¿Cómo ha evolucionado la inversión cuantitativa en mercados bursátiles globales la última década en diferentes entornos macroeconómicos y con qué resultados?

La inversión cuantitativa se desarrolló inicialmente en torno a soluciones de inversión por múltiples factores con los que los inversores cuantitativos pudieron construir carteras diversificadas de diferentes empresas alrededor de primas de riesgo. Las técnicas cuantitativas se utilizaron para lograr la expresión más pura de esas primas de riesgo. En 2022 hemos experimentado una gran revolución, con la mayor parte del mercado consciente de las mejoras gracias a la inteligencia artificial. Esto no significa que los inversores cuantitativos no fueran ya conscientes del potencial de la inteligencia artificial, pero ha añadido curiosidad, ya que los algoritmos contemporáneos permiten una extracción muy buena de información y el mercado se centra en la información. Esto ha evolucionado en dos caminos principales: usar IA generativa moderna para condensar la información y emplearla para mejor proceso de decisión humana y algoritmos más alineados con el aprendizaje automático y técnicas avanzadas de cálculo para extraer información de datos no disponibles con los modelos tradicionales. Estas son las dos nuevas formas de invertir en inversión cuantitativa.

¿Qué ventaja ofrece la inteligencia artificial frente a los modelos cuantitativos tradicionales para identificar empresas con mejores perspectivas y generar un alfa consistente?

Para el inversor cuantitativo tradicional se trata de identificar señales para ser mejor con el momento de exposición a diferentes factores. Cuanta más información tengas, mejor te comportarás. Usamos inteligencia artificial para extraer información de un conjunto de datos de forma más eficiente. Hay rentabilidad en todas las empresas que ningún modelo puede generar de fuentes conocidas, como industria, sector, país, tipos de interés o estilo. Los instrumentos cuantitativos tradicionales presentan esta parte como retorno residual o idiosincrático, que la mayor parte del mercado siempre ha considerado ruido, sin contenido de valor añadido.  Afirmamos que con IA podemos extraer más información de ese residual para predecir cómo se comportará la empresa en relación con un índice de referencia o con sus pares en un periodo muy corto, entre un día y un mes. Estas predicciones no son accesibles para quienes utilizan métodos cuantitativos tradicionales para seleccionar empresas.

Uno de los principales retos de la inteligencia artificial es el problema de la caja negra. ¿Cómo hacen transparente su modelo y explican la decisión de inversión?

La inteligencia artificial abarca muchas técnicas o algoritmos. Los más populares hoy en día son las IA generativas o los famosos GPT, que nos permiten hablar con el teléfono. Pero esos GPT no están pensados para tratar números, sino para generar texto semánticamente coherente.  Sin embargo, pueden alucinar.  Además, si aconsejaran, es muy difícil entender de manera transparente cuál sería la mejor empresa en que invertir el próximo mes. Otros enfoques, el aprendizaje profundo, las redes neuronales o el aprendizaje supervisado con un bosque de árboles de decisión, tienen la ventaja de ser bastante eficientes para tratar los datos que caracterizan el mercado y tienen el valor añadido de ser transparentes si desarrollas el formalismo adecuado para entender la predicción. Pasamos dos años en nuestro equipo para aportar esta transparencia. Ha sido objeto de un artículo que publicamos en diciembre de 2021 sobre atribución del rendimiento en las técnicas de aprendizaje automático en el Journal of Finance and Data Science.

Su estrategia intenta generar mayores rentabilidades y, al mismo tiempo, mantener una exposición similar a sectores y factores respecto al índice de referencia. ¿Cómo logra ese equilibrio y mantiene un error de seguimiento de entre 1 y 1,5%?

Queremos extraer de los datos de mercado la predicción de rentabilidad específica e idiosincrática de una empresa, la fracción solo relacionada con esa empresa, su huella. La mayor parte de la rentabilidad de una empresa proviene de factores comunes a todos sus pares. Eliminamos esos factores tradicionales y nos centramos en predecir rentabilidades idiosincráticas, no dependientes del estado del mercado, es decir, invariantes respecto al ciclo económico. Replicamos un índice de referencia como cualquier inversor pasivo, pero no posición por posición. Seleccionamos un subconjunto de empresas que pertenecen al índice con optimización. A eso añadimos información relacionada con el potencial exceso de rentabilidad que no depende de los estados del mercado. Eso permite el mismo perfil de riesgo, beta de uno, con el índice de referencia, con mismos factores y características. Restringimos la desviación de la exposición activa por empresa a un máximo de +-1% respecto al peso en el índice y de igual modo, limitamos la desviación en por industria o país. No solo replicamos el índice, sino que añadimos un alfa neto anualizado entre 1 y 1,5% puramente por la selección. No se trata de región o sector financiero frente a semiconductores u otros, sino de seleccionar la empresa adecuada en el momento oportuno por sus propias características, con predicción de su rentabilidad específica e idiosincrática en un horizonte mensual, de forma cuantitativa, consistente, repetible, reequilibrando semana tras semana, mientras la cartera se mantiene alineada con el índice de referencia, usando señales de IA.

