En el aire

Audiopodcast · Episodio 54 · 1 h 22 min Ciencia de datos financiera, con Marcos López de Prado

Reproducir

0:00 / 1:21:59 1x

Escucharlo también en YouTube

Quería hablar de inversión cuantitativa, inversión factorial y negociación de alta frecuencia con la persona que, en español, más puede aportar con rigor. Marcos es, probablemente, el autor científico más leído del mundo en este campo. Yo también vengo de la inteligencia artificial y del mundo académico, así que para mí es un espejo en el que mirarme. El episodio salió en junio de 2020.

Quién se sienta a la mesa

Aprendizaje automático y finanzas

Marcos López de Prado

Español, con dos doctorados, en economía financiera y en matemáticas financieras. Pasó por el BBVA, UBS, Citadel, Tudor Investment, Guggenheim Partners y AQR, donde fue socio y el primer responsable de aprendizaje automático. Profesor en Cornell, colaborador del Lawrence Berkeley National Laboratory y fundador de True Positive Technologies. Autor de Advances in Financial Machine Learning y Machine Learning for Asset Managers.

Su web: quantresearch.org

Ver web

Anfitrión

Fernando Alonso

Píldoras del Conocimiento. Ingeniero en inteligencia artificial, doctor en robótica, profesor universitario e investigador en robótica social.

Mi libro gratuito: Nacidos para Aprender

Ver Instagram

Píldoras del Conocimiento · Episodio 54Página 1 de 5

Primera parte · La trayectoria

Un camino con muchas paradas

Marcos se doctoró dos veces mientras trabajaba en el BBVA como operador de opciones. En 2001 UBS le fichó en Zúrich, donde llegó a jefe de inversión cuantitativa en acciones. En 2005 entró en Citadel, en su equipo de alta frecuencia, cuando ni siquiera existía ese nombre y era una tecnología casi secreta; hoy es la forma habitual de dar liquidez al mercado. Después llegaron Tudor Investment, donde trabajó junto a Paul Tudor Jones, y Guggenheim Partners, donde montó desde cero una unidad que gestionaba unos 13.000 millones de dólares, y AQR, donde introdujo modelos de aprendizaje automático. Con lo que obtuvo por vender cinco patentes a AQR fundó True Positive Technologies, que desarrolla modelos y soluciones matemáticas para gestoras. Lo compagina con la docencia y la investigación.

Arte frente a método científico

La inversión discrecional es un arte: el gestor desarrolla una intuición sobre las oportunidades que no tiene por qué basarse en el método científico. Es muy difícil saber quién es bueno, porque toma pocas decisiones, y alguien puede ser brillante en un régimen de mercado y no en otro. La inversión sistemática aplica el método científico: determinar qué efectos son predecibles y evaluar los resultados de forma objetiva. No garantiza el éxito, hay muchísimos fondos cuantitativos que no funcionan, pero da un procedimiento para saber qué oportunidades se repiten.

Mucho más que predecir precios

Le pregunté por las aplicaciones más fiables de la inteligencia artificial, sospechando que predecir precios en un sistema caótico, donde las propias predicciones cambian el futuro, es de lo más difícil. Me lo confirmó: es uno de los problemas más complicados, pero no el único interesante. Gestión de riesgos, construcción de carteras, ejecución de órdenes, probabilidad de impago, tamaño de las apuestas, análisis de sentimiento o datos alternativos como imágenes de satélite o documentos de los reguladores son problemas enormes que no tienen nada que ver con adivinar precios.

El objetivo es doble. Primero, automatizar: un proceso automático es escalable, objetivo y repetible, cuesta menos y deja más al inversor después de comisiones. Gestionar el doble de dinero cuesta poco más, mientras que con personas necesitas más del doble de gente, de jefes y de oficinas. Segundo, mejorar: un proceso automatizado se puede mejorar; uno que vive en la cabeza de alguien desaparece cuando se jubila.

Píldoras del Conocimiento · Episodio 54Página 2 de 5

Segunda parte · Transparencia

¿Por qué publicar si encuentras algo que funciona?

Hoy el término «inteligencia artificial» vende, como antes «blockchain». Mi duda: si alguien encuentra una forma de batir al mercado, ¿por qué publicarla? Marcos lo tiene claro: no publicas los detalles de la estrategia, sino las ideas generales y las matemáticas. Por tres motivos. La revisión de expertos detecta errores antes de que lo haga el mercado y ahorra mucho dolor a los inversores. Compartir ideas genera un ecosistema en el que otros las mejoran y las implementan, como hacen Google o Microsoft. Y permite al inversor distinguir quién sabe de lo que habla y quién no.

Pseudomatemáticas y charlatanes financieros

Leí su artículo sobre los charlatanes financieros y el sobreajuste de los backtests, y le pregunté también por su polémica con Nassim Taleb. Marcos le tiene un gran respeto como académico; lo único que le ha pedido es que muestre su historial completo: si un fondo presume de lo que ganó un año, hay que ver también los anteriores. Si no, es como el vendedor de bálsamos que presenta a dos curados y oculta a los que no lo lograron.

Es el mismo problema que el sesgo de supervivencia: si una gestora cierra los fondos que pierden, los inversores solo ven a los supervivientes. Y si alguien prueba un millón de backtests y enseña solo el mejor, la tasa de falsos positivos deja de ser del 5 % y se dispara. Por negligencia o ignorancia puede pasarle a cualquiera, pero quien conoce estos sesgos tiene la responsabilidad ética de mostrar toda la información. Yo lo he visto en libros de inversión que años después descubrí que eran puro marketing, y en ciencia: un modelo que da un 97 % en validación cruzada y baja al 60 % con datos nuevos.

