L a irrupció de les noves tecnologies al món de les finances, i més concretament a la banca privada i a la inversió, no s’ha produït tan intensament com a d’altres sectors de l’economia. Penso que això canviarà radicalment els pròxims anys gràcies a la irrupció de tecnologies com Blockchain, Cloud Computing, el Big Data o la Intel·ligència Artificial. Deixem la tecnologia de Blockchain, i la seva influència en el registre i distribució de productes financers, per a un altre dia i centrem-nos en les possibilitats del Big Data i la Intel·ligència Artificial. Les aplicacions de totes aquestes tendències són immenses i abasten des de la manera d’interacció client-banc a noves tècniques de gestió. Deixarem per a un altre article tot el que fa referencia a la experiència del client com a consumidor de productes i serveis bancaris i desenvoluparem en aquest les noves formes de gestió d’actius que de manera inexorable s’ incorporaran als processos d’inversió en l’àmbit professional.
De la mateixa manera que les plataformes de ‘trading’ electrònic han canviat per sempre la industria del ‘brokeratge’, eliminant milers de llocs de treball i canviant el perfil del treballador d’aquesta industria, els incipients models d’intel·ligència artificial i el Big data perfilen ja el camí a seguir en la propera evolució de la gestió d’actius. Des del començament de la digitalització, el 1985 va començar la Revolució amb el desenvolupament de l’anàlisi fonamental gràcies a les noves capacitats de computació. El va seguir l’anàlisi del sentiment com a nova variable en la presa de decisions i, tot seguit, va arribar l’anàlisi de la qualitat dels beneficis empresarials. Posteriorment, vam gaudir de la possibilitat d’analitzar els fluxos d’actius i la seva influència en l’evolució dels mercats i, finalment, es va incorporar la presa de decisions basada en temes macro. Avui toca el Big data i la IA.
Algunes de les gran gestores de fons estan invertint magnes quantitats de recursos per desenvolupar la infraestructura i els models que facin possible una nova manera de gestió. Els avantatges són immensos, especialment faciliten prendre decisions més acurades i ajustades a la realitat i, per altra banda, permeten tenir accés a la informació de manera anticipada. Avancem dos exemples molt clars de l’ús del Big data: el desenvolupament de programes que recullen informació de preus de venda al públic de centenars de pàgines de venda ‘online’ permeten construir un indicador d’inflació (IPC) en temps real que ens mostra la tendència de la inflació abans que surti l’indicador oficial, el qual té una periodicitat mensual. Un gestor de renda fixa, per posar un exemple d’entre molts, por utilitzar aquesta informació per ajustar la durada de la seva cartera de bons si preveu un canvi important en l’IPC. Un altre cas molt visual es el seguiment de l’ocupació dels aparcaments de les gran superfícies comercials. Una alta ocupació d’aquest significa una bona temporada de vendes i, per tant, bones notícies per al sector ‘retail’, així com notícies positives per a la sortida de l’economia.
Però aquesta és la manera més simple de l’ús del Big data. Les noves tecnologies permeten analitzar grans sets de data no estructurada, o data que no es fàcilment quantificada. Aquestes innovacions permeten als analistes interpretar la informació des d’una varietat d’orígens molt més àmplia, que inclou el llenguatge, les imatges i la veu per primera vegada. Això és una oportunitat per generar noves formes de capturar temàtiques d’inversió com ‘momentum’, valor i rendibilitat. Tota aquesta informació és normalment la base per als models d’inversió, però la recerca i la construcció de carteres encara necessiten d’una decisió humana per seleccionar la informació i l’analítica que servirà per prendre la decisió d’inversió.
Tot i així, la utilització de noves tecnologies per a nous models és cada dia més intens i complex. Per exemple, les tècniques de ‘Machine Learning’ ja fan possible disposar de la flexibilitat suficient per a la creació de models dinàmics que s’adapten a la data. Les tècniques quantitatives del passat estan basades en regles més simplistes per filtrar companyies basades en unes mètriques predeterminades -com per exemple el preu en valor dels llibres. Ara, aquestes tècniques de ‘Machine Learning’ permeten els algoritmes que aprenen i s’adapten a la informació que canvia constantment.
Una altra tècnica, el processament del llenguatge natural (NLP) permet llegir i interpretar grans quantitats de text. Però més interessant és que ens permeten descobrir relacions molt subtils entre companyies que d’altra manera ens passarien desapercebudes –l’anomenat ‘momentum’ entre companyies. Aquestes interrelacions no tan obvies es poden construir des del ‘clustering’ de companyies en data basada en text, que apareixen en articles de notícies, registres reguladors o informes d’anàlisis.
Els canvis que estem vivint en el nostre dia a dia per culpa d’empreses com Google o Facebook, en les que el seu negoci principal és la nostra informació personal que obtenen cada vegada que ens connectem a la xarxa, es pot extrapolar a tota la informació que aconsegueixen les gestores que utilitzen el Big data i la IA en el seu procés d’inversió, un predomini de l’informació a gran escala.