La IA en la gestión de carteras
La inteligencia artificial puede analizar informes empresariales, supervisar miles de señales de riesgo y evaluar cambios en la cartera mucho más rápido que un equipo de inversión que trabaje de forma manual. Eso no significa que pueda predecir los mercados de forma fiable ni que elimine la posibilidad de sufrir pérdidas. Para los inversores, la cuestión relevante no es si una cartera se describe como «basada en IA», sino en qué decisiones influye la tecnología, qué datos respaldan esas decisiones y quién asume la responsabilidad cuando el modelo se equivoca.
El papel de la IA en la gestión de carteras
La inteligencia artificial en la gestión de carteras abarca una amplia gama de aplicaciones. Algunos sistemas extraen información de los estados financieros, las conferencias sobre resultados, las noticias y los datos de mercado. Otros calculan el riesgo, identifican relaciones entre activos, simulan posibles operaciones o ayudan a los gestores a construir carteras en función de un objetivo concreto.
Los modelos de aprendizaje automático se diferencian de las reglas de inversión convencionales porque pueden analizar un gran número de variables y detectar patrones sin que sea necesario programar de antemano todas las relaciones. Un sistema podría evaluar cómo los cambios en los tipos de interés, los precios de las materias primas, el discurso de las empresas y la volatilidad del mercado han afectado históricamente a un grupo de valores.
La IA generativa tiene una finalidad diferente. Puede resumir estudios, responder a preguntas sobre documentos internos y convertir los datos de la cartera en borradores de comentarios para los clientes. Puede que facilite la recuperación de información, pero no se convierte en un experto en inversiones simplemente porque su explicación suene convincente.
Por lo tanto, la expresión “gestión de carteras basada en la IA” por sí sola no aporta mucha información. Puede referirse tanto a un sofisticado sistema de gestión de riesgos institucional, como a un asesor robótico que utiliza reglas de asignación relativamente convencionales, o incluso a una plataforma dirigida al consumidor que ha incorporado un chatbot a un producto de inversión ya existente.
Ámbitos en los que la IA puede aportar un valor real
Los equipos de inversión procesan más información de la que cualquier persona puede leer. La inteligencia artificial puede ayudar a clasificar ese material, extraer datos relevantes y alertar a los analistas de los cambios que requieren atención.
Un modelo podría detectar que la dirección de una empresa se ha vuelto menos segura en su discurso, que los patrones de capital circulante han cambiado o que varias empresas de la cartera comparten una exposición que no queda reflejada en sus clasificaciones sectoriales oficiales. También puede comparar un nuevo informe con años de información publicada anteriormente de forma más eficiente que una persona que realizara la misma búsqueda manualmente.
La gestión de riesgos ofrece otra aplicación fiable. La tecnología permite calcular cómo podría responder una cartera a los cambios en los tipos de interés, las divisas, los diferenciales de crédito o la volatilidad de la renta variable. Además, permite detectar concentraciones que resultan difíciles de apreciar cuando los activos se mantienen a través de múltiples fondos, entidades jurídicas y depositarios.
Plataformas como Aladdin, de BlackRock, están diseñadas para integrar la información sobre carteras, riesgos y operaciones en un sistema común. Su valor no radica tanto en ofrecer una única predicción de mercado como en ayudar a los profesionales de la inversión a visualizar las exposiciones de forma coherente y a analizar las consecuencias de las posibles decisiones.
La IA también puede mejorar los controles operativos al identificar transacciones inusuales, discrepancias en las conciliaciones o incumplimientos de las restricciones de la cartera. Estas aplicaciones pueden reducir el trabajo repetitivo y, al mismo tiempo, orientar a los empleados hacia las excepciones que requieren un juicio de valor.
La optimización de carteras no es una bola de cristal
La optimización de carteras tiene como objetivo seleccionar una combinación de activos que ofrezca una rentabilidad esperada atractiva para un nivel de riesgo determinado. La inteligencia artificial puede aportar más datos y modelar relaciones que los enfoques tradicionales podrían pasar por alto.
La limitación radica en que aún es necesario estimar las rentabilidades esperadas, los riesgos y las correlaciones. Estas estimaciones son inciertas y pueden cambiar rápidamente. Los activos que parecían tener una relación débil en condiciones normales de mercado pueden caer al unísono durante una crisis, precisamente cuando más se necesita la diversificación.