Píldoras del Conocimiento · Episodio 54Página 3 de 5

Tercera parte · El método

Datos masivos, aprendizaje automático y supercomputación

Marcos aclaró que no gestiona fondos ni cobra comisiones a inversores: desarrolla tecnología que usan los fondos. Esa tecnología es la intersección de tres cosas. Datos no estructurados, como imágenes de satélite, grabaciones, textos o recibos de compra de millones de consumidores. Aprendizaje automático para analizarlos. Y supercomputación, porque esos métodos son muy exigentes: en su caso montan sus propios ordenadores en lugar de alquilarlos, con arquitecturas distintas según el tipo de problema. Admira a Jim Simons, el inversor más exitoso de la historia, pero ha seguido su propio camino: en lugar de pedir al inversor que se adapte a su fondo, adapta la solución al problema del inversor.

Lo que falló en Long-Term Capital Management

Quise poner los pies en la tierra a quien se anime a crear sus propios algoritmos: esto lleva años de prueba y error, y hay batacazos históricos con los mejores científicos dentro. El caso de LTCM, según Marcos, no fue un problema de matemáticas, sino de ego: creían que un teorema era tan bueno como el dinero en el banco. Pero las finanzas son una realidad física, no matemática, un problema empírico. Un fondo funciona si tiene buenos modelos y también buena ingeniería de sistemas, buena limpieza y depuración de datos y buena ejecución. Por eso insiste en el historial: los artículos complicados no prueban nada. Aun así, el camino compensa por todo lo que aprendes: si invertir fuera fácil, todo el mundo sería millonario.

El objetivo no es predecir perfectamente el mercado, sino predecirlo un poco mejor que tus competidores.Marcos López de Prado

¿Se puede predecir a largo plazo?

Yo pensaba que a diez años la predicción es prácticamente imposible. Marcos matiza: no se trata de predecir perfecto, sino un poco mejor que los demás. Los precios son muy imprevisibles a largo plazo, pero hay información macroeconómica, microeconómica o de flujos en una cantidad que ningún humano puede analizar. Los sistemas permiten ser consistentes y objetivos en muchos regímenes de mercado distintos.

¿Su ventaja competitiva? No hay una salsa secreta: es mejorar cada pieza de forma continua. Y una idea poderosa: los mercados aprenden. Quien pierde dinero contra tu estrategia deja de operar, así que la oportunidad desaparece por pura selección natural. Ninguna estrategia funciona para siempre.

Píldoras del Conocimiento · Episodio 54Página 4 de 5

El futuro de los factores

¿Tiene sentido invertir en los factores de Fama y French, como valor, tamaño, momento o baja volatilidad? Para Marcos, toda estrategia revierte a la media, también estos factores. Pero eso no significa que el valor haya muerto: hay versiones más evolucionadas que usan datos alternativos, como imágenes de satélite o datos de ventas, combinados con aprendizaje automático. Ante el argumento de que algunos factores perduran porque responden a sesgos humanos, Marcos se inclina por lo contrario: si cada vez compites contra más ordenadores, que no tienen esos sesgos, la prima se reduce. Aun así, la inversión cuantitativa era entonces menos del 5 % del total: tiene mucho recorrido.

Suerte o destreza

Para Marcos, la ventaja de los inversores discrecionales casi ha desaparecido: tienen mucha menos información que uno cuantitativo, y sus resultados de la última década lo reflejan. Siempre habrá alguno que gane, incluso muchos años seguidos, como el mono que acierta con el dardo; el problema es que no podemos predecir de antemano quién será. Le pregunté por Stanley Druckenmiller y su historial excepcional. Su respuesta: primero, ¿conocemos todo el historial o solo el de los fondos que mejor fueron? Segundo, con tantos gestores en el mundo, que alguno destaque por suerte es probable. Y si el inversor discrecional no sigue un sistema, ni él mismo sabe por qué acierta.

La ventaja está en los datos, y en jugar muchas veces

Sin señal en los datos, entra basura y sale basura, por muchos superordenadores que tengas. Por eso hay que invertir mucho tiempo en encontrar las fuentes más informativas. Ninguna será el santo grial, pero algunas dejan huellas que mejoran un poco la probabilidad de acierto. Y basta con eso: si en lugar de un 50 % aciertas un 51 o un 52 %, y puedes jugar muchísimas veces, tienes una fuente de beneficio enorme. Es lo que se cuenta de Jim Simons: acertar apenas por encima de la mitad, repetido millones de veces.

Sobre el futuro del trabajo, Marcos cree que los profesionales de las finanzas no serán reemplazados, sino que tendrán que trabajar codo con codo con los científicos de datos y los algoritmos, como ocurrió en la revolución industrial. Y pide a los gobiernos que esta vez ayuden de verdad a quienes tengan que reconvertirse. ¿Lo que más le motiva? Ayudar a que la gente tenga estabilidad financiera para retirarse, estudiar o cobrar su seguro, y enseñar, aunque desde un punto de vista egoísta habría ganado más dedicándose solo a sus inversiones.

Para empezar, recomienda antes de sus libros, que son avanzados, manuales generales de aprendizaje estadístico como An Introduction to Statistical Learning y The Elements of Statistical Learning, y su web, con un centenar de artículos gratuitos.

Leído hasta el final

Píldoras del Conocimiento · Episodio 54Página 5 de 5