Documentos de Académico
Documentos de Profesional
Documentos de Cultura
V
papel fundamental. Esto está provocando que
aproximadamente dos tercios de las operacio- IERNES 23 de agosto de acuerdo. Con ello, un simple tuit
nes que reciben los mercados financieros sean 2019, en plena guerra puede derivar en rápidas y fuer-
generadas por bots de forma automática. Esta comercial entre EE.UU. y
importante transformación que está sufriendo
tes correcciones del mercado.
el sector permite intuir que la supervivencia de China, el gigante asiático anun-
las empresas del sector en los próximos años, cia a través de un comunicado De sobra es conocido que la
sin duda, estará determinada por la incorpo- oficial del Ministerio de Finanzas información es crucial en la toma
ración de estas tecnologías.
la imposición de aranceles a las de decisiones y que el hecho de
importaciones estadounidenses disponer de ella antes que el
Palabras clave: inteligencia artificial, in- a partir del 1 de septiembre. Esto resto es una ventaja clara frente
dustria financiera, machine learning. provoca una rápida caída del al mercado, luego en este senti-
0,85 por 100 en la cotización de do, si tuviésemos a nuestro al-
los futuros del índice bursátil S&P cance la posibilidad de obtener
Abstract 500 en un intervalo de apenas de forma instantánea el comuni-
cinco minutos. cado de China y el tuit de Trump,
The increase in available technological
solutions and their capabilities, coupled
la capacidad de tener un algorit-
with the crystallization of the big data Tres horas más tarde, el presi- mo que pudiese interpretar de
phenomenon and the recent advances in dente de EE.UU., Donald Trump, forma inmediata el contenido
artificial intelligence, are giving the financial a través de su cuenta de Twitter, del mismo, en sentido positivo
industry a world of new management
possibilities. On a continuous basis, people,
anuncia una respuesta inminente o negativo para el mercado, y
businesses and the machines themselves en forma de nuevos aranceles, un sistema de decisión que eje-
are generating a multitude of data and e incluso solicita a las empresas cutase operaciones de compra
information that can generate large-scale americanas que dejen de produ- o venta directamente contra el
movements in financial markets. This requires
large managers to develop systems that are
cir en China. En cuestión de once mercado en función de aquella,
connected to all sources of information, minutos, tras la publicación del ¿no podríamos sacar rendimien-
interpreting and analyzing data continuously, tuit, el mismo índice se desploma to de ello? Fijémonos en que
and making autonomous immediate con una caída superior al 1,82 las correcciones posteriores a las
investment decisions from them. And in all
this, artificial intelligence and in particular
por 100 (1). noticias, aunque se producen en
machine learning, play a fundamental role. cuestión de minutos, son una
As a result of this, approximately two thirds Dos formas de comunica- eternidad para un ordenador.
of the operations currently traded in financial ción, dos noticias negativas, una
markets are automatically generated by
bots, underlying the fact that embracing
misma consecuencia. Estas estrategias son un
new technologies will play a major role on ejemplo de las que, desde hace
companies future development and success. Vivimos actualmente en los muchos años, un grupo muy
mercados financieros una época selecto de grandes gestoras in-
convulsa, con valoraciones muy ternacionales han implementado
Keywords: artificial intelligence, financial
industry, machine learning. volátiles debido a las diversas en sus carteras de inversión con
incertidumbres que hay encima grandes resultados, y en estas,
JEL classification: G10. de la mesa: además de la guerra la inteligencia artificial, como
148
IGOR ALONSO · ADRIÁN CARRIO
PAPELES DE ECONOMÍA ESPAÑOLA, N.º 162, 2019. ISSN: 0210-9107. «LA GESTIÓN DE LA INFORMACIÓN EN BANCA: DE LAS FINANZAS DEL COMPORTAMIENTO A LA INTELIGENCIA ARTIFICIAL»
149
APLICACIONES DE LA INTELIGENCIA ARTIFICIAL A LOS MERCADOS FINANCIEROS
PAPELES DE ECONOMÍA ESPAÑOLA, N.º 162, 2019. ISSN: 0210-9107. «LA GESTIÓN DE LA INFORMACIÓN EN BANCA: DE LAS FINANZAS DEL COMPORTAMIENTO A LA INTELIGENCIA ARTIFICIAL»
150
IGOR ALONSO · ADRIÁN CARRIO
Tres características del big data: La veracidad está considerada nerales. Por otro lado, puede
volumen, velocidad y variedad hoy en día como una caracterís- proceder también de entidades
tica adicional del big data, la cual especializadas en recopilar infor-
Durante la última década, la cobra especial relevancia en los mación de apps o webs especia-
recopilación sistemática de in- mercados financieros. Esta hace lizadas, registrando búsquedas,
formación, interpretación, or- referencia a la calidad o exactitud altas y bajas, descargas, factura-
ganización y difusión han ido del dato y a su valor como tal. De ción, etc. Y, por último, también
configurando el concepto de big la calidad del dato dependerá la puede proceder de búsquedas
data. Tres son las características validez de cualquier estudio o web y datos personales apor-
básicas que concentra el término: estrategia de actuación estable- tados voluntariamente por los
volumen, velocidad y variedad. cida. Existen muchas bases de usuarios, obtenidos, por ejem-
datos que necesitan depuracio- plo, de proveedores de gestores
El tamaño de los datos reco- nes por poder presentar vacíos de correo electrónico.