Un modelo complejo puede generar una asignación que parezca matemáticamente precisa, pero que dependa de supuestos demasiado frágiles como para respaldarla. Pequeños cambios en los datos de entrada pueden, en ocasiones, provocar cambios sustanciales en la cartera recomendada.
Por lo tanto, las restricciones son fundamentales. Los equipos de inversión pueden limitar la exposición a una empresa, un sector o un país, exigir un nivel mínimo de liquidez y restringir la rotación. Estas normas impiden que el proceso de optimización busque una cartera teóricamente eficiente que, en la práctica, resultaría inviable o excesivamente concentrada.
La inteligencia artificial puede mejorar el análisis, pero no puede determinar los objetivos del inversor. Las decisiones sobre la pérdida aceptable, las necesidades de liquidez, el horizonte de inversión y las restricciones éticas siguen siendo, en esencia, una cuestión humana.
Una mayor cantidad de datos no garantiza automáticamente mejores decisiones
Los datos alternativos han ampliado la información de la que disponen los gestores de inversiones. Las imágenes por satélite, el tráfico web, las ofertas de empleo, los registros de envíos, las transacciones con tarjeta de crédito y la opinión en Internet pueden ofrecer pistas sobre la actividad económica o empresarial antes de que se publiquen los estados financieros convencionales.
La ventaja puede ser temporal. Una vez que muchos inversores adquieran el mismo conjunto de datos y utilicen modelos similares, es posible que esa información se refleje en los precios de mercado. Lo que antes ofrecía una señal distintiva puede convertirse en un bien costoso.
Los datos también pueden estar incompletos o ser engañosos. Las transacciones con tarjeta pueden sobrerrepresentar a determinados consumidores, la actividad en línea puede estar manipulada y los datos de satélite pueden interpretarse de forma incorrecta. Los registros históricos pueden presentar lagunas o reflejar condiciones que ya no son válidas.
La legalidad y la privacidad también son importantes. Las empresas deben comprender cómo se ha recopilado la información, si puede utilizarse con fines de inversión y si permite identificar a las personas. La compra de datos a un tercero no exime al gestor de inversiones de la responsabilidad de evaluar su procedencia.
Un modelo entrenado con grandes cantidades de información de baja calidad puede generar errores a mayor velocidad y en mayor escala que un analista humano.
El problema de los mercados cambiantes
Los modelos de aprendizaje automático aprenden a partir de ejemplos históricos. Los mercados, sin embargo, son sistemas adaptativos que se ven influidos por la política, la tecnología, la normativa y el comportamiento de otros inversores.
Una estrategia entrenada durante un periodo de bajada de los tipos de interés puede comportarse de forma inesperada cuando aumenta la inflación. Una relación observada antes de un cambio normativo puede desaparecer posteriormente. Los modelos desarrollados en mercados tranquilos pueden subestimar la rapidez con la que desaparece la liquidez en situaciones de tensión.
Esto se conoce como «desviación del modelo» o «cambio de régimen». El entorno empieza a diferir de las condiciones representadas en los datos de entrenamiento, lo que reduce la fiabilidad de los resultados.
Las empresas de inversión deben supervisar si un modelo se comporta según lo previsto, y no limitarse a comprobar si sigue siendo técnicamente operativo. El rendimiento debe compararse con sus supuestos originales, estableciendo umbrales claros para su revisión, restricción o retirada.
La supervisión humana es fundamental cuando el modelo se encuentra con algo que no ha visto antes. Es precisamente en esos momentos cuando la confianza en los resultados automáticos puede resultar más engañosa.
La personalización tiene límites prácticos
La inteligencia artificial puede ayudar a los asesores a adaptar las carteras en función de los objetivos del inversor, su tolerancia al riesgo, su situación fiscal y sus necesidades de liquidez. También puede detectar cuándo una cartera se ha desviado de su asignación objetivo o cuándo un cambio en las circunstancias puede justificar una revisión.
Esto podría permitir ofrecer servicios personalizados a clientes que, de otro modo, no recibirían una cartera totalmente a medida a través de un banco privado tradicional. No obstante, la calidad del resultado depende de la información facilitada.
Un cuestionario no siempre permite determinar cómo reaccionará un inversor ante una pérdida real. Es posible que alguien afirme sentirse cómodo con la volatilidad cuando los mercados están al alza, pero que luego venda ante la primera caída importante.
La personalización también puede convertirse en una herramienta de marketing. Una plataforma puede presentar una cartera estándar con pequeños ajustes como si se tratara de una estrategia totalmente personalizada. Los inversores deberían preguntarse qué elementos están realmente adaptados a sus necesidades y cuáles son los mismos para todos los clientes de una categoría amplia.
