Invirtiendo con Data Science

El Journal of Portfolio Management (JPM) es una de las publicaciones más prestigiadas, y más leídas, en el ámbito de las inversiones. Su éxito se debe a que ha privilegiado los artículos relevantes desde un punto de vista práctico, y no ha dado cabida a ejercicios matemáticos fantasiosos desvinculados de la realidad. El editorial de su último número (escrito por J. Simonian, M. López de Prado y F. Fabozzi) hace una predicción interesante, y lapidaria. En síntesis, el JPM anticipa que los progresos de los últimos años en la disciplina conocida como data science (un conjunto de técnicas estadísticas y computacionales que permiten analizar enormes cantidades de datos, estructurados y no-estructurados) terminarán por relegar a un rol muy secundario las técnicas de análisis más tradicionales. Es decir, la predicción es que la relevancia de los modelos lineales y simples, basados en supuestos demasiado ideales (distribuciones normales, ausencia de retroalimentación, técnicas de mínimos cuadrados), y con atractivos más estéticos que base empírica sólida, acabarán por jugar un rol muy secundario en lo que es el análisis de inversiones. El futuro (según el JPM) estará dominado por algoritmos computacionales más complejos (redes neuronales, machine learning, y técnicas inspiradas por mecanismos de selección natural), que están mejor equipados para detectar patrones de regularidad y tendencias, que las herramientas más tradicionales. El artículo presenta un ejemplo interesante: un analista debe decidir si recomendar o no invertir en una cadena de restaurantes cuyas acciones han mostrado recientemente un fuerte impulso en el precio (stock price momentum). Un analista tradicional posiblemente habría empleado un sinnúmero de modelos econométricos basado en los llamados ratios y parámetros de comparabilidad para llegar a una conclusión. El analista del ejemplo, sin embargo, ha complementado sus análisis con imágenes satelitales de los estacionamientos de los referidos restaurantes, combinadas con técnicas de reconocimiento de imágenes, para detectar si el número de automóviles en los estacionamientos ha ido aumentando o disminuyendo en los últimos meses. El mismo número del JPM trae otro artículo interesante, basado en la experiencia de la Universidad de California (UC). La UC tiene un portafolio de inversiones (endowment) superior a los US$ 10 mil millones, muchos de ellos en activos poco líquidos, cuya valoración bajo métodos tradicionales es compleja. El artículo describe en detalle como el uso de data science puede introducir más rigurosidad en lo que tradicionalmente es un ejercicio de valoración basado en criterios muy subjetivos. Bienvenidos al futuro del análisis financiero. ¿O es ya el presente? A los pocos días de leer este comentario conocí al manager de un fondo de inversiones de carácter más bien especulativo. Su estrategia era simple. Primero, sus horizontes de inversión eran cortos: a lo más dos días. Y segundo, sus decisiones de inversión estaban principalmente basadas en un análisis lingüístico de las noticias del día (escritas y audiovisuales) con relación a ciertas acciones, y con el apoyo de un software especializado. Dependiendo de si el panorama con relación a cierta empresa—pintado por los medios de comunicación—era positivo o negativo, tomaba posiciones largas o cortas en las acciones respectivas. Le pregunté, un poco en serio y un poco en broma: ¿entonces no usas el CAPM? La respuesta fue clara y honesta: no lo conozco, mi Ph.D. es en biología computacional. No me atrevo a pronosticar si en cinco años más este fondo habrá quebrado, o, si por el contrario, su manager se habrá convertido en el nuevo George Soros. Lo que si me atrevo a predecir es que no en cinco, pero sí en dos años más, un MBA educado bajo los paradigmas tradicionales, no va a tener mucho que aportar en términos de manejo de inversiones. Columna publicada en El Mercurio.