pilados y registrados a través de de información, duplicidades o
diferentes medios es impresio- simplemente incoherencias. Esta Esta clase de datos suelen ser
nante, y creciente en el tiempo, es una labor crítica y una de las recibidos como texto, y frecuen-
siendo el límite mínimo de refe- que más recursos consume por temente de forma desestructu-
rencia para ser considerado «big» parte de los quants (8). rada, procedentes de múltiples
superior cada vez. Se considera fuentes. Este tipo de información
que aproximadamente el 90 por Por otro lado, podemos clasifi- suelen ser muy apreciada para
100 de los datos almacenados car la nueva generación de datos indicar tendencias o sentimien-
actualmente han sido recopilados en tres apartados: datos gene- tos de mercado (9).
en los dos últimos años, y, según rados por individuos, datos ge-
estimaciones, se considera que nerados por los negocios, y final- Entre los ejemplos prácticos
entre 2015 y 2020 se multiplicará mente los datos generados por las de proveedores de esta clase
por diez su volumen. propias máquinas. de información contamos con
iSENTIUM, proveedor que pro-
La segunda característica es la Big data generado por porciona datos de sentimiento
velocidad. Disponemos de datos individuos de mercado en tiempo real ba-
prácticamente en tiempo real, sado en mensajes de Twitter. Su
bien recibiéndose en streaming (de Con datos generados por in- información puede proporcionar
forma continua) o en batch mode dividuos nos referimos a toda a sus usuarios una herramien-
(por lotes). Una gran cantidad clase de información que perso- ta de predicción de movimien-
de estos datos son recopilados y nas físicas, en su día a día, en su tos de mercado a corto plazo.
distribuidos al mismo tiempo, sin vida privada, pueden generar. Al comienzo del artículo, hablá-
apenas haber sido tratados. Tengamos en cuenta que una bamos de la incidencia en los
gran parte de nuestras activida- mercados de un solo tuit, con
La tercera característica es des cotidianas las hacemos a tra- mucha relevancia por proceder
la variedad del formato de la vés de dispositivos fijos y móviles del presidente de EE.UU., en este
información que se recibe. En conectados a la red, y mediante caso se recogería la opinión de
función de la fuente, el forma- aplicaciones o softwares de ter- millones de personas que, aun-
to puede ser tanto estructura- ceros donde quedan registradas. que con menor incidencia de
do (como suele producirse en Esta tendencia ha sido creciente forma individual, como colectivo
formatos de texto, CSV, SQL), en los últimos años y previsible- puede resultar un indicador ade-
en formato semiestructurado mente continúe con esa evolu- lantado extraordinario.
(habitual en formato HTML, ción, pese a la cada vez más res-
JSON), o completamente des- trictiva normativa de protección Otro ejemplo lo tenemos con
estructurado como pueden ser de datos. RavenPack, proveedor que pro-
los procedentes de vídeos, imá- porciona indicadores basados en
genes, blogs, etc. La estructura Su procedencia puede ser de noticias especializadas, noveda-
en la recepción se vuelve clave redes sociales, como son Twitter, des regulatorias, comunicados
en el tratamiento de la infor- LinkedIn, etc, de blogs gene- de prensa, etc. Este tipo de pro-
mación, ya que añade o elimina rados por particulares, o bien veedores proporciona informa-
complejidad al mismo. por noticias o publicaciones ge- ción que incluiría el comunicado
PAPELES DE ECONOMÍA ESPAÑOLA, N.º 162, 2019. ISSN: 0210-9107. «LA GESTIÓN DE LA INFORMACIÓN EN BANCA: DE LAS FINANZAS DEL COMPORTAMIENTO A LA INTELIGENCIA ARTIFICIAL»
151
APLICACIONES DE LA INTELIGENCIA ARTIFICIAL A LOS MERCADOS FINANCIEROS
oficial que emitió China y al que tos recopilados de forma au- hace referencia. La mayoría de
hacíamos referencia al inicio. tomática a través de sensores la información que hoy en día
integrados en diversos dispositi- se encuentra accesible al gestor
Por último, también tene- vos. Estos datos son generados está directa o indirectamente re-
mos proveedores más conoci- fundamentalmente de forma lacionada con acciones o secto-
dos como son Alexa o Google, no estructurada y su tamaño es res empresariales o con materias
los cuales nos pueden propor- con frecuencia sustancialmente primas, siendo menor, por ejem-
cionar información muy valiosa más grande que los flujos de plo, la información generada en
en torno a búsquedas y segui- datos generados por humanos o torno a tipos de interés y divisas,
miento web. procesos. El ejemplo más cono- la cual se deriva más de informa-
cido es la imagen vía satélite que ción macroeconómica.
Big data generado por puede usarse para monitorear
operaciones comerciales actividades económicas, como Otro aspecto importante es
la evolución de reservas de ma- la consideración del potencial
Se trata de datos producidos terias primas, de construcciones, de la información, traducido en
o recopilados por todo tipo de envíos de estas o de materiales, el potencial alfa (10) que puede
entidades, públicas y privadas. Nos producción de artículos, etc.). aportarnos y su coste. En pri-
referimos a la información que las Otro ejemplo son los datos pro- mer lugar, debemos considerar
entidades pueden ofrecer sobre cedentes de la geolocalización el coste de disponer de datos:
transacciones comerciales, empleo que pueden ser empleados por no es igual de costoso adquirir
de tarjetas de crédito, afluencia a ejemplo para rastrear el tráfico bases de datos que nos puedan
centros comerciales, variaciones peatonal en tiendas minoristas, aportar sentimiento de mercado
de inventarios, cadenas de su- (información más pública) que
en aparcamientos, o de barcos
ministro de mercancías, etc. O al otra que nos aporte informa-
de mercancías en puertos, etc.
