La ciencia de los datos está en todas partes, y es necesario adaptar los procesos de inversión tradicionales en bonos para sacarle todo el partido.
Conforme la inversión en renta fija va dejando atrás un pasado principalmente analógico y se adentra en un futuro digital, los gestores de inversión deben estudiar cómo aplicar el creciente poder de la ciencia de los datos y la IA en el conjunto del negocio. Cuando se realiza con eficacia, la integración de tecnologías nuevas y emergentes puede generar perspectivas más acertadas y mejorar la toma de decisiones con mayor rapidez, aprovechando a su vez todo el potencial del talento humano. Compartimos a continuación algunas reflexiones sobre nuestra propia experiencia digital.
El diseño de centros de excelencia puede impulsar las capacidades de inversión
La ciencia de los datos puede mejorar una gama muy diversa de actividades de inversión, y creemos que es importante que los inversores elijan las áreas específicas en las que desean construir sus centros de excelencia en este ámbito. Esas capacidades deben desarrollarse a lo largo el tiempo, ya que es un campo que avanza con gran rapidez.
Cuando se diseñan y emplean con eficacia, los centros de excelencia pueden ayudar a reforzar las capacidades de inversión, compartir nuevas perspectivas con los clientes y lograr un mejor aprendizaje mutuo. Por ejemplo, en los grupos de negocio de AB estamos mejorando nuestras funciones de distribución, operaciones, riesgo y cumplimiento. Desde una perspectiva de inversión estratégica, podemos utilizar herramientas basadas en ciencia de los datos para ayudar a crear asignaciones de activos y someterlas a pruebas de estrés, incorporando supuestos diversos y preferencias de los clientes.
La ciencia de los datos y la innovación proporcionan las capacidades para diseñar una plataforma de inversión de última generación: un paso decisivo para lograr mejores resultados de inversión y satisfacer las necesidades de los clientes.
Los conjuntos de datos crecen, al igual que la necesidad de recopilarlos y sintetizarlos
A la hora de aprovechar la ciencia de los datos, un buen planteamiento consiste en recopilar toda la información posible y sintetizarla para medir su impacto en la toma de decisiones. En los últimos años, las fuentes y el volumen de datos disponibles han aumentado exponencialmente. Para procesarlos en su totalidad, creemos conveniente evaluar los datos utilizando las cuatro «V»: volumen, velocidad, variedad y veracidad, esta última porque es imprescindible que los datos sean verdaderos.
Muchos de los conjuntos de datos que aplicamos a nuestros procesos de inversión no están estructurados. Por ejemplo, el «web scraping» permite a los inversores encontrar datos procedentes de artículos de prensa y otros medios de comunicación que posteriormente procesan para apoyarles en la toma de decisiones. Una aplicación inmediata es la obtención de datos directamente de la web para evaluar la situación fiscal de los diferentes estados y ciudades de Estados Unidos, lo que ofrece pistas sobre su solvencia. Por ejemplo, hemos explorado sitios web de colegios y universidades locales para obtener datos sobre el número de matrículas y los índices de graduación de los estudiantes, datos que pueden indicar si esas comunidades tienen una economía pujante. Ese tipo de datos no estructurados, que no provienen de ningún proveedor, pueden aportar perspectivas muy valiosas para entender mejor los riesgos y evaluar los valores, algo que resulta fundamental cuando se invierte tanto en renta fija como en renta variable.
La combinación de conjuntos de datos tradicionales con datos no estructurados puede aportar mejores perspectivas. Por ejemplo, los analistas pueden evaluar las economías analizando aspectos sumamente concretos, como los centros comerciales de manera individualizada para reconocer tendencias, incluidas las compras de los consumidores o las operaciones inmobiliarias. Estas conclusiones globales pueden proyectarse a los precios de los activos inmobiliarios y los valores, así como a los atributos de las carteras. En comparación con las laboriosas hojas de Excel, la ciencia de los datos permite obtener más conocimientos en mucho menos tiempo, perspectivas que resultan más precisas y cada vez más poderosas.
Tanto el análisis fundamental como el cuantitativo pueden beneficiarse
La ciencia de los datos tiene un enorme potencial para mejorar tanto el análisis fundamental como el análisis cuantitativo, algo que nos parece sumamente interesante. Los analistas fundamentales utilizan herramientas de ciencia de los datos para obtener mejores perspectivas mediante un conocimiento más profundo de la historia subyacente de una emisión de crédito en particular. Si se interpretan correctamente aplicando los conocimientos expertos y la experiencia de un analista humano, las nuevas dimensiones que ha revelado la IA puede ayudar a entender las verdaderas motivaciones de un emisor.
La ciencia de los datos también puede aportar nuevas perspectivas al análisis cuantitativo. Por ejemplo, en épocas anteriores necesitábamos contar con datos históricos correspondientes a largos períodos de tiempo para validar tendencias. Sin embargo, la IA puede hacer eso mismo con períodos más cortos aplicando un análisis más transversal. La incorporación de las técnicas adecuadas basadas en la ciencia de los datos puede ajustar los enfoques internos existentes mediante la IA, de manera que resulten más eficaces. No se trata de formular preguntas directas e indiferenciadas a una herramienta como ChatGPT con la esperanza de que nos revele perspectivas definitivas.
Los inversores deben ser hábiles a la hora de aplicar la ciencia de los datos a los análisis, ya que cuando una empresa es objeto de examen es más consciente de que sus acciones se vigilan de cerca. Un ejemplo ilustrativo es el procesamiento del lenguaje natural (PLN). Actualmente se utiliza con bastante frecuencia para analizar las cuentas de resultados de las empresas, y vemos que los consejeros delegados son muy cuidadosos a la hora de escoger sus palabras y mensajes a fin de proyectar mayor optimismo de cara a los análisis de los inversores. Por este motivo, preferimos centrarnos en los parámetros de sentimiento de los analistas, que, a nuestro juicio, proporcionan una señal más estable y sólida a lo largo del tiempo.
Los procesos basados en IA pueden permitir un mejor aprovechamiento del talento humano
La ciencia de los datos está cambiando radicalmente los procesos de inversión: no solo los hace más rápidos y eficientes, sino que además permite aprovechar mejor el talento humano.
Puede utilizarse para digitalizar e integrar las distintas fases de enfoques de inversión que a menudo son lagos y lineales, abarcando desde el análisis hasta la revisión, la aprobación por parte del comité de inversión, la creación de órdenes y la negociación. Para nosotros, un primer paso esencial fue la creación de un centro de análisis digital. También son imprescindibles las herramientas para identificar bolsas de liquidez debido a la elevada fragmentación de los mercados de bonos. Además, un asistente chatbot virtual puede integrar instantáneamente los datos de análisis y liquidez para recomendar operaciones.
El ahorro de tiempo y la eficiencia que ofrece la ciencia de los datos son evidentes. Pensemos, por ejemplo, cuando se debe decidir qué nuevas emisiones de bonos resultarían adecuadas para las carteras de los clientes. El número de nuevas emisiones es enorme, y los memorandos de oferta pueden tener hasta 100 páginas. Los procesos capaces de leer y aplicar criterios predeterminados a los documentos permiten a los analistas centrarse en las conclusiones y fragmentos más importantes extraídos con IA, y formular recomendaciones basándose en sus conocimientos expertos. Esto supondría un ahorro de tiempo de entre el 50% y el 70%, de manera que los analistas podrían acceder a un número de nuevas emisiones entre dos y tres veces mayor.
Creemos que automatizar las partes más rutinarias del proceso de inversión y equipar a los equipos de carteras con análisis cuantitativos y fundamentales mejorados permiten tomar decisiones más acertadas que se fundamentan en el conocimiento humano. Esa función siempre será imprescindible y, por tanto, los expertos humanos deberán seguir al mando del proceso de inversión y rendir cuentas.
Ese conocimiento humano se aplica a los productos en renta fija tradicionales, donde los gestores de carteras seleccionan directamente los valores que más les gustan. También se aplica a los productos sistemáticos, donde los gestores de carteras crean una biblioteca de factores predictivos que los procesos de aprendizaje automático aplican para seleccionar valores.
El talento debe evolucionar ante los nuevos retos que afrontan los humanos y la IA
Hay un aspecto que la ciencia de datos no podrá cambiar: la necesidad de analistas y gestores de carteras de renta con gran lucidez. El mundo de la inversión es tan complejo, variado y difícil de predecir que seguirán necesitándose esas habilidades y cualidades humanas. Asimismo, las estrategias de inversión requieren esa lógica e intuición que les permita definir la manera de desplegar capital en las carteras. Fundamentalmente, la IA debería seguir siendo un conjunto de herramientas para mejorar la toma de decisiones humanas, no para sustituirla, y los expertos humanos deben seguir siendo los responsables de las decisiones.
Sin embargo, las capacidades requeridas cambian conforme evoluciona la ciencia de los datos. Para la nueva generación de inversores en renta fija, la capacidad de escribir código será esencial, como parecido a lo que ocurría con los sólidos conocimientos de Excel que se exigía a la generación anterior. La capacidad de colaborar estrechamente con científicos de datos y expertos tecnológicos en plantilla también será un requisito fundamental para ayudar a las empresas a sacar el máximo partido a la ciencia de los datos y la IA.
Esta labor incluirá la creación de nuevas vías para entrelazar la IA con los procesos de inversión. A nuestro juicio, el desarrollo de herramientas de IA que puedan mejorar el análisis de escenarios será una oportunidad enorme. Aunque es necesario ahondar más en este campo, prevemos que las máquinas terminarán por aprender a modelizar variables económicas, como la inflación, o incluso activos, como la deuda privada, lo que permitiría a los expertos humanos tomar decisiones de inversión y asignación mejor fundamentadas y con mayor rapidez.
También creemos que la personalización probablemente concitará gran interés en el futuro. Tradicionalmente, la tarea de adaptar las carteras de los clientes ha sido un proceso muy trabajoso. Sin embargo, la IA dotará a aquellos gestores de inversión capaces de desarrollar procesos digitalizados eficaces y efectivos de capacidades más sólidas que permitan ofrecer soluciones a medida a los clientes de manera rentable. Estas son solo algunas de las posibilidades que vislumbramos en la senda que permitirá aprovechar el creciente poder de la ciencia de los datos para lograr mejores resultados.