Un algoritmo puede ayudar a traducir las preferencias definidas en una asignación. No puede determinar si el inversor ha comprendido las consecuencias.
¿Puede la IA predecir la evolución del mercado?
La IA puede calcular probabilidades e identificar patrones históricos. No puede saber con certeza cómo reaccionarán los mercados ante unas elecciones, una guerra, una decisión reguladora, el anuncio inesperado de unos resultados o un cambio en la confianza de los inversores.
Las previsiones también pueden influir en el mercado que pretenden pronosticar. Si muchas empresas utilizan datos y modelos similares, pueden comprar y vender activos similares al mismo tiempo. Esto puede debilitar la oportunidad inicial y, potencialmente, intensificar las fluctuaciones de los precios.
Las empresas cuantitativas de éxito demuestran que las estrategias de inversión sistemáticas pueden funcionar. No demuestran, sin embargo, que una herramienta de IA estándar pueda reproducir sus resultados. Las empresas líderes combinan datos propios, infraestructura, investigación, sistemas de ejecución y años de conocimientos acumulados. Además, sus modelos son desarrollados y supervisados por equipos especializados.
Por lo tanto, una aplicación para consumidores que afirme identificar las acciones ganadoras del mañana mediante inteligencia artificial debería ser recibida con un escepticismo considerable. El uso de terminología sofisticada no garantiza la capacidad predictiva.
¿Por qué cosas merece la pena pagar?
Puede que merezca la pena invertir en inteligencia artificial cuando esta ofrece una mejor consolidación, mayor eficiencia en la investigación, mayor visibilidad de los riesgos o un mejor control operativo. Para una family office, la capacidad de visualizar las exposiciones en activos públicos y privados puede resultar más valiosa que otra fuente de recomendaciones de inversión.
Es especialmente importante contar con datos fiables y una buena integración. Una plataforma debe explicar con qué depositarios, bancos y fuentes de mercado está conectada, cómo se concilia la información y cómo se valoran los activos privados.
El análisis de escenarios también puede resultar útil. El sistema debería permitir al inversor o al gestor examinar qué podría suceder bajo diversas hipótesis, en lugar de presentar una única previsión como el futuro esperado.
La transparencia es más importante que la novedad. Los usuarios deben comprender en qué aspectos influye el modelo, cómo se comprueba su rendimiento y en qué casos se requiere la aprobación humana. No se debe otorgar mayor autoridad a un sistema que no pueda explicar sus limitaciones simplemente porque sus cálculos internos sean complejos.
Lo que normalmente puedes saltarte
Los inversores no necesitan un producto de inteligencia artificial simplemente porque la etiqueta suene moderna. Muchos asesores robóticos utilizan reglas de cartera sencillas basadas en la diversificación, el reequilibrio periódico y los fondos de bajo coste. Estas pueden ser perfectamente útiles, pero no deberían tener un precio elevado solo porque se haya añadido un chatbot a la interfaz.
Las recomendaciones diarias sobre la cartera tampoco son necesarias para la mayoría de los inversores a largo plazo. Los cambios frecuentes pueden aumentar los costes, los impuestos y la tentación de reaccionar ante las fluctuaciones del mercado.
Los índices de opinión y los paneles de control predictivos pueden parecer sofisticados sin que por ello mejoren los resultados. Hay que preguntarse si la información influye en una decisión concreta y si la mejora alegada se ha comprobado teniendo en cuenta los costes.
Y lo más importante: evita los productos que prometan rendimientos siempre superiores, protección frente a las pérdidas o la capacidad de anticipar los movimientos del mercado con una precisión excepcional. Las autoridades reguladoras han tomado medidas contra las empresas de inversión que realizan declaraciones engañosas sobre el uso que hacen de la IA. El “AI washing” puede hacer que una estrategia corriente o sin demostrar parezca más avanzada de lo que realmente es.
Preguntas que hay que hacer a un profesional sanitario
Empieza por preguntarte qué hace realmente la IA. ¿Se encarga de la investigación, de seleccionar valores, de determinar la asignación de activos, de reequilibrar la cartera o de comunicarse con los clientes?
Pregunta qué datos utiliza el modelo y si el proveedor tiene derecho legal a utilizarlos. Averigua con qué frecuencia se somete a pruebas el sistema, quién revisa sus resultados y en qué circunstancias la empresa decidiría anularlo o suspenderlo.
