Invertir en IA: Más allá de la moda

Las estrategias cuantitativas siempre han estado impulsadas por los datos y la tecnología, y la IA es el último capítulo de esa evolución. Es importante señalar que la IA en la inversión no es algo completamente nuevo. Las técnicas de ML y PLN llevan décadas investigándose y aplicándose en nuestras estrategias.

Lo que es diferente ahora es la magnitud de lo que pueden hacer estas técnicas de IA y la variedad de datos que pueden manejar. En lugar de sustituir a los métodos cuantitativos probados, la IA los está mejorando. Piense que es como pasar de una caja de herramientas manuales a herramientas eléctricas: el trabajo es el mismo, pero nuestro objetivo es hacerlo más rápido y con más eficacia.

Machine learning

Por ejemplo, el machine learning (ML) puede descubrir patrones complejos en los datos, incluidas relaciones no lineales e interacciones sutiles que los modelos tradicionales podrían pasar por alto. Esto nos permite perfeccionar las señales existentes o descubrir nuevas fuentes de alfa. Por ejemplo, al combinar una señal de inversión clásica con datos sobre la opinión formada en torno a las noticias, nuestro equipo cuantitativo mejoró su capacidad para identificar valores susceptibles de repuntar tras una reacción exagerada. El ML también puede agrupar valores similares en función de rasgos compartidos, como la cadena de suministro o el uso de tecnología, lo que añade profundidad a la gestión de riesgos. Este tipo de información ayuda a que los modelos cuantitativos se adapten mejor a la rápida evolución de los mercados.

Procesamiento del lenguaje natural (PLN)

La capacidad de la IA para interpretar el lenguaje ha avanzado rápidamente, pasando del simple recuento de palabras a grandes modelos lingüísticos capaces de entender los matices, el tono y la intención. Mediante el análisis de datos textuales como noticias, informes financieros o reseñas de empleados, e incluso escuchando el tono de voz en las llamadas sobre beneficios, las técnicas de procesamiento del lenguaje natural (PLN) ayudan a revelar ideas más profundas sobre el sentimiento. Tanto si se trata de evaluar la confianza de un director general, detectar cambios sutiles en el estado de ánimo de los clientes o identificar a los actores clave de la cadena de suministro de una empresa, el PLN enriquece nuestra comprensión del panorama empresarial en general. Estas señales más ricas alimentan nuestros modelos cuantitativos, lo que puede suponer una ventaja a la hora de calibrar la confianza del mercado y la salud de las compañías.

Datos alternativos

El ámbito de los datos alternativos -tipos de datos no convencionales o no tradicionales que no se han utilizado en el pasado para tomar decisiones de inversión- hace que estas técnicas de IA sean posibles y cada vez más esenciales. Con un volumen, variedad y velocidad de generación sin igual, los datos alternativos ofrecen información en tiempo real sobre la actividad económica que los datos tradicionales a menudo no recogen. Por ejemplo, los datos de las tarjetas de crédito pueden indicar cambios en el gasto de los consumidores, mientras que la información de envíos puede rastrear los flujos comerciales globales.

Separar el ruido de la señal y convertir el torrente de datos alternativos en ideas de inversión tangibles significa combinar técnicas innovadoras de IA con hipótesis económicas razonables. La incorporación de la IA en los procesos de inversión ofrece tanto a los inversores cuantitativos como a los fundamentales las ventajas de una mayor rapidez, fuentes de información más amplias y un mejor procesamiento de la información. Pero también requiere ser decidido, lúcido y transparente al utilizar la IA en nuestros procesos.

Con tantos datos nuevos y potencia de cálculo a nuestro alcance, los inversores cuantitativos pueden aprovechar hoy fuentes de datos y técnicas inimaginables hace una década. El equipo cuantitativo de Robeco, por ejemplo, ha ampliado sus herramientas para incluir desde señales específicas del sector hasta nuevos conjuntos de datos alternativos.

Para garantizar que las estrategias cuantitativas evolucionan de forma saludable y basada en pruebas, y que mantengan la solidez que esperan los clientes, hemos desarrollado estrategias específicas basadas en IA en nuestra incubadora. Esto ha llevado, por ejemplo, al lanzamiento de nuestro ETF Dynamic Theme Machine (DTM).

Dynamic Theme Machine

La inversión temática es muy atractiva, pero también plantea ciertos retos. A menudo, los inversores solo adquieren exposición a un tema una vez que ya está en marcha, con lo que pierden las primeras subidas. Las temáticas emergentes pueden ser demasiado pequeñas como para justificar un producto independiente. Y una vez invertido, puede ser difícil saber cuándo un tema se está desvaneciendo, lo que lleva a perder oportunidades en otros lugares.

Mediante el uso de IA, el ETF Dynamic Theme Machine (DTM) de Robeco aborda estos retos a través de un enfoque cuantitativo multitemático. Nuestro motor de IA, que utiliza técnicas como el PLN, escanea fuentes de datos amplias y diversas para detectar patrones, identificar el momentum temático y señalar cuándo un tema está ganando o perdiendo tracción. Esto nos permite asignar dinámicamente entre temáticas emergentes y consolidadas, utilizando un proceso sistemático que nos ayuda a rotar eficientemente. Nuestros algoritmos de selección de valores y construcción de carteras garantizan una rigurosa gestión del riesgo en todo momento.

La IA también se ha convertido en un tema dominante para los inversores fundamentales. Con su capacidad aparentemente infinita para asumir diversas tareas, desde la codificación informática hasta el desarrollo de fármacos, la IA se ha anunciado como la próxima era de la tecnología, similar al ordenador personal, Internet y el smartphone. Aunque las repercusiones de estos cambios tecnológicos se dejan sentir ampliamente, suele haber menos beneficiarios.Por lo tanto, nos centramos en identificar a los proveedores de tecnologías fundacionales y a los que adoptan la tecnología dentro del núcleo de su negocio para crear valor.

Fundamentos de la IA

Comprender la diferenciación competitiva y el valor añadido real de las compañías que suministran tecnología en el desarrollo de la IA es fundamental para obtener rentabilidad a largo plazo. En anteriores eras tecnológicas, un puñado de empresas que proporcionaban capital intelectual fundacional acaparaban la mayor parte de la creación de valor a lo largo del ciclo. Por ejemplo, este fue el caso de IBM en la era del mainframe, Microsoft e Intel en la del PC, Apple y Qualcomm en la del móvil, y Amazon y Google en la de Internet. Aunque muchas otras tecnologías desempeñaron un papel en esos ciclos, a menudo estos facilitadores y proveedores de componentes resultaron ser intercambiables. Sospechamos que se producirá una dinámica similar en la era de la IA.

Usuarios que adoptan la IA

Además, los usuarios que adoptan la IA son compañías de múltiples sectores que la integran para mejorar sus productos u operaciones. Prácticamente todas las empresas utilizarán la IA de alguna forma -como todas las compañías utilizan hoy ordenadores o Internet-, pero el impacto en su rentabilidad financiera será diferente. Por ejemplo, Internet permitió que surgiera una nueva clase de competencia, desde el comercio electrónico hasta los medios de streaming, un desarrollo que transformó sus respectivas industrias. Del mismo modo, la computación en nube permitió un nuevo modelo de negocio para el software, ya que los proveedores de software como servicio (SaaS) no sólo distribuyeron a los proveedores tradicionales, sino que también ampliaron el mercado de las aplicaciones empresariales. La IA ya ha creado oportunidades para que los proveedores de SaaS existentes mejoren sus ofertas, así como para que los nuevos participantes se replanteen el modelo una vez más.

Estrategia Digital innovations

Estas oportunidades exigen un análisis cuidadoso, que examine la sustancia que hay detrás de las reivindicaciones de la IA. ¿La compañía tiene datos propios? ¿Talento en IA? ¿Una estrategia defendible para monetizar sus capacidades en IA? Con estas preguntas pretendemos separar la moda de la realidad y el potencial. Nuestra estrategia Digital innovations pretende incluir la exposición a actores establecidos y a nombres emergentes prometedores, cuando proceda, siempre sopesados frente a los riesgos.