Los grandes bancos de inversión, como Goldman Sachs, JP Morgan o Deutshe Bank, hace algunos años usan modelos de datos enriquecidos con Inteligencia Artificial (IA) y machine learning para gestionar un porcentaje significativo de sus inversiones. En Chile, la tendencia mundial recién comienza a permear, pero todavía hay que sortear ciertos escollos para su masificación.
El socio Líder Omnia AI Deloitte Chile, Andrés Awnetwant, comenta que la aplicación de la Inteligencia Artificial y de nuevos modelos de datos en la gestión de inversiones se da principalmente en tres ámbitos: en perfilar riesgo y cliente -quién es y sus atributos-; en definir dónde invertir y cómo, lo que se conoce como algotrading, y tercero, entender al cliente y sus patrones de consumo para entregarle una oferta de inversión personalizada.
En el caso del algotrading, la tendencia es gestionar una parte del portafolio con estas herramientas. “Toda esa venta algorítmica, existe hoy en bancos de inversión en portafolios de mayor riesgo, el que puede llegar a ser un 70% de la transaccionalidad comercial”, señala Awnetwant.
Comenta que en general toda la banca estadounidense, de Singapur y Canadá son fuertes en algotrading, pero respecto de su penetración en los portafolios de inversión de mayor riesgo en Chile es “algo minúsculo, no está embebido”.
Explica que si bien hay bancos en Chile que usan algoritmos en este ámbito, “lo utilizan como un músculo de apoyo para ciertas inversiones en ciertos portafolios, pero comparado con la penetración en otros países, es muy baja”.
La tecnología para aumentar el uso del algotrading existe, pero falta sortear brechas de ciberseguridad en la infraestructura tecnológica.
“No se puede hacer algotrading si las plataformas no son súper seguras y las de la banca chilena todavía no están en madurez cibersecurity 360, como para poder operar en forma masiva en algotrading”, advierte.
Y lo segundo, es que debe haber demanda, y aquí es donde entra la educación progresiva y paulatina de la base de clientes. “En general los latinos son muy escépticos para utilizar nuevas tecnologías que puedan sentir como una competencia, como sería el algotrading”, comenta.
Itaú predicción de variables
En el caso de Itaú AGF, el gerente general de Itaú AGF, Juan Pablo Araujo, señala que durante los últimos cinco años vienen incorporando herramientas de machine learning en el proceso de inversiones, principalmente en análisis y predicción de variables financieras y económicas y en potenciar los algoritmos usados en la construcción de portafolios.
Comenta que usan distintos algoritmos, por ejemplo, para estimar y clasificar factores que podrían tener información predictiva sobre variables macrofinancieras -como tipos de cambio, tasas de interés, valorización de instrumentos financieros-, analizar dinámicas de cambios de regímenes macroeconómicos y financieros, o reducir el impacto de los datos ruidosos para extraer las señales de información.
Araujo señala que el uso de estos algoritmos -que no son algotrading- tiene como objetivo ayudar a procesar información, cómo un complemento para apoyar la toma de decisiones del proceso de inversión.
“De esta manera podemos mejorar nuestras estimaciones de premios, retornos esperados, dislocaciones en los precios, y covarianzas de los distintos activos que conforman un portafolio, inputs esenciales en la construcción óptima de un portafolio”, dice.
Análisis predictivo y procesos
El director de Soluciones de Sura Investment Management, César Cuervo, señala que la industria de asset management viene en una tendencia hacia el escalamiento de servicios de inversión. En este contexto, se vienen explorando herramientas y algoritmos que permitan analizar e interpretar datos no estructurados como texto y, por otro, “se están dando pasos orientados al desarrollo y entrenamiento de agentes inteligentes que puedan tomar decisiones de inversión, particularmente dentro del campo de reinforcement learning (aprendizaje por refuerzo)”, dice.
Cuervo comenta que en el caso de Sura IM, hace algunos años usan algoritmos de machine learning para sacar partido a los datos disponibles, encontrar patrones y generar conocimiento, “no sólo desde el análisis predictivo, sino también para automatizar procesos y reducir carga operativa”.
Entre sus aplicaciones, están los procesos de asset allocation (asignación de activos), análisis de factores, estimación de variables, selección de vehículos de inversión y simulación de escenarios de retornos de activos, los que aplican a los fondos balanceados, multiactivos e internacionales. “Por ejemplo, utilizamos el clustering (agrupación) para clasificar las observaciones de variables, macro y de mercado en grupos e identificar los activos con mejores rendimientos dentro del universo definido, finalizando con el portafolio recomendado y que busque generar un retorno por sobre un portafolio balanceado”, señala Cuervo.
VER MÁS
MARKET DATA
<%userdata?.email%>
Editar perfil
Credencial
Salir
(Twitter)
Instagram
Facebook
LinkedIn
YouTube
TikTok
Alto contraste
Inteligencia Artificial
