¿Puede el aprendizaje automático ayudar a los fondos de pensiones?

Tras la introducción de los modelos de aprendizaje automático (machine learning), los inversionistas institucionales han encontrado una forma de gestionar sus portafolios más adaptada a sus necesidades

¿Puede el aprendizaje automático ayudar a los fondos de pensiones?

Desde 1997, opera en México el sistema de pensiones de contribución definida. A través de cuentas individuales, los fondos de las aportaciones realizadas por el patrón, el trabajador y el gobierno se invierten en diversos instrumentos financieros, tanto en el mercado mexicano como en los mercados internacionales, a través de fondos de pensiones denominados SIEFORE.

La introducción del esquema de pensiones de contribución definida en varios países, promovida por el Banco Mundial a mediados de la década de 1990, trajo consigo un aumento en el número de inversionistas institucionales dentro de los mercados financieros de los países que implementaron este nuevo sistema.

Si bien hoy en día se considera que los fondos de pensiones juegan un papel importante y positivo en los mercados de capitales y la economía de los países, existen diversos estudios que tratan de identificar si existen diferencias en el impacto que han tenido los fondos de pensiones en países desarrollados y emergentes.

Mejorar las condiciones de jubilación

Las reformas a los sistemas de pensiones implementadas en México desde 1992 y en particular, la entrada en operación del Sistema de Ahorro para el Retiro (SAR), permitieron mejorar la sostenibilidad financiera del país. Sin embargo, es necesario fortalecer las condiciones en las que se jubilan las y los trabajadores. Para ello, se requieren algunas reformas al sistema para ajustar las condiciones de jubilación a la dinámica laboral y demográfica del país.

De acuerdo con el Banco Interamericano de Desarrollo (BID)[1],  es importante considerar propuestas de reforma organizadas en torno a tres ejes estratégicos:

  1. Mejorar la gobernabilidad del sistema
  2. Aumentar la cobertura y el nivel de las pensiones presentes y futuras
  3. Reducir los desequilibrios en la transición entre sistemas

Potenciar los ahorros del sistema con inteligencia artificial

Dentro de estos tres ejes estratégicos, se encuentran propuestas adicionales para potenciar los ahorros en el sistema, tales como reducir los costos operativos, establecer un mecanismo automático de ahorro voluntario y mejorar la eficiencia del ahorro mediante la mejora del régimen de inversión.

En ese sentido, se vuelve cada vez más importante para los fondos de pensiones contar con más herramientas y modelos que les permitan optimizar sus portafolios de acuerdo con sus objetivos y necesidades. Por tanto, para este tipo de inversionista institucional, la correcta gestión de portafolios a largo plazo es la decisión más importante.

Tras la introducción de los modelos de aprendizaje automático (machine learning), la gestión de portafolios a largo plazo ha cambiado. Ahora los grandes inversionistas institucionales han encontrado una forma de gestionar sus portafolios que parece estar más adaptada a sus necesidades, en comparación con los modelos tradicionales, surgidos a partir de teorías financieras.

En la actualidad, muchos de estos inversionistas institucionales ya han adoptado la inteligencia artificial para sus decisiones de gestión y diversificación de portafolios.

Adicionalmente, para el caso de los fondos de pensiones, existen estudios que, apoyados en técnicas de aprendizaje automático, no solo procuran resolver problemas de optimización de la gestión de portafolios, sino también intentan pronosticar el comportamiento de los recursos acumulados y estimar la fecha en que cada trabajador decidirá retirarse de la vida laboral.

Por ejemplo, además de tecnologías de análisis de datos, se ha utilizado una herramienta de aprendizaje automático denominada boosted decision tree -debido a la proximidad de esta técnica aplicada en el pronóstico financiero- para estimar de manera personalizada los recursos acumulados en un fondo de pensiones de un afiliado de acuerdo con sus propios niveles económicos y aspiraciones de crecimiento. Este modelo fue validado incluso con una administradora de fondos de pensiones en Perú, y los resultados arrojaron una muy buena aproximación.

Además, algunas aseguradoras también se han interesado en el aprendizaje automático para detectar de forma temprana el retiro de recursos en un momento dado, disponiendo de una adecuada planeación. Se han utilizado algoritmos como vector machine, logistic regression y random forest con datos de planes de pensiones privadas para predecir si una persona se jubila antes o después de los 65 años, según sus características individuales y los factores macroeconómicos.

Finalmente, debido a las condiciones demográficas de México, donde la población económicamente activa continuará aumentando progresivamente, los activos del SAR han crecido rápidamente y se espera que sigan incrementándose, se vuelve crucial analizar el impacto que tendrá el crecimiento de los activos SAR en los mercados financieros de renta variable y deuda de México, ya que esto permite visualizar las mejoras que requiere el régimen de inversión actual.

*El contenido de este artículo está basado en un capítulo de nuestra autoría sobre fondos de pensiones en mercados emergentes, incluido en el libro Data Analytics Applications in Emerging Markets (Springer 2022).

Las autoras son profesoras de cátedra de EGADE Business School (Martha León Alvarado) y de la Universidad Autónoma Metropolitana (Beatriz Mota Aragón).

Artículo publicado originalmente en Alto Nivel.

[1] Diagnóstico del sistema de pensiones mexicano y opciones para reformarlo (2019) https://publications.iadb.org/es/diagnostico-del-sistema-de-pensiones-mexicano-y-opciones-para-reformarlo

Articles of Finanzas + Innovación
Ir a investigación
EGADE Ideas
in your inbox