Principales conclusiones de la ponencia de Richard Falk-Wallace, cofundador y director ejecutivo de Arcana, en la Cumbre AI los servicios financieros organizada por Artefact 12 de junio de 2024
Acerca de Richard Falk-Wallace: Es director ejecutivo y cofundador de Arcana, una Compañia a ayudar a los inversores institucionales a comprender los riesgos de sus carteras y a optimizar su rendimiento mediante sofisticados data . Se licenció en la Universidad de Columbia y cuenta con una amplia experiencia en el sector financiero.
Acerca de Arcana: Arcana es una Compañia ayuda a las instituciones a tomar decisiones fundamentadas mediante el uso de data propios data herramientas de análisis avanzadas. Combina su experiencia en tecnología y fondos de cobertura para ofrecer soluciones financieras de gran impacto.
Prácticas actuales en el análisis de riesgos y de hacinamiento
Los fondos más destacados 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 multimánager de renta variable «long-short» como a los inversores «long-only». Se hace hincapié en descomponer los componentes sistemáticos del rendimiento del rendimiento residual, prestando especial atención a la concentración entre los diferentes tipos de inversores.
Lo último en innovación: análisis avanzados de riesgos y aglomeraciones
Los fondos avanzados están desarrollando métodos sofisticados para comprender los riesgos de los valores cotizados, utilizando la exposición a factores y las señales de congestión procedentes de diversos mercados. Esto incluye un análisis detallado de la congestión a un nivel granular, en el que se examina la exposición a tipos específicos de inversores, como los fondos de cobertura y los gestores múltiples. Este enfoque en la congestión ayuda a perfeccionar las decisiones de inversión y a mitigar los riesgos.
El papel AIen la mejora de la selección de valores
AI el aprendizaje automático (ML) ofrecen un gran potencial para perfeccionar la selección de valores. AI procesar grandes cantidades de data no estructurados, como informes de inversión, notas de análisis y transcripciones de reuniones, y convertirlos en data estructurados. Esto contribuye a ampliar la comprensión sistemática y a reducir el alcance de las decisiones discrecionales, mejorando así el proceso de inversión en su conjunto.
Perspectivas de futuro: riesgos sistemáticos frente a riesgos idiosincrásicos
El futuro de la selección de valores reside en diferenciar de forma más eficaz entre los riesgos sistemáticos y los idiosincrásicos. AI ayudar a identificar y modelar estos riesgos, integrando la información obtenida de data no estructurados data de los procesos fundamentales. Este enfoque sistemático puede mejorar el rendimiento de la selección de valores al proporcionar una comprensión más clara de los riesgos implicados.
data no estructurados data AI
La integración data no estructurados data el proceso de inversión implica recopilar data fundamentales del proceso data comprender los cambios de tendencia y los factores temáticos. AI ayudar a traducir la información caótica en un marco sistemático, lo que facilita la selección de valores y la gestión del riesgo. Esta integración mejora la capacidad de identificar patrones sistemáticos y sintetizar conocimientos para una mejor toma de decisiones.
Equipamiento e integración de sistemas
El desarrollo de herramientas y sistemas fáciles de usar es fundamental para integrar AI en el proceso de inversión. Estas herramientas deben facilitar el acceso a dicha información a los directores de inversiones, gestores de carteras, gestores de riesgos y analistas. Un enfoque mixto que combine los conocimientos AI 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, son pocos los fondos que utilizan AI forma sistemática para la selección de valores. AI emplea 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 data sistemas coherentes, distinguiendo entre los datos relacionados con el alfa y los relacionados con el beta. Esto requiere una infraestructura sólida que permita separar y utilizar eficazmente los análisis de inversión.
