Principales conclusiones de la ponencia magistral de Richard Falk-Wallace, cofundador y consejero delegado de Arcana, en la Cumbre de IA para Servicios Financieros de Artefact - 12 de junio de 2024
Sobre Richard Falk-Wallace: Es consejero delegado y cofundador de Arcana, una empresa centrada en permitir a los inversores institucionales comprender los riesgos de las carteras y optimizar el rendimiento mediante sofisticados análisis data. Se licenció en la Universidad de Columbia y cuenta con una amplia experiencia en el sector financiero.
Acerca de Arcana: Arcana es una empresa que ayuda a las instituciones a tomar decisiones informadas utilizando data propias y herramientas de análisis avanzadas. Combina experiencia en tecnología, y fondos de cobertura para proporcionar soluciones financieras de alto impacto.
Prácticas actuales en el análisis de riesgos y aglomeraciones
Los mejores fondos se centran cada vez más en comprender las perspectivas únicas y los rendimientos idiosincrásicos, al margen de los factores macroeconómicos. Este enfoque se aplica tanto a los fondos multigestores long-short de renta variable como a los inversores long-only. Se hace hincapié en descomponer los componentes sistemáticos de la rentabilidad a partir de la rentabilidad residual, con un ojo puesto en la aglomeración entre los distintos tipos de inversores.
La vanguardia: conocimientos avanzados sobre riesgos y aglomeraciones
Los fondos avanzados están desarrollando métodos sofisticados para comprender los riesgos de las acciones públicas, utilizando las exposiciones a los factores y las señales de aglomeración de diversos mercados. Esto incluye un análisis detallado del "crowding" a nivel granular, examinando las exposiciones a tipos específicos de inversores, como los hedge funds y los multigestores. Este enfoque del crowding ayuda a afinar las decisiones de inversión y a mitigar los riesgos.
El papel de la IA en la mejora de la selección de valores
La IA y el aprendizaje automático (ML) ofrecen un potencial significativo para refinar la selección de valores. La IA puede procesar grandes cantidades de data no estructurados, como memorandos de inversión, notas de investigación y transcripciones de reuniones, traduciéndolos en conjuntos de data estructurados. Esto ayuda a ampliar la comprensión sistemática y a reducir el alcance de las decisiones discrecionales, mejorando así el proceso general de inversión.
Perspectivas de futuro: riesgos sistemáticos frente a idiosincrásicos
El futuro de la selección de valores de renta variable pasa por separar con mayor eficacia los riesgos sistemáticos de los idiosincrásicos. La IA puede ayudar a identificar y modelizar estos riesgos, integrando las percepciones de los procesos no estructurados data y fundamentales. Este enfoque sistemático puede mejorar el rendimiento de la selección de valores al proporcionar una comprensión más clara de los riesgos que entraña.
data no estructurado e integración de la IA
Integrar la data no estructurada en el proceso de inversión implica captar la data fundamental del proceso y comprender los cambios de régimen y los factores temáticos. La IA puede ayudar a traducir la información caótica en un marco sistemático, ayudando en la selección de valores y la gestión del riesgo. Esta integración mejora la capacidad de identificar las piezas sistemáticas y sintetizar las percepciones para una mejor toma de decisiones.
Herramientas e integración de sistemas
El desarrollo de herramientas y sistemas fáciles de usar es crucial para integrar los conocimientos de la IA en el proceso de inversión. Estas herramientas deben facilitar el acceso a los conocimientos a los directores de inversiones, gestores de carteras, gestores de riesgos y analistas. Un enfoque mixto que combine los conocimientos basados en la IA con los métodos tradicionales de selección de valores puede mejorar significativamente la gestión de la renta variable en los mercados públicos.
Aplicaciones prácticas y uso actual
En la actualidad, pocos fondos utilizan la IA de forma sistemática para la selección de valores. La IA se utiliza principalmente para la búsqueda eficiente y el análisis de documentos. Sin embargo, la esperanza es desarrollar marcos que incorporen grandes cantidades de data de inversión en sistemas coherentes, distinguiendo entre percepciones alfa y beta. Esto requiere una infraestructura sólida para separar y utilizar eficazmente la investigación sobre inversiones.