conjunto de grandes agrupaciones ción sobre transacciones con
Más ejemplos tenemos con la
de datos generados por entidades
información procedente de cá- tarjeta de crédito (con un ca-
públicas. Este tipo de información
maras fijas en lugares de interés, rácter mucho más privado). A
se presenta de una forma más es-
sensores climáticos y de conta- esto hay que añadir, que el coste
tructurada que la proporcionada
minación, etc. Con total proba- únicamente se justifica si la ren-
por los individuos y sus datos son
considerados como buenos indi- bilidad, es el futuro concepto tabilidad que vamos a obtener
cadores adelantados de métricas de Internet de las cosas (IoT), de ella es suficiente, y eso es
corporativas. que consiste en la práctica de difícil de conocer a priori (11).
incorporar microprocesadores y Lo cierto es que, aunque la intui-
En este caso, tenemos como tecnología de red en todos los ción puede indicarnos que cierta
ejemplo de datos de organis- dispositivos electrónicos perso- información puede ser muy útil
mos públicos como WTO (World nales y comerciales. para identificar grandes oportu-
Trade Organization) o IMF (In- nidades de inversión, es realmen-
ternational Monetary Fund), que Entidades como Orbital In- te complicado encontrar bases
suministran datos utilizados para sights, Descartes Labs, o Rezatec de datos que nos permitan por
estrategias cuantitativas a más son entidades que pueden ofre- sí solas diseñar estrategias de
largo plazo y de baja frecuencia. cer información muy valiosa para inversión que aporten una ratio
Otro ejemplo de información establecer estrategias sobre ma- de Sharpe (12) muy elevado a
de operaciones comerciales la terias primas como petróleo o nuestras carteras.
tenemos con EagleAlpha, que bienes agriculturales.
suministra gran variedad de in- Otro factor a tener en cuenta
formación, como por ejemplo Aspectos claves del big data es lo conocida o accesible que
información sobre transacciones para los mercados resulta la base de datos; en este
online de empresas integrantes financieros sentido, existen ciertas bases de
del índice bursátil S&P 500. datos que hacen referencia a
Uno de los aspectos más re- magnitudes fundamentales de
Big data generado por sensores levantes a tener en cuenta es empresas como son beneficios
la relación que puede estable- o ventas, donde el potencial es
Por último, tenemos los datos cerse entre la información y los mucho menor, ya que esa infor-
generados por sensores: da- mercados financieros a los que mación es más conocida y puede
PAPELES DE ECONOMÍA ESPAÑOLA, N.º 162, 2019. ISSN: 0210-9107. «LA GESTIÓN DE LA INFORMACIÓN EN BANCA: DE LAS FINANZAS DEL COMPORTAMIENTO A LA INTELIGENCIA ARTIFICIAL»
152
IGOR ALONSO · ADRIÁN CARRIO
estar disponible por otras fuen- Recordemos la importancia que vieron problemas algebraicos, se
tes. En cambio, otras bases de en nuestro ejemplo inicial ten- demostraron teoremas geomé-
datos otorgan una información dría disponer de la información tricos y se implementaron los
mucho más exclusiva, por lo que con unos minutos de retraso. primeros sistemas que podían
su potencial es, a priori, mucho hablar en inglés. Estos avances
más atractivo. En definitiva, cada gestor dará generaron un gran optimismo
más importancia a unos aspectos (se creía en la posibilidad de
Otro elemento a considerar que a otros en función de su es- replicar el cerebro humano en
es el estado de procesamiento tilo de gestión; en unos casos, la pocos años) y todo ello propició
en el que se encuentra la infor- inmediatez será clave, por ejem- la inyección de grandes inversio-
mación. Podemos disponer de plo, para los gestores de alta fre- nes para acelerar su desarrollo.
bases de datos con información cuencia, pero en cambio gestores Sin embargo, a partir del año 74
presentadas en formato informe con un enfoque más tendencial y hasta el año 80, las grandes
o resumen, o bases de datos con ponderarán más la singularidad y expectativas creadas se vieron
información totalmente deses- exclusividad del dato. superadas por la realidad, y la
tructurada. En este último caso, el lentitud con la que avanzaban
tratamiento de esta información los desarrollos generó gran de-
es sustancialmente más costoso IV. MACHINE LEARNING – cepción y recortes en las inver-
que en el primero, y eso resulta INTELIGENCIA ARTIFICIAL siones.
un factor determinante en la ren-
tabilidad de la adquisición. Una mirada histórica Posteriormente, entre los años
1980 y 1987 tuvo lugar un se-
Probablemente, el factor más En los últimos años ha habido gundo boom con la aparición de
importante es la calidad de los una evolución significativa en los llamados «sistemas expertos»
datos. En primer lugar, debemos el campo del aprendizaje auto-
o sistemas basados en reglas que
mático o machine learning, un
considerar que el tamaño de permitieron resolver multitud de
conjunto de técnicas que, com-
la información es trascenden- problemas empleando reglas ló-
binando algoritmos matemáticos
tal; cuanto más histórico dis- gicas y el conocimiento de perso-
con modelos estadísticos, per-
pongamos, más robustas serán miten a un sistema informático nas expertas. La implantación de
las conclusiones que podamos resolver tareas sin instrucciones estos sistemas generó grandes
obtener, y esto es algo de lo explícitas, empleando funda- ahorros en las empresas que los
que no se dispone en todas las mentalmente datos. El machine adoptaron y también provocó
bases de datos (13). En segundo learning combina, por tanto, las una gran aceleración en las em-
lugar, debemos tener en cuenta disciplinas estadística e informá- presas de desarrollo de software
la forma en la que se ha obte- tica y se engloba dentro de un y de fabricación de hardware in-
nido (metodología) y si existen conjunto más amplio de técni- formático. Además, los avances
gaps de información en el histo- cas, en lo que actualmente se co- en el desarrollo de las redes neu-
rial (en este caso es trascendental noce como inteligencia artificial. ronales artificiales, cuya utilidad
conocer el porqué, si han sido había sido discutida hasta ese
aleatorios o existe algún patrón, La inteligencia artificial no momento, impulsaron su uso de
y cómo se han solucionado). es un área de conocimiento tan manera definitiva. Todo esto ge-
joven como pueda parecernos. neró de nuevo gran optimismo y
Por último, deberíamos con- Nació como disciplina académica movilizó grandes inversiones que
siderar también la disponibilidad en el año 1956 durante una cé- apostaban por los avances de la
de ella, no es lo mismo dispo- lebre conferencia en Dartmouth, inteligencia artificial.
ner de la información en tiempo Estados Unidos, a la que asistie-
real, de forma diaria, semanal, ron los principales expertos de A finales de los años ochenta
mensual, etc. Del mismo modo, aquel momento, en la que se y a principios de los noventa, la
no es lo mismo si existe latencia definieron sus objetivos y donde aparición del ordenador personal
o si se producen interrupciones, se hicieron públicos sus primeros provocó el hundimiento de las em-
ni la forma de conexión al pro- éxitos. presas de hardware especializado,
veedor, ya que pueden existir un sector de enorme peso econó-
grandes diferencias de robustez Durante los primeros años de mico. Esto, sumado a los pro-
y seguridad entre conexiones. la inteligencia artificial se resol- blemas para mantener los sis-
PAPELES DE ECONOMÍA ESPAÑOLA, N.º 162, 2019. ISSN: 0210-9107. «LA GESTIÓN DE LA INFORMACIÓN EN BANCA: DE LAS FINANZAS DEL COMPORTAMIENTO A LA INTELIGENCIA ARTIFICIAL»
153
APLICACIONES DE LA INTELIGENCIA ARTIFICIAL A LOS MERCADOS FINANCIEROS
temas expertos y a las enormes una tarea (por ejemplo operar un reas más habituales que resuelven
expectativas que se habían ge- determinado activo financiero) este tipo de algoritmos junto con
nerado una vez más, provocó cuando existe una forma de medir la clasificación es la regresión,
de nuevo decepción entre los el desempeño de dicha tarea (por en la cual el algoritmo no busca
inversores y grandes recortes. Sin ejemplo, midiendo la rentabilidad predecir una clase (por ejemplo,
embargo, debido a los avances diaria obtenida) y dicho algoritmo tendencial o en rango), sino el
obtenidos desde mediados de los mejora su desempeño conforme valor numérico de una o varias
años noventa en multitud de adquiere experiencia (por ejem- variables. Por ejemplo, si la tarea
áreas, minería de datos, robótica, plo, operando el activo financiero es predecir el precio de cierre de
reconocimiento del habla, diag- durante un período de tiempo, es hoy a partir de los precios de cie-
nóstico de enfermedades, etc., posible inferir automáticamente rre de los últimos días, el agorit-
vivimos ya una tercera revolución una estrategia que ofrezca resul- mo debería entrenarse usando
de la inteligencia artificial y el tados favorables). varios bloques de mil precios de
optimismo ha surgido de nuevo cierre junto con el precio de cierre
con la resolución de algunos de Un mismo problema (operar del día posterior a cada bloque.
los retos que se habían planteado un activo financiero) se puede Este último precio de cierre sería
en su nacimiento, como vencer al plantear mediante diferentes ta- la etiqueta de cada uno de los
campeón del mundo de ajedrez reas (prediciendo precios, detec- bloques. Como ya se mencionó
o manejar de forma segura un tando patrones, etc.) y es posi- anteriormente, en la actualidad
coche sin conductor. ble utilizar diferentes métricas se utilizan grandes volúmenes de
para medir su desempeño (ren- datos, incluyendo no solo precios
Desde el año 2011 con la dis- tabilidad, pérdida máxima acu- o indicadores técnicos, sino tam-
ponibilidad de grandes volúme- mulada, ratio de Sharpe, etc.). bién información como los senti-
nes de datos, de ordenadores Además, la experiencia puede mientos de mercado, que pueden
más potentes y de técnicas de ser adquirida de diferentes for- extraerse automáticamente de
machine learning más avanza- mas, las cuales se clasifican en las noticias empleando técnicas
das, la inteligencia artificial se tres grupos principales que dan de procesamiento del lenguaje
viene aplicando en un número nombre a los tres tipos de apren- natural y lo que se conoce como
cada vez mayor de problemas. dizaje automático más comunes: análisis del sentimiento o minería
En concreto, durante este último aprendizaje supervisado, apren- de opinión.
período se ha producido el naci- dizaje no supervisado y aprendi-
miento del deep learning, que se zaje por refuerzo. Para aplicar con éxito todas
refiere al aprendizaje automático estas técnicas no solo habrá que
con estructura jerárquica, como Aprendizaje supervisado elegir correctamente el mejor al-
el que se produce cuando se goritmo (redes neuronales artifi-
aprende a reconocer un objeto El aprendizaje supervisado o ciales, árboles de decisión, SVMs
en una imagen empleando varios supervised learning se basa en –máquinas de soporte vectorial,
niveles de abstracción: recono- tratar de imitar la inferencia que support vector machines–, etc.)
ciendo partes de dicho objeto, hace una persona experta para junto con sus parámetros, sino
su estructura y/o su entorno. El resolver una determinada tarea. también realizar un estudio que
avance del deep learning estos Por ejemplo, si la tarea a resolver garantice que no existe sesgo en el
últimos años ha permitido gran- consiste en clasificar una serie aprendizaje y que el algoritmo es
des avances no solo en el ámbi- temporal como tendencial o en capaz de generalizar correctamen-
to financiero, sino también en rango, el algoritmo debe procesar te cuando se le presentan datos
el procesamiento de imagen, un conjunto de series junto con que no ha visto anteriormente.
vídeo, el análisis de texto y el la información sobre cuáles son
reconocimiento del habla. tendenciales y cuáles en rango. Aprendizaje no supervisado
Esto último recibe el nombre de
Machine learning etiqueta o label y es el conoci- El aprendizaje no supervisado
miento que aporta el experto. o unsupervised learning recibe
Centrándonos en los algorit- Una vez entrenado con estos este nombre ya que no requiere
mos de aprendizaje automático o datos, el algoritmo será capaz la supervisión de un experto que
machine learning, se dice que un de clasificar una nueva serie que proporcione etiquetas, puesto
algoritmo «aprende» a resolver no ha visto antes. Otra de las ta- que sus algoritmos son capaces
PAPELES DE ECONOMÍA ESPAÑOLA, N.º 162, 2019. ISSN: 0210-9107. «LA GESTIÓN DE LA INFORMACIÓN EN BANCA: DE LAS FINANZAS DEL COMPORTAMIENTO A LA INTELIGENCIA ARTIFICIAL»
154
IGOR ALONSO · ADRIÁN CARRIO
PAPELES DE ECONOMÍA ESPAÑOLA, N.º 162, 2019. ISSN: 0210-9107. «LA GESTIÓN DE LA INFORMACIÓN EN BANCA: DE LAS FINANZAS DEL COMPORTAMIENTO A LA INTELIGENCIA ARTIFICIAL»
155
APLICACIONES DE LA INTELIGENCIA ARTIFICIAL A LOS MERCADOS FINANCIEROS
PAPELES DE ECONOMÍA ESPAÑOLA, N.º 162, 2019. ISSN: 0210-9107. «LA GESTIÓN DE LA INFORMACIÓN EN BANCA: DE LAS FINANZAS DEL COMPORTAMIENTO A LA INTELIGENCIA ARTIFICIAL»
156
IGOR ALONSO · ADRIÁN CARRIO
Se trata de estrategias que, David E. Shaw conocida por de- conexión instantánea sin apenas
gracias a potentes ordenadores sarrollar sofisticados modelos latencia. Estas estrategias auto-
e información histórica, emplean matemáticos y avanzados pro- matizadas incluyen complejos
complejos algoritmos matemáti- gramas informáticos especia- algoritmos que analizan el pre-
cos para tomar sistemáticamen- listas en explotar anomalías en cio de los activos y, sobre todo,
te decisiones de inversión. Estos los precios de los mercados. O el libro de órdenes existente en
algoritmos pueden basarse en por ejemplo Two Sigma Inves- cada momento.
múltiples variables técnicas de tments, fundada en el año 2001
precios, bien en ratios fundamen- por John Overdeck, David Siegel Estas estrategias necesitan
tales, ratios macroeconómicas, o y Mark Pickard. analizar mucha información en
cualquier otra variable cuantifica- muy breve espacio de tiempo,
ble de la que se disponga y con En todos estos casos, sus es- información que, gracias a las
suficiente información histórica trategias están basadas en mé- nuevas fuentes de información,
para contrastarlo empíricamente. todos cuantitativos de gestión y, cada vez son mayores y más
según ellos mismos reconocen, diversas y precisan de nuevas
La gran explosión de este tipo en inteligencia artificial, por lo tecnologías de interpretación y
de estrategias de trading se pro- que pueden considerarse que análisis, como las que ofrece la
dujo en los años ochenta, cuando son una evidencia de la aplica- inteligencia artificial.
las principales bolsas empezaron bilidad con éxito de la gestión a
a posibilitar el enrutamiento au- través de algoritmos. Este tipo de estrategias están
tomático de órdenes y las gran- mal vistas por la opinión pública:
des instituciones de inversión em- Dentro de este tipo de estra- se considera que manipulan los
pezaron a invertir en ordenadores tegias, detengámonos en una mercados, que tienen ventajas
con grandes capacidades com- con un enfoque más inmediato: notorias frente al pequeño in-
putacionales. Aunque por aquel high frequency trading. versor (de conexión y computa-
entonces este tipo de estrategias cional), que su finalidad es pura-
estaban limitadas a unas cuantas High frequency trading mente especulativa, y finalmente
entidades, con el tiempo se han porque son capaces de mover
ido generalizando hasta alcanzar El high frequency trading con- los mercados de forma muy pe-
porcentajes muy elevados. siste en la negociación de activos ligrosa.
financieros mediante la genera-
Hay casos especialmente exi- ción de miles y miles de órdenes Prueba de esto último son
tosos de empresas que han triun- de compra y venta enviadas al los famosos flash crash, perío-
fado empleando estrategias de mercado en fracciones de segun- dos cortos de tiempo donde el
trading algorítmico, como es el dos. Estas órdenes tienen una precio de un activo puede caer
caso de Renaissance Technolo- vida media muy corta, ya que bruscamente en cuestión de mi-
gies LLC, hedge fund –fondos buscan pequeñas oportunidades nutos, para luego recuperarse
de cobertura o fondos de inver- de beneficio en cada operación. inmediatamente. Uno de los más
sión libre– fundado en 1982 por Esta forma de operar no se basa conocidos es el que se produjo
James Simons, un matemático en predecir el valor futuro de los en el Dow Jones el 6 de mayo
galardonado y exdescifrador de activos financieros, sino aprove- de 2010 donde sufrió una caída
códigos de la Guerra Fría. Gracias char pequeñas ineficiencias del del 9 por 100 de su cotización
a su fondo Medallion, que se ges- mercado u oportunidades que para prácticamente recuperar
tiona en base a modelos matemá- ofrece la formación de precios en su valor inicial en apenas quince
ticos estadísticos desarrollado por determinados momentos. Esto minutos (19).
reconocidos físicos y matemáti- requiere el empleo de bots o es-
cos sin perfil económico, ha sido trategias automatizadas que per- Sin embargo, frente a esta
considerado como el gurú de la mitan detectar oportunidades de corriente contraria a este tipo de
gestión cuantitativa y uno de los negocio instantáneas, mediante trading están los que ponen en-
mejores traders de la historia. ordenadores con extraordinarias cima de la mesa las ventajas que
capacidades computacionales aportan: en gran medida son
Otros casos similares son, por necesariamente ubicados muy creadores de mercado que dan
ejemplo, D. E. Shaw & Co., L.P. cerca de los centros de nego- liquidez en ciertos momentos de
entidad fundada en 1988 por ciación, en aras de tener una mercado y para activos ilíquidos.
PAPELES DE ECONOMÍA ESPAÑOLA, N.º 162, 2019. ISSN: 0210-9107. «LA GESTIÓN DE LA INFORMACIÓN EN BANCA: DE LAS FINANZAS DEL COMPORTAMIENTO A LA INTELIGENCIA ARTIFICIAL»
157
APLICACIONES DE LA INTELIGENCIA ARTIFICIAL A LOS MERCADOS FINANCIEROS
PAPELES DE ECONOMÍA ESPAÑOLA, N.º 162, 2019. ISSN: 0210-9107. «LA GESTIÓN DE LA INFORMACIÓN EN BANCA: DE LAS FINANZAS DEL COMPORTAMIENTO A LA INTELIGENCIA ARTIFICIAL»
158
IGOR ALONSO · ADRIÁN CARRIO
comportamiento, presenta cons- capaz de arrastrar los mercados que de forma inmediata adop-
tantemente patrones repetitivos. casi un 2 por 100 es cuestión de ten decisiones de inversión, y
Ni tampoco puede negarse que minutos, por lo que un inversor aprovechen las oportunidades
existan relaciones entre variables institucional no puede permitirse que el big data ofrece, y aquí, de
en las que se pueda acreditar una el lujo de no disponer de esta nuevo, el machine learning juega
conexión causa-efecto (como en información de forma inmedia- un papel clave.
el ejemplo inicial del comunica- ta. Esta necesidad es la que está
do y el tuit), o simplemente que provocando en los mercados Con ello, cada vez es más ha-
existan ciertas ineficiencias en la financieros el auge de técnicas bitual ver estadísticas con por-
formación de precios, aunque de gestión cuantitativas basadas centajes muy elevados de opera-
mínimas, arbitrables (24). principalmente en tecnología, ciones efectuadas por máquinas
big data e inteligencia artificial. en lugar de personas, sistemas
Es decir, a diferencia de lo que robotizados que participan en
considerábamos con el ajedrez y A la espera de una nueva era los mercados de forma automá-
el Go, donde todas las posibili- tecnológica con la llegada de tica, cruzando órdenes contra
dades eran teóricamente calcu- la informática cuántica, en los otros sistemas. Sin embargo,
lables, en los mercados financie- últimos años estamos siendo tes- pese a lo que podamos pensar,
ros no, no hay casillas ni fichas tigos de incrementos exponen- no estamos cerca de lo que se
finitas, ni como con Jeopardy, ciales de las capacidades compu- denomina singularidad tecnoló-
donde la interpretación del len- tacionales y de almacenamiento, gica (26).
guaje tiene un menor grado de y de nuevas soluciones informá-
relatividad, pero ello no implica ticas virtuales distribuidas, que Constantemente hay eviden-
que no existan oportunidades. han incrementado las posibili- cias de que el ser humano está
dades de la industria financiera, detrás de los grandes movimien-
En definitiva, siempre pueden alcanzando cotas inimaginables tos de los mercados. Warren
producirse ciertas circunstancias Buffet, considerado por muchos
hace años.
