Cómo la IA puede ayudar a seleccionar portafolios de inversión óptimos

La inteligencia artificial (IA) y el aprendizaje automático (machine learning) permiten hacer mejores estimaciones sobre el comportamiento de las inversiones. Por ejemplo, se pueden hacer predicciones sobre el nivel futuro de los precios de los energéticos, y con ellas, encontrar soluciones que nos protejan mejor del riesgo o mejoren el desempeño de los portafolios de inversión.

¿Cómo se podrían combinar, por ejemplo, acciones de empresas petroleras, posiciones de petróleo crudo o de gas natural con futuros de petróleo y de gas para obtener soluciones que minimicen el riesgo de la posición total? O ¿cómo se podrían alcanzar los mejores perfiles de riesgo-rendimiento?

Cómo medir el riesgo

En lugar de medir el riesgo de la manera tradicional, como la varianza o desviación estándar de los rendimientos, se pueden emplear otras medidas coherentes, un término técnico para designar aquellas medidas que representan adecuadamente el riesgo. Asimismo, se pueden desarrollar métodos numéricos que agregan granularidad y valores extremos a la muestra de datos históricos considerada.

Con estas estimaciones y a través del uso de algoritmos de optimización, se obtienen soluciones de cobertura que minimizan el riesgo de las posiciones, contrastando las soluciones obtenidas con todas las medidas de riesgo, tanto las convencionales como las coherentes. Asimismo, se extiende el uso de los algoritmos para encontrar portafolios eficientes para cada una de las medidas de riesgo propuestas.

La fuerza de la historia

Un elemento central de estas metodologías es la suposición de que algunas de las características de los datos históricos se conservan –ya sea los rendimientos esperados, las volatilidades, las correlaciones o las formas de distribución—, y que estos elementos que ya hemos perfilado, se puedan mantener en un futuro próximo para el que deseamos hacer predicciones y, con ellas, hallar soluciones que sean útiles para ese entonces.

Aun cuando hay métodos estadísticos para hacer predicciones, su utilidad está sujeta a que se cumplan en el futuro las suposiciones empleadas y a que la distribución de los datos no se altere o aparte de ciertas familias ya conocidas. En cambio, la IA permite sortear este problema.

Un nuevo enfoque exitoso

Mediante el aprendizaje automático y, particularmente, las redes neuronales –ambas herramientas de IA—, se puede entrenar un modelo de computadora con datos históricos reales y contrastar sus predicciones con la de otros datos reales. De esta forma, con la diferencia entre lo predicho y lo observado se pueda ajustar el modelo para que las diferencias finales sean mínimas.

Pensemos, por ejemplo, en el precio del petróleo WTI. Si queremos predecir el precio de este marcador para los próximos meses, podemos crear un modelo en el que a la serie histórica de precios del crudo la acompañemos con series de datos de variables económicas, financieras, político-sociales, entre otras.

Estos datos –por ejemplo, de los últimos 20 años—, los podemos dividir en dos grupos: el primero con los datos de los primeros 15 años y el segundo con los de los últimos cinco años. Podemos entrenar al modelo con los datos de los primeros 15 años y que sus predicciones nos sirvan para contrastar los niveles de precio del petróleo de los 5 años finales. Además, podemos programar con las diferencias iniciales arrojadas, que el modelo ajuste sus parámetros (con la ayuda de un supervisor) y que, finalmente, se alcance un modelo cuyas predicciones se acerquen lo más posible a lo que realmente sucedió.

Una vez que se obtenga este modelo calibrado, se le puede alimentar con las estimaciones de los datos económicos y financieros de los siguientes meses y con estos, el modelo arroje una predicción del precio del petróleo WTI para ese mismo periodo.

La metodología de inteligencia artificial empleada para estimar el precio futuro del WTI también se aplica en la estimación de la volatilidad futura de los precios y otras medidas de riesgo asociadas. Con estas predicciones se alimentan los modelos de optimización y se encuentran las mejores soluciones de inversión o cobertura.

Un ejército a nuestro servicio

El aprendizaje automático equivale a tener un ejército de analistas a nuestra disposición que llevan a cabo, de manera casi simultánea, distintos métodos para resolver un problema y, para cada uno de esos métodos, ensayar múltiples soluciones hasta dar con la mejor. En los casos que hemos ejemplificado, el trabajo de estos analistas virtuales está supervisado por una persona. Más aún, mediante el proceso paralelo se pueden conjuntar varios ejércitos que atiendan el mismo problema, incluso, desde lugares remotos.

* El contenido de este artículo está basado en un capítulo de nuestra autoría sobre cobertura y optimización de portafolios de activos de energía, incluido en el libro Data Analytics Applications in Emerging Markets (Springer 2022).

Los autores son profesor de cátedra de EGADE Business School (Roberto R. Barrera Rivera) y consultor privado y profesor retirado de EGADE Business School (Humberto Valencia-Herrera).

Artículo publicado originalmente en Alto Nivel.