¿Cuáles son los principales riesgos y limitaciones de este enfoque?

La limitación de este enfoque es un presupuesto de riesgo muy estricto. En estrategias solo de largo expresamos la máxima eficiencia limitando el error de seguimiento por debajo del 2%. Estamos en torno al 1,5%. Si aumentáramos más el error de seguimiento, empezaría a aparecer algún comportamiento no deseado que puede eliminar eliminaría la consistencia del alfa que podemos generar. Así que, con predicciones de IA, replicamos un índice con exceso de rentabilidad de aproximadamente 1 a 1,5% y error de seguimiento máximo anualizado del 2%. Intentar aumentar la rentabilidad aumentando el error de seguimiento expone la estrategia a señales aleatorias.

Pictet-Quest Global Driven AI-Driven Global Actions se lanzó en marzo de 2024. En sus dos años y medio ha registrado más de 56% de rentabilidad frente a 49% del mundo MSCI. ¿Qué explica este rendimiento superior y qué tan confiado está en la estrategia a largo plazo?

Hemos proporcionado una réplica del mundo MSCI con exceso de rentabilidad positivo en las dimensiones que has mencionado. Lo explica la eficiencia en identificar oportunidades de corta duración empresa por empresa. Más de 90 al 95% del exceso de rentabilidad que hemos producido es puramente de selección. No se trata de exposición activa o a factores de estilo, industria o países que puedan explicar el alfa generado. Es la expresión pura de eficiencia de nuestro algoritmo aplicado al índice, que identifica semana tras semana las empresas más adecuadas.

De cara al futuro, ¿en qué entorno de mercado podría encontrar la estrategia más difícil generar alfa y qué papel seguirá desempeñando la participación humana en las decisiones de inversión?

Las predicciones que usamos son totalmente independientes del mercado, así que no espero un estado de mercado en el que resten valor. Lo que puede ocurrir es que no haya suficiente información en el conjunto de datos para producir un efecto valioso del componente de IA, mientras que la mayoría de las componentes tradicionales siguen ahí como residuales a tu favor o en contra. Pero en general, a largo plazo, esperamos que este enfoque funcione de forma bastante robusta en todas las condiciones del mercado que puedas imaginar, no solo en el universo global MSCI World, también en el S&P 500, MSCI Europa y mercados emergentes, donde estamos alineados con las expectativas que teníamos.

Hoy, el fondo solo largo gestiona 3.700 millones y gestionamos mil millones adicionales en una línea largo-corto, neutral respecto al mercado. Así que gestionamos 4.600 millones, de los cuales al menos 3.600 en EE. UU. Probablemente sea uno de los mayores éxitos comerciales en toda la historia de Pictet.

En el fondo el último mes, ¿cómo explica la atribución de exceso de rentabilidad?

Podemos extraer información donde los instrumentos tradicionales fallan. Un modelo puede captar la riqueza total de los datos, generando simplificaciones excesivas. Es el punto débil de cualquier tipo de modelo. El residual siempre se ha considerado ruido sin valor y la teoría tradicional dice que el mercado nunca compensará el riesgo idiosincrático, pues acumulando muchas empresas puedes diversificarlo. Pero tenemos pruebas de que, a corto plazo, tenemos una pequeña ventaja competitiva en un día o un mes. De media, podemos tener más acierto que error. El casino gana en la ruleta porque el cero no tiene color. En el mercado, para ganar 51% de las veces necesitamos 400 nombres diferentes en cartera. Nuestra probabilidad de ganar es independiente de hacia dónde va el mercado, lo que Trump haya decidido o la inflación y los tipos de interés. Solo depende de nuestra capacidad para centrarnos en el componente idiosincrático durante un corto periodo de tiempo, con 400 nombres entre las mejores oportunidades que encontramos en el universo, replicando el índice y teniendo más aciertos que errores.

Parece fácil, pero no es fácil...

En una caza donde para calcular la trayectoria de una flecha, conoces tu arco, la flecha, la longitud del arco, el ángulo de elevación. Puedes añadir presión, temperatura, viento, lo que sea. Haciendo paralelismo con el mercado, beta, sensibilidad a tipos de interés y parámetros tradicionales para la trayectoria de una acción en el tiempo. Pero para tener casi seguro algo para cenar hay una alternativa: una escopeta. Esa es la versión IA de los modelos tradicionales. Por eso obtenemos algo de alfa. Eso es lo que hacemos cada día.