Las gestoras utilizan desde los años 90 herramientas para el tratamiento masivo de datos y algoritmos para tomar decisiones
Los avances en inteligencia artificial tienen pasmados a los inversores de todo el mundo. Tras años hablando del metaverso, el machine learning y otras zarandajas, Microsoft puso las cosas en su sitio hace un mes cuando anunció la compra, por casi 10.000 millones de dólares, de OpenAI, la empresa que ha desarrollado el fascinante ChatGPT. Esta tecnología permite crear códigos informáticos de una forma muy intuitiva, resolver problemas complejos y hasta componer poesías, basándose en instrucciones básicas. Siendo tan listo esta especie de robot, ¿sería capaz de invertir en Bolsa mejor con los humanos?
La respuesta corta es que no. La respuesta larga es que el uso masivo de datos lleva mucho tiempo siendo una herramienta muy útil para los gestores de fondos, pero no marca la diferencia. En términos bélicos, los ejércitos cuentan cada vez con instrumentos más precisos para el vuelo, la detección de enemigos o el ataque, pero los aviones y los drones los siguen dirigiendo seres humanos. Además, muchos rivales también disponen de esos avances, con lo que la ventaja siempre es relativa.
Javier Rodríguez-Alarcón sería uno de esos pilotos-financieros. Este directivo es jefe del departamento de estrategias cuantitativas de la gestora de activos de Goldman Sachs en Europa y Oriente Medio. Los fondos de esta división, denominados Goldman Sachs Core Equity, acumulan más de 200.000 millones de dólares de activos y presumen de lograr retornos mejores que los productos comparables. “Para nosotros, esta irrupción de Chat GPT y otras inteligencias artificiales es más una evolución que una revolución”, explica el inversor.
Goldman Sachs lleva desde los años 90 utilizando la tecnología para invertir. Primero empezaron a incorporar los llamados “datos alternativos”, información no estrictamente financiera pero que puede dar pistas de por dónde van a ir los mercados. Luego incorporaron métodos de aprendizaje automático para sus algoritmos, y modelos de procesamiento natural del lenguaje. “La aplicación de la última evolución de las inteligencias artificiales es el paso lógico en la evolución de nuestro proceso de inversión”, apunta Rodríguez-Alarcón.
El despliegue científico en estos fondos es apabullante. El equipo de gestores utiliza los algoritmos que crean un grupo de 60 especialistas en tecnología, con formación en matemáticas, física, computación, ingeniería... pero también en lingüística o geografía. Los quants, como se define a estos perfiles profesionales más tecnológicos, buscan bases de datos debajo de las piedras y crean programas y algoritmos que los conviertan en información valiosa para tomar decisiones de inversión.
Con todo, los resultados tampoco son apabullantes. El fondo Goldman Sachs Europe Core Equity ha rentado un 5,8% de media anual en los cinco últimos años. En la línea de los fondos de su categoría. El de Bolsas de países emergentes solo ha subido un 0,5% de media cada año desde 2018. Un retorno bastante pobre para tanta inteligencia artificial.
Las palabras de moda en la inversión algorítmica
- Big data. Se trata de recabar millones de datos para luego poder analizarlos a toda velocidad y extraer conclusiones sobre el sentimiento de mercado. Una de las mayores compañías de recopilación de estos datos, llamada RavenPack, tiene su sede en Marbella (Málaga). Su fundador, el estadounidense Armando González, explica que en una décima de segundo son capaces de analizar cientos de miles de datos.
- Machine learning. El aprendizaje automático es una rama de la inteligencia artificial que permite que las máquinas aprendan sin ser expresamente programadas para ello. En el ámbito de la inversión, permite que un algoritmo vaya descubriendo qué tipo de estrategias están funcionando mejor, y desechar las que no son efectivas.
- Datos alternativos. Se trata de buscar información más allá de los balances anuales de las compañías o las grandes cifras macroeconómicas. Osman Ali, jefe del equipo de inversión cuantitativa de Goldman Sachs, comenta que “uno de los datos que utilizamos es el grado de ocupación de los aparcamientos de grandes cadenas de tiendas, como Ikea. Observamos una imagen por satélite del parking a determinada hora y la comparamos con la registrada el día anterior, y eso nos permite predecir cuál va a ser la tendencia de los ingresos de una compañía antes de que presente sus resultados”.
Goldman Sachs no es la única firma que trata de utilizar los algoritmos para conseguir mejores retornos para sus clientes. Abante Asesores fichó en 2017 a un astrofísico que había trabajado para la NASA para que pusiera en marcha un fondo de inversión basado en inversiones cuantitativas. Narciso ‘Txixto’ Benítez tardó seis años en desarrollar su propio algoritmo para invertir.
El fondo que gestiona, el Abante Quant Value Small Caps, busca oportunidades en compañías de pequeña y mediana capitalización de todo el mundo. Ahora bien, los resultados, no han terminado de acompañar. En los cinco últimos ejercicios, el retorno medio anual ha sido del 2,7%, frente al 5% de los índices comparables.
