Principales conclusiones de la ponencia de Richard Falk-Wallace, cofundador y consejero delegado de Arcana, en la cumbre AI for Financial Services Summit de Artefact - 12 de junio de 2024
Acerca de Richard Falk-Wallace: Es consejero delegado y cofundador de Arcana, una web Compañia centrada en permitir a los inversores institucionales comprender los riesgos de las carteras y optimizar el rendimiento mediante sofisticados análisis data . Es licenciado por la Universidad de Columbia y cuenta con una amplia experiencia en el sector financiero.
About Arcana: Arcana is a company that helps institutions make informed decisions using proprietary data and advanced analysis tools. It combines expertise in technology, and hedge funds to provide high-impact financial solutions.
Prácticas actuales de 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 de renta variable long-short como a los inversores long-only. Se hace hincapié en la descomposición de los componentes sistemáticos de la rentabilidad a partir de la rentabilidad residual, prestando especial atención a la aglomeración entre los distintos tipos de inversores.
La vanguardia: información avanzada sobre riesgos y aglomeraciones
Los fondos avanzados están desarrollando métodos sofisticados para comprender los riesgos de las acciones públicas, utilizando exposiciones a factores y señales de aglomeración de diversos mercados. Esto incluye un análisis detallado del crowdlending a nivel granular, examinando las exposiciones a tipos específicos de inversores, como los hedge funds y los multigestores. Esta atención al crowdlending ayuda a afinar las decisiones de inversión y a mitigar los riesgos.
AIen la selección de valores
AI y el aprendizaje automático (machine learning, ML) ofrecen un importante potencial para perfeccionar la selección de valores. AI puede procesar grandes cantidades de datos no estructurados data, como notas de inversión, apuntes de investigación y transcripciones de reuniones, y convertirlos en conjuntos estructurados data . 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 riesgos idiosincrásicos
El futuro de la selección de valores de renta variable pasa por separar mejor los riesgos sistemáticos de los idiosincrásicos. AI puede ayudar a identificar y modelizar estos riesgos, integrando las percepciones de los procesos no estructurados data y fundamentales. Este planteamiento sistemático puede mejorar los resultados de la selección de valores al proporcionar una comprensión más clara de los riesgos que entraña.
data e integración de AI
Integrar la información no estructurada data en el proceso de inversión implica captar el proceso fundamental data y comprender los cambios de régimen y los factores temáticos. AI 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 los elementos sistemáticos y sintetizar la información para mejorar la toma de decisiones.
Herramientas e integración de sistemas
El desarrollo de herramientas y sistemas de fácil uso es crucial para integrar los conocimientos de AI en el proceso de inversión. Estas herramientas deben facilitar el acceso a la información a los directores de inversiones, gestores de carteras, gestores de riesgos y analistas. Un enfoque mixto que combine la información de AI con los métodos tradicionales de selección de valores puede mejorar considerablemente la gestión de la renta variable en los mercados públicos.
Aplicaciones prácticas y uso actual
En la actualidad, pocos fondos utilizan AI de forma sistemática para la selección de valores. AI se utiliza principalmente para la búsqueda eficiente y el análisis de documentos. Sin embargo, la esperanza es desarrollar marcos que incorporen grandes cantidades de inversión data en sistemas coherentes, distinguiendo entre percepciones alfa y beta. Esto requiere una infraestructura sólida para separar y utilizar eficazmente la investigación sobre inversiones.
