Un desastroso 2018 hizo que muchos participantes del mercado cuestionaran los fundamentos generados por computadora sobre los cuales las estrategias de inversión cuantitativa habían construido una reputación aparentemente invencible. La proliferación del sector también generó temores de que una multitud en el mismo espacio de inversión produciría otro agotamiento al estilo de Gestión de Capital a Largo Plazo.
Pero los expertos en finanzas cuantitativas (o quants) subsisten y una creciente proliferación de fuentes de datos, el mayor nivel de detalle de esos datos y la creciente sofisticación de la tecnología que los procesa, probablemente garantizarán que el sector continúe encontrando nuevas fuentes de generación de alfa por mucho tiempo más. Para comprobarlo, pregúntele a cualquier gerente de inversiones, sostuvo Sandy Rattray, director de inversiones de Man Group, a un panel de expertos en el evento para empresas del buy-side de Bloomberg en Londres.
A menudo estamos divididos en "personas que toman decisiones de forma discrecional y los 'quants'... pero siendo realistas no existe un administrador discrecional que no esté utilizando todo tipo de técnicas cuantitativas para manejar sus carteras", dijo Rattray.
Algoritmos recargados
Hasta el año pasado, las empresas que utilizan herramientas cuantitativas se encontraban entre los fondos de cobertura con mejor rendimiento, con activos cercanos a US$ 1 billón. Pero dos episodios repentinos de violenta volatilidad del mercado los dejaron conmocionados, y por primera vez desde 2009, los inversores sacaron más dinero del que pusieron.
Desde esa dolorosa experiencia, los administradores han recalibrado los algoritmos que brindan a sus poderosas computadoras instrucciones sobre cómo buscar señales de inversión a partir de datos del mercado o información de un grupo creciente de fuentes. También los 'quants' aun son valorados como herramientas de mitigación de riesgos. La fe de Rattray en el sector es firme, pero otros fondos de cobertura prefieren buscar un equilibrio entre la automatización y las estrategias manuales.
“Las máquinas son buenas en algunas cosas, como ordenar la información de manera rápida y precisa. No tienen sesgos de comportamiento, y son eficientes y adaptables. Los seres humanos son buenos para otras cosas, como elaborar hipótesis de inversión, tener puntos de vista prospectivos sobre un mercado e identificar dónde hay un cambio de paradigma", dijo Fiona Frick, directora ejecutiva de Unigestion Group.
Para Unigestion, los algoritmos son herramientas que se implementan junto con una gran cantidad de otras entradas, incluido el arcaico instinto humano.
"La máquina es la opción predeterminada, pero luego hay un gerente de inversiones para corregir o desafiar a la máquina si cree que sucedió algo en el mercado", dijo Frick sobre el enfoque de Unigestion para desarrollar sus estrategias de inversión.
Los datos son el rey
La perseverancia de los 'quants' está recibiendo ayuda de un crecimiento en el conjunto de datos disponibles sobre el cual pueden trabajar sus algoritmos. Los datos de los mercados y los balances ahora se complementan con la información de fuentes alternativas, incluidas las imágenes satelitales, la actividad minorista e incluso las transacciones de pagos personales. Tecnologías como el aprendizaje automático y otras formas de inteligencia artificial también están permitiendo que los fondos de cobertura interpreten mejor y tomen decisiones basadas en la oleada de nueva información.
Si bien eso es bueno para buscar un nuevo alfa, también puede descubrir nuevos factores de inversión, dijo Nathan Lacaze, codirector ejecutivo para el Reino Unido y jefe de gestión de cartera de EMEA en Dimensional Fund Advisors.
Pero advirtió que la recopilación de datos sin pensar por qué son necesarios puede llevar a los 'quants' a callejones sin salida.
"Es costoso, no hay escasez y hay que tener cuidado de no someterse a la minería de datos, porque eso no prueba nada, sin importar la cantidad de datos que se tenga", dijo Lacaze. Los conjuntos de datos cuidadosamente seleccionados son esenciales para probar las hipótesis de un 'quant', pero la minería de datos podría generar "señales que pueden no ser relevantes en el futuro".
Desafíos futuros
También hay otras limitaciones. El crecimiento de los 'quants' ha llevado a algunos a cuestionarse si están desplazando oportunidades para encontrar retornos alfa. Además, los algoritmos han demostrado ser, hasta ahora, poco confiables para pronosticar eventos futuros y movimientos del mercado. Y aunque las barreras de entrada se están reduciendo en términos de costo de infraestructura, están aumentando a medida que la creciente complejidad de las fuentes de datos requiere una comprensión cada vez más profunda sobre cómo procesar esa información.
"Es muy fácil encontrar patrones, pero ¿cómo se juntan esas piezas?" preguntó Lacaze.
Sin embargo, la industria cuantitativa todavía está en sus primeras etapas de consumo de datos, y la tecnología está cambiando todo el tiempo a medida que los analistas buscan abordar esas deficiencias. El mismo hecho que las estrategias cuantitativas tengan puntos débiles es una prueba de que hay margen de mejora, y eso ofrece más oportunidades para obtener una ventaja, dijo Rattray.