no parametrizables ¿podría una como el mejor inversor de la his-
máquina anticiparse o prever Vivimos en una época donde, toria, y no habiendo utilizado
las posibles consecuencias de
de forma continua, las personas, inteligencia artificial en sus de-
una guerra nuclear que nunca
los negocios y las propias má- cisiones, tiene una frase célebre
ha ocurrido? Sin embargo, hay
quinas están continuamente ge- sobre los mercados de valores,
evidencias de que se producen
en los mercados ciertas circuns- nerando datos e información. La definiéndolos como «maniaco-
tancias o patrones que se repiten cristalización del fenómeno big depresivos». Esto lo justifica con
de forma repetitiva a lo largo data está facilitando la aparición que puntualmente los merca-
del tiempo de una forma esta- de múltiples proveedores capa- dos reaccionan bruscamente sin
dísticamente representativa, o ces de ofrecer esta información ninguna base lógica, tan solo
ciertas informaciones que condi- de forma legible para la industria dejándose llevar por la euforia
cionan directamente el valor de en tiempo real y con ello posi- y el pánico, emociones intrínse-
los activos, concediendo cierta bilitando a los gestores nuevas camente humanas. De ahí que
ventaja si se conocen con ante- herramientas de decisión. sigan creándose y explotándose
rioridad (sin referirnos a inside burbujas como la de las cripto-
trading [25]), o existen, aunque La inteligencia artificial se ha monedas del pasado ejercicio, o
cada vez menos debido al desa- vuelto clave en este punto, pues- de las «sorprendentes» reaccio-
rrollo de los mercados, ciertas to que estas inmensas cantida- nes del mercado ante aconteci-
oportunidades o arbitrajes es- des de información han de ser mientos tales como el referén-
condidos entre valoraciones de tratadas y posteriormente anali- dum del brexit, que marcaron
mercado. zadas de forma automática, por pérdidas históricas iniciales para
lo que el desarrollo de sistemas recuperarlas en mes y medio, o
basados en machine learning el desplome inicial de los mer-
VI. CONCLUSIONES capaces de efectuar esta tarea al cados ante los primeros sondeos
instante, se ha vuelto imprescin- que daban la victoria a Donald
Tal como comenzábamos dible. Del mismo modo, se hacen Trump, para terminar la sesión
el artículo, un simple mensaje imprescindibles la elaboración de con ganancias cuando se confir-
publicado en una red social es sistemas automáticos de trading mó la noticia.
PAPELES DE ECONOMÍA ESPAÑOLA, N.º 162, 2019. ISSN: 0210-9107. «LA GESTIÓN DE LA INFORMACIÓN EN BANCA: DE LAS FINANZAS DEL COMPORTAMIENTO A LA INTELIGENCIA ARTIFICIAL»
159
APLICACIONES DE LA INTELIGENCIA ARTIFICIAL A LOS MERCADOS FINANCIEROS
También debemos tener en información, la velocidad a la que se crea de más de veinte años, datos procedentes de
y recopila, y la variedad o alcance sobre los búsquedas web o noticias, hay históricos de
cuenta que la estrategia más datos que incluye. quince años, procedentes de redes sociales
extendida a nivel global es la que de cinco años, y procedentes de sensores en
señalábamos al comienzo del ar- (5) Este pronóstico se hizo realidad en la torno a tres años.
década siguiente, y en 1975, con más infor-
tículo, de buy and hold, es decir mación, revisó la estimación del período de (14) Abreviatura del término robot que
estrategias de inversión cuya fi- duplicación a veinticuatro meses. Por aquel se refiere a programas informáticos capaces
nalidad es invertir y mantener la entonces, los componentes también permi- de efectuar tareas concretas de forma autó-
posición en los mercados, estra- tían duplicar la velocidad del chip, ya que la noma y análoga a como las realizaría una
mayor cantidad de componentes podía rea- persona.
tegias no muy activas en su ope- lizar operaciones más potentes y los circuitos
rativa, más allá de rebalanceos o más pequeños permitían velocidades de reloj (15) Conocido como algoritmo minimax.
coberturas. más rápidas.
(16) Aunque el ajedrez tiene un núme-
(6) Ya son muchos los proveedores tec- ro de jugadas posibles cuantificable, es un
En definitiva, podemos con- nológicos que emplean esta metodología (en número aún demasiado elevado como para
cluir que la inteligencia artificial el caso de Google, por ejemplo, emplea apro- poder utilizar estrategias que consideren
se ha hecho un hueco en los ximadamente 1.000 ordenadores de forma todo el tiempo todos los casos posibles. En
paralela para dar respuesta a sus servicios). estos casos se emplean metodologías heu-
mercados financieros como una rísticas.
herramienta imprescindible en (7) Se estima que en la actualidad el
la industria de inversión, por lo mercado de big data representa aproximada- (17) Este software fue desarrollado y
mente 130.000 millones de dólares america- liderado por David Silver, Aja Huang y Demis
que su uso se generalizará con nos, cifra que se espera que alcance los 200 Hassabis.
seguridad en los próximos años. en el año 2020. La industria financiera es uno
Sin embargo, la inteligencia ar- de los grandes participantes, representando (18) El término trading hace referencia
aproximadamente el 15 por 100 del total, a la operativa de compra y venta de activos
tificial difícilmente sustituirá al según estimaciones de JP Morgan. financieros. Suele tener una connotación es-
gestor humano totalmente, sino peculativa o cortoplacista, en contraposición
que, salvo casos puntuales de (8) Con el término quant se hace men- con el término inversion.
entidades muy especializadas, ción a los profesionales expertos en el análisis
y gestión de información cuantitativa. En la (19) Aunque las causas del movimiento
en general lo complementará en industria financiera desempeñan un papel de mayo de 2016 se investigaron, no se llegó
su toma de decisiones o se em- critico ya que reúnen amplios conocimientos a ninguna conclusión. Tanto es así que se
pleará como instrumento para estadísticos y matemáticos, y por otro lado dice que fue provocado por lo que conoce-
conocimientos en diferentes lenguajes de mos como fat finger en el que, al parecer, un
crear estrategias colaterales a la programación. analista de Citygroup se equivocó al pulsar
inversión principal. sobre «B» de billions (miles de millones) en
(9) Como sentimiento de mercado se lugar de pulsar la tecla de «M» de millions en
considera la opinión generalizada de los una negociación de acciones.
