles entre compañías que podrían ser invisibles al ojo humano, a esto lo llamamos intercompany momentum. El momentum tradicional se enfoca en la persistencia de los movimiento de precio de una determinada acción, mientras que intercompany momentum busca entender como el movimiento del precio de una empresa puede impactar, aunque de forma sutil, a la cotización de otras empresas relacionadas. Estas relaciones no tan obvias pueden ser detectadas a través de las agrupaciones entre compañias o clusters en datos con formato textual, como artículos, informes de research, base de datos del regulador y listado de patentes en cada país.
Los datos forman la base de nuestro proceso de inversión, pero su análisis y el proceso de construcción de las carteras todavía requiere el juicio humano. Nuestros gestores ejercen su juicio a la hora de seleccionar los datos y las herramientas de análisis que forman parte de sus decisiones de inversión, e igualmente cuando revisan y aprueban cada transacción en cada uno de los fondos que gestionamos. Nuestro objetivo es asegurarnos que todas las posiciones tienen sentido, que son intuitivas desde un punto de vista económico y que tienen el tamaño apropiado para las condiciones actuales de mercado. No se trata de tener un ordenador en la esquina que dicta transacciones sin interacción humana. Buscamos nuevos factores que tengan un impacto en el precio de las acciones y nuestros gestores son responsables de la investigación que va detrás de ello.
El éxito en nuestra investigación no es el encontrar una nueva compañía en que invertir, sino un nuevo factor o métrica de inversión que puede ayudarnos a mejorar la forma en que seleccionamos entre compañías. Los factores de inversión deberían tener un fundamento económico y los datos nos permiten el poder probar empíricamente nuestras hipótesis de inversión. Lo que no haríamos es trabajar en la dirección contraria, observando relaciones dentro de los datos que nos puedan llevar a justificar un hecho determinado.
Con el crecimiento y disponibilidad de nuevas fuentes no convencionales de información, tales como los datos de tráfico en la red, archivos de patentes e imágenes por satélite, aquellas gestoras que dispongan de los medios adecuados para aprovecharse de ellos, dispondrán de una ventaja informativa que les ayudará a tomar mejores decisiones de inversión. Esta es la filosofía del equipo cuantitativo de GSAM con más de 180 profesionales y con una trayectoria de más de 20 años en la gestión de activos.
Desde GSAM, creemos en las nuevas posibilidades que ofrece la Inteligencia Artificial como herramienta dentro de nuestro proceso de inversión y vamos a seguir invirtiendo en innovación y en la aplicación de los últimos avances tecnológicos para obtener rentabilidades superiores para nuestro clientes.