Las afirmaciones sobre el rendimiento deben analizarse con cautela. Hay que determinar si los resultados se basan en carteras reales o en simulaciones históricas, si incluyen comisiones y costes de negociación, y qué índice de referencia se ha utilizado. Una prueba retrospectiva realizada tras el desarrollo del modelo no equivale a un historial de inversión verificado de forma independiente.
El proveedor también debería explicar cómo se almacena la información de los clientes y si se utiliza para entrenar modelos externos. Las posiciones de la cartera, la situación fiscal y los objetivos financieros personales son datos sensibles.
Por último, pregunta quién es el responsable de la decisión de inversión. La tecnología no exime al asesor o al gestor de activos de sus obligaciones legales y profesionales.
El riesgo de los modelos habituales
Si muchas entidades financieras recurren a los mismos proveedores de modelos, servicios en la nube y conjuntos de datos, el sector podría llegar a estar más interconectado de lo que parece.
Los modelos podrían reaccionar de forma similar ante una perturbación del mercado, recomendar cambios comparables en la cartera o interpretar erróneamente la misma información errónea. Las operaciones resultantes podrían amplificar la volatilidad.
La dependencia de un número reducido de proveedores de tecnología también genera riesgo operativo. Una interrupción del servicio, un ciberataque o una actualización de modelos podrían afectar a numerosas empresas al mismo tiempo. Los gestores de inversiones necesitan planes de contingencia y deben poder seguir llevando a cabo los procesos críticos en caso de que un proveedor deje de estar disponible.
Externalizar un modelo no significa externalizar la responsabilidad. Las empresas deben conocer el sistema lo suficiente como para cuestionar sus resultados y gestionar sus fallos.
La supervisión humana debe ser real
El hecho de que una persona intervenga al final de un proceso automatizado no garantiza una supervisión eficaz. Los empleados pueden aceptar las recomendaciones del modelo porque el sistema parece más objetivo o porque carecen del tiempo y los conocimientos necesarios para cuestionarlas.
Una supervisión eficaz requiere tener acceso a los datos pertinentes, comprender el uso previsto del modelo y disponer de la autoridad necesaria para rechazar sus recomendaciones. Las decisiones deben documentarse, especialmente cuando el sistema influye en la asignación de la cartera o en el asesoramiento prestado a un cliente.
Los profesionales de la inversión desempeñarán cada vez más el papel de gestores de modelos, además de analistas de valores y gestores de carteras. Tendrán que saber distinguir cuándo la inteligencia artificial aporta información útil, cuándo se limita a confirmar una opinión ya existente y cuándo genera una falsa sensación de seguridad.
El proceso más eficaz combina la capacidad computacional con la responsabilidad humana. La inteligencia artificial puede identificar patrones y simular escenarios; las personas deben decidir si esos patrones tienen sentido desde el punto de vista económico y se ajustan a los intereses del inversor.
Un estándar más exigente para las carteras gestionadas por IA
Una cartera gestionada con ayuda de la inteligencia artificial debe cumplir igualmente los mismos criterios básicos que cualquier otro enfoque de inversión. Debe tener un objetivo claro, unos costes comprensibles, una diversificación adecuada y un nivel de riesgo acorde con la capacidad del inversor para asumir pérdidas.
Su rendimiento debería compararse con el de una alternativa más sencilla. Si una cartera diversificada y de bajo coste ofrece un resultado similar, es posible que la complejidad y los gastos adicionales no estén justificados.
Los inversores también deberían distinguir entre una mejor gestión de la cartera y una mejor presentación. Los comentarios generados automáticamente y los paneles de control bien diseñados pueden mejorar la comunicación sin que ello suponga una mejora de las inversiones subyacentes.
Es probable que la inteligencia artificial se integre en todos los ámbitos: la investigación, la construcción de carteras, la gestión de riesgos y la atención al cliente. Su aportación más duradera podría consistir en ayudar a los profesionales a procesar la información y supervisar carteras complejas de forma más coherente, más que en sustituirlos por un motor de inversión autónomo.
La tecnología puede agilizar la gestión de carteras y hacer que se tome decisiones con mayor conocimiento de causa, pero no puede eliminar la incertidumbre ni definir qué es lo que un inversor debe valorar. Utiliza la inteligencia artificial cuando contribuya a mejorar la evidencia, la visibilidad y la disciplina. Mantén una actitud escéptica cuando se presente como sustituto de la diversificación, el criterio o la responsabilidad.