Los gestores más tradicionales se muestran muy escépticos con el papel que pueden jugar estos complejos sistemas de inversión. Álvaro Guzmán de Lázaro, consejero delegado de Azvalor y uno de los gestores de fondos con más prestigio de España, explica que en su caso “ni siquiera tenemos en los equipos de inversión los monitores de Bloomberg [la omnipresente base de datos financieros, que utilizan casi todas las gestoras]; preferimos ir recopilando nosotros la información, ir mirando cada balance, cada documento, hasta la última línea, hasta dejarnos los ojos en los pies de página”. Ese análisis más artesanal y exhaustivo les ha funcionado. El año pasado su fondo Azvalor Internacional fue uno de los mejores del mundo, rentando un 46%. Y en los últimos cinco años este vehículo ha generado una rentabilidad del 14% de media anual.
En algunos casos, los fondos basados en algoritmos han terminado directamente mal. Atl Capital tenía un vehículo llamado Atl Quant 25 cuyo gestor utilizaba para operar “matemática pura”. Juan Antonio Sanz, director de gestión cuantitativa, utilizaba ecuaciones que “tratan de simular cómo va a evolucionar el espacio-tiempo”. Sin embargo, las rentabilidades cosechadas fueron un desastre. Perdió un 40% en 2016, un 26% en 2017, un 20% en 2019. En seis años, su retorno medio anual fue del -19%. En 2021, la gestora optó por liquidar el vehículo.
Otro aspecto de la inversión automatizada son los denominados robo advisors. Se trata de herramientas que diseñan una cartera de fondos de inversión para cada perfil de riesgo, con más o menos Bolsa según las preferencias y necesidades del cliente. Firmas como Indexa Capital, Myinvestor y Openbank cuentan con este tipo de servicios. Sin embargo, a pesar de su pomposo nombre en inglés, el modelo es bastante sencillo y pasivo. Un comité de inversiones –compuesto por personas, no por robots– es quien decide que el perfil de más riesgo debe tener en cartera un 27,5% de fondos de Bolsa de Estados Unidos, un 16% de fondos de Bolsa europea y otra parte en fondos de países emergentes. En los perfiles más conservadores se van añadiendo más fondos de bonos. Pero este modelo de construcción de carteras es más antiguo que la computación cuántica y se basa sobre todo en definir bien la asignación de activos y buscar productos con bajas comisiones.
El Santo Grial
Para los más acérrimos defensores de la inversión cuantitativa existe un Santo Grial de estas estrategias basadas en algoritmos. Se trata del fondo Medaillon, de la gestora Renaissance Technologies. El vehículo, creado por el matemático estadounidense Jim Simons en los años 80 obtuvo un retorno medio anual entre 1988 y 2018 del 66%. Algo estratosférico.
Para poder comprender a cuánto equivale esta progresión geométrica de las inversiones baste decir que quien pudo invertir con Simons y su equipo 100 dólares en el arranque del fondo, los habría convertido en 400 millones de dólares 30 años después. Parece pura alquimia. Pero es la magia del interés compuesto unida a la piedra filosofal de la inversión.
Simons, que trabajó para la Agencia de Seguridad Nacional (la NSA, que depende del Ejército de Estados Unidos) para ayudar a descifrar códigos de los soviétos durante Guerra Fría, fue un pionero en lo que se conoce como inversión cuantitativa: aprovechar todos los datos que ofrecen los mercados financieros para detectar patrones e ineficiencias que pueden ser explotados para obtener rendimientos en poco tiempo. Cuando nadie lo hacía, Simons y su equipo recabaron millones de datos históricos de la cotización de materias primas, bonos y divisas. No solo el cierre de mercado, sino la evolución diaria de la cotización. Tras volcar esas toneladas de información en ordenadores, los matemáticos buscaban correlaciones de precios, tendencias, pautas... Buscaban algo de orden dentro del caos financiero.
Ahora bien, el modelo de Simons y su firma Renaissance Technologies no ha podido ser replicado. Para empezar, el emblemático fondo Medaillon era un fondo de inversión libre (hedge fund, en inglés) que tiene una extrema flexibilidad para comprar todo tipo de activos financieros, incluidos derivados. Además, puede apalancarse o concentrar su inversión en una sola apuesta, algo que no pueden hacer los fondos convencionales.
El propio Simons trató de replicar su exitosa estrategia, al menos en parte, con un fondo de inversión convencional: el Renaissance Institutional Equities Fund, RIEF, que llegó a tener 35.000 millones de dólares. Pero el proyecto fracasó. En 2008 perdió un 17% y lo acabaron cerrando.
Aunque las gestoras convencionales están muy lejos acercarse a la hazaña de Simons y su fondo Medaillon, el hecho de apoyarse en la tecnología sí les ha facilitado mucho la vida. Javier Rúa, del área de dirección de estrategia de clientes de Banco Sabadell, explica en una tribuna que tener estos cerebros artificiales les ha permitido ganar tiempo en el análisis y poder abarcar un universo de inversión más amplio. “Se puede crear un proceso automático que monitorice cientos de estrategias de forma periódica y que extraiga, según unas métricas predefinidas, si alguna de ellas tiene potencial en el mercado actual. Una vez filtradas, a aquellas que pueden tener potencial alcista, se les puede aplicar una última capa de análisis humano”, explica.