inversores sobre un activo o mercado. El
NOTAS sentimiento de mercado condiciona en gran (20) Recordemos el ejemplo de Jeo-
medida la evolución de los precios de los ac- pardy, un algoritmo capaz de interpretar el
(1) Por dar una proporcionalidad a este tivos y suele tener un componente emocional lenguaje de las preguntas, y con ello, buscar
dato, el índice VIX, que representa la volati- muy importante. respuestas.
lidad o movimiento esperado del índice S&P
500 en un año, está en niveles en torno a 18, (10) Alfa es considerada la rentabilidad (21) Un ejemplo muy llamativo se pro-
lo que quiere decir que, en once minutos, que puede aportarnos como inversores in- dujo en el año 2016, cuando se celebraban
el índice tuvo el 10 por 100 del movimiento dependientemente de la evolución de los las elecciones presidenciales de EE.UU. entre
esperado por el mercado para un año entero. mercados (esta última viene reflejada con la Hillary Clinton y Donald Trump. Las encuestas
beta a la que previamente hacíamos alusión). previas daban ventaja a Hillary, sin embargo,
(2) Buy side hace referencia a las enti- con los primeros recuentos y ante la posibili-
dades financieras que adquieren servicios o (11) Para estos casos suelen realizarse dad de que Donald Trump ganase, los índices
productos financieros, tales como fondos de muestreos de información con los que se bursátiles cayeron en picado, para luego
inversión o pensiones, compañías de seguros, elaboran estudios estadísticos denominados recuperarse y terminar subiendo, cuando se
hedge funds, etcétera. backtestings, pero no siempre resultan con- pasó de posibilidad a realidad.
cluyentes.
(3) La beta de mercado hace referencia (22) Estrategia de inversión consistente
a que, de una forma mayoritaria, las estrate- (12) Ratio financiera que mide la ren- en comprar activos y mantenerlos en cartera
gias de inversión de la industria han seguido tabilidad de una cartera por encima de la a largo plazo.
la evolución de los mercados de una forma rentabilidad del active libre de riesgo, con
cuasipasiva, por lo que sus rentabilidades respecto al riesgo (volatilidad) que se ha (23) Una de las frases más célebres de
y riesgos han venido determinados por los asumido para lograrla. Cuanto mayor sea la Warren Buffet establece que el precio es lo
mercados en sí y no tanto por las decisiones ratio, más atractiva es la inversión. que se paga por las cosas y el valor lo que se
de los gestores. recibe de ellas. Sin embargo, existen inverso-
(13) El tamaño de la información depen- res que consideran que no existe diferencia
(4) El término big data hace referencia a de en gran medida de la naturaleza del dato alguna entre precio y valor.
grandes y diferentes conjuntos de informa- y el proveedor. Como referencia, los datos
ción que aumentan a tasas cada vez mayores. correspondientes a la información de merca- (24) Una operación de arbitraje consiste
Incluye tres aspectos claves: el volumen de do o ratios fundamentales. Existen históricos en la compraventa de un activo en dos mer-
PAPELES DE ECONOMÍA ESPAÑOLA, N.º 162, 2019. ISSN: 0210-9107. «LA GESTIÓN DE LA INFORMACIÓN EN BANCA: DE LAS FINANZAS DEL COMPORTAMIENTO A LA INTELIGENCIA ARTIFICIAL»
160
IGOR ALONSO · ADRIÁN CARRIO
cados distintos, aprovechando la diferencia E lder , A. (1993).Trading for a Living: Management and Acquisition for
de precio. Este tipo de operaciones permiten Psychology, Trading Tactics, Money Intelligent Systems: 15th Pacific Rim
equilibrar los precios de los mercados hasta
Management. John Wiley & Sons, Knowledge Acquisition Workshop,
que desaparece la ineficiencia en la forma-
ción del precio. Inc. PKAW 2018, Nanjing, China, August
28-29, 2018, Proceedings. Vol.
(25) Inside trading hace referencia a la Goodfellow, I., Bengio, Y. y Courville, A. 11016.
gestión de activos financieros en base a infor- (2016). Deep learning. MIT Press.
mación privilegiada; en muchas legislaciones, Malkiel, B. G. (2019). A Random Walk
es considerada ilegal. Johnson, B. (2010). Algorithmic Trading Down Wall Street. W. W. Norton &
and DMA: An introduction access Company.
(26) Con el término singularidad tecno-
lógica hace referencia al momento futuro Trading Strategies. Barry Johnson.
hipotético en el que la inteligencia artificial M nih , V., K avukcuoglu , K., S ilver , D.,
será autosuficiente y sustituirá al hombre de LeCun, Y., Bengio, Y. y Hinton, G. (2015). Graves, A., Antonoglou, I., Wierstra, D.
forma general en la toma de decisiones. Deep learning. Nature, 521(7553), y Riedmiller, M. (2013). Playing atari
p. 436. with deep reinforcement learning.
arXiv preprint arXiv:1312.5602.
BIBLIOGRAFÍA Liu, Y., Zeng, Q., Yang, H. y Carrio, A.
(2018). Stock Price Movement S utton , R. S. y B arto , A. G. (1998).
Davey, K. J. (2014). Building Winning Prediction from Financial News Introduction to reinforcement
Algorithmic Trading Systems. John with Deep Learning and Knowledge learning (Vol. 2, n.º 4). Cambridge:
Wiley & Sons, Inc. Graph Embedding. Knowledge MIT Press.
PAPELES DE ECONOMÍA ESPAÑOLA, N.º 162, 2019. ISSN: 0210-9107. «LA GESTIÓN DE LA INFORMACIÓN EN BANCA: DE LAS FINANZAS DEL COMPORTAMIENTO A LA INTELIGENCIA ARTIFICIAL»
161