Saltar al contenido

Aprendizaje automático en la mesa de negociación

21 de junio de 2022

Con Julien Messias, Fundador, Jefe de Investigación y Desarrollo, Quantology Capital Management

Describa brevemente su empresa y su propia trayectoria profesional.

Quantology Capital Management es una gestora de activos francesa líder que se especializa en finanzas cuantitativas. Gestionamos tres estrategias cotizadas basadas en acciones; nuestra filosofía de inversión se centra en capturar acciones de rendimiento superior mediante el análisis de los procesos de toma de decisiones de los inversores.

Julien Messias, Quantology Capital Management

Nuestro objetivo es explotar los sesgos de comportamiento (reacciones de precios por encima o por debajo de los eventos corporativos) de forma sistemática, con el fin de generar alfa. Nuestra mesa de negociación/I+D está compuesta por cuatro personas con experiencia en ingeniería y ciencias actuariales.


Recomendado: ¿Qué es el Big data?.


Soy miembro del Instituto Francés de Actuarios y dirijo el equipo comercial/I+D de Quantology. Anteriormente administré libros de negociación de derivados de renta variable exóticos y ligeros en ING Financial Markets.

¿Cómo utiliza Quantology el aprendizaje automático?

El propósito del aprendizaje automático en Quantology Capital Management es mejorar nuestras estrategias de una manera “no intuitiva”, es decir, probar la dependencia a nuevos factores o exhibir nuevos patrones de ejecución (alta frecuencia).


Recomendado: Todos los términos del Big data.


Es importante tener en cuenta que la limpieza de los datos ocupa el 80 % del tiempo de los científicos de datos. Este proceso requiere cuatro pasos. Primero, uno debe asegurarse de que los datos estén limpios y completos.

En segundo lugar, se debe dessesgar el conjunto de datos: se debe adaptar la filtración informativa, para lo cual utilizamos exclusivamente datos de mercado puntuales o en tiempo real. Creamos y alimentamos nuestras propias bases de datos continuamente. Los datos pueden ser cuantitativos, que generalmente están estructurados, y recientemente hemos agregado datos alternativos cualitativos, que generalmente no están estructurados. Finalmente, debemos asegurarnos de que los datos estén fácilmente disponibles y legibles.

Este proceso permite a Quantology Capital Management exhibir el mejor representante de la «inteligencia colectiva» del mercado, que es uno de los principios sólidos en los que nos basamos. Por eso, cuantos más datos, mejor. Pero cuantos más datos, más desordenado también. Es un equilibrio perpetuo entre la cantidad de datos y su precisión.

¿Cuáles son los desafíos de implementar AI/ML en una mesa de negociación?

Al administrar un fondo de cobertura, por un lado, debe concentrarse continuamente en aplicar nuevas técnicas y utilizar nuevos datos. Por otro lado, un gerente debe mantener principios y axiomas de inversión constantes, que son la base del éxito.

Dicho esto, no puede tener todo su negocio de la A a la Z confiando solo en ML. Uno de los problemas más conocidos es el sobreajuste. Esto denota una situación en la que un modelo apunta a observaciones particulares (demasiado énfasis en los valores atípicos, por ejemplo) en lugar de una estructura general basada en ciertos parámetros. Las recomendaciones conducen a que las pérdidas se eliminen conscientemente, o inconscientemente, al no cuestionar suficientemente los resultados.

¿Cómo puede el aprendizaje automático ser una ventaja competitiva para un fondo de cobertura?

El aprendizaje automático es una maravillosa canasta de herramientas que se puede utilizar para mejorar su comercio, lo que puede ser una ventaja competitiva significativa.

Hoy, notamos varias iniciativas en diferentes vías. Tiene a los «exploradores», investigadores enfocados en obtener más y más datos, frente a los «técnicos», personas que trabajan en datos de mercado tradicionales y tratan de mejorar los procesos actuales. Este último grupo evoluciona en un entorno bien conocido, ansioso por aplicar técnicas a sus conjuntos de datos estructurados tradicionales.

¿Cómo trabaja Quantology con los proveedores de soluciones tecnológicas?

La complejidad de la infraestructura debe manejarse adecuadamente. Para lograrlo, uno debe enfocarse en la relación comercial que se crea con los proveedores de soluciones tecnológicas. A una empresa de gestión de activos le lleva mucho tiempo tratar con tales socios, ya que la consistencia, la precisión y el formato de los datos deben ser desafiados constantemente. Un proveedor debe ser mucho más que un proveedor de datos: debe pensar como un socio a largo plazo interesado en el éxito de su cliente y debe conocer los comentarios de los usuarios.

¿Cuáles son las futuras amenazas para los procesos de aprendizaje automático e inteligencia artificial?

Las estrategias cuantitativas y sistemáticas son comúnmente criticadas por sufrir de «decadencia en el tiempo», para hablar como comerciante de opciones. También son desafiados por una percepción de falta de adaptabilidad.

El principal inconveniente del aprendizaje automático es cómo sufre durante los mercados financieros inestables. Es muy difícil encontrar una estrategia que pueda ser «todo terreno» o «para todo clima», y una estrategia que pueda ser independiente de la muestra.

La mejor forma de abordar y corregir este tema es dividir la base de datos en tres subconjuntos de datos: uno dedicado a la capacitación, el segundo a las pruebas y el tercero a la validación.

Más que los algoritmos en sí, la innovación ocurre en el campo del almacenamiento de datos con lagos de datos o almacenes de datos, que permiten a los investigadores recopilar datos de diferentes fuentes, así como diferentes formatos de datos corporativos. El problema con tales soluciones es el costo del cálculo al obtener los datos, ya que están sin procesar y no ordenados, y por lo tanto, la falta de visibilidad en el conjunto de datos lo hace inadecuado para decisiones de alta frecuencia. A corto plazo, todos los administradores de activos, desde las boutiques más pequeñas hasta los administradores de activos más grandes, incluirán herramientas estándar de aprendizaje automático en su proceso. Por lo tanto, obtener fuentes alfa a partir del aprendizaje automático requerirá cada vez más inversión, capacidades y conjuntos únicos de datos. Habiendo dicho eso, hemos notado que los esfuerzos recientes se centran menos en los algoritmos, que se hacen públicos antes, y más en los conjuntos de datos. El algo se puede considerar como el motor, los datos como el gas: a la larga, ¿cuál es más caro? La industria necesita responder a esa pregunta.

Este artículo apareció por primera vez en la edición del segundