Conforme el machine learning va penetrando en los diferentes sectores de la economía, una de las preguntas que más se repite es qué impacto tendrá en el sector financiero y si supondrá una auténtica revolución.
Para responder a esa pregunta es necesario tener claro cómo y en qué casos puede aportar valor el machine learning en la inversión.
Como es bien conocido, las técnicas del machine learning funcionan bien en entornos estacionarios, es decir cuando los datos provienen de procesos estocásticos en los que la distribución de probabilidad no cambia con el tiempo.
En finanzas, tanto el precio de los activos como sus derivados suelen ser variables aleatorias con estadísticos cambiantes y largas colas. Es muy importante saber que el machine learning no es una varita mágica y entender bien las características del activo para saber discernir en qué casos el machine learning puede aportar ventajas.
Unos de los aspectos que se buscan en cualquier inversión es el alfa, el rendimiento adicional de un activo o portfolio respecto a la rentabilidad calculada por un modelo de equilibrio teniendo en cuenta el riesgo.
El uso del machine learning tiene que ayudar a mejorar el alfa. La disponibilidad de nuevas fuentes de datos, en ocasiones instantáneas, y las nuevas técnicas para analizarlos y aprender de ellos pueden aportar ventajas competitivas a los inversores.
Para describir la propuesta de valor del machine learning en la inversión vamos a utilizar una matriz que tiene dos ejes-dimensiones:
- Eje X: Accesibilidad y conocimiento de la información por el resto de los participantes. Mide el grado de conocimiento de la información, bien sea porque no está accesible al resto o porque está accesible antes en el tiempo.
- Eje Y: Relevancia de la información con la función objetivo, que usando teoría de la información denominaremos Información mutua. La Información mutua de dos variables aleatorias X, Y, mide la dependencia mutua entre las dos variables, concretamente la reducción de la entropía de la variable X debido al conocimiento del valor de la otra variable Y.
De esta forma podremos tener desde información descontada y poco relevante como información pública que no tenga relevancia predictiva para nuestro objetivo hasta información que (bien por no estar estructurada o estar inaccesible) aporte una ventaja competitiva y tenga mucha relevancia. El caso de esta última sería información como patrones de redes sociales, información de transacciones, datos de satélites, datos de tráfico, etc.
Por ejemplo, para predecir el comportamiento del precio de las materias primas se podrían utilizar imágenes y datos provenientes de satélites y agregar y estructurar los datos para poder estimar como cambia la producción.
Otro ejemplo sería estimar la buena acogida que ha tenido un nuevo producto analizando los tweets y comentarios en las redes sociales sobre el producto.
El mix de información no descontada y relevante junto con los algoritmos adecuados para predecir el precio de los activos son las claves del éxito.
El machine learning va a provocar una gran transformación en la industria de la inversión. Sin embargo, hay que tener en cuenta que no es una varita mágica y que se necesita mucho esfuerzo y conocimiento del sector para obtener información relevante, estructurarla y modelarla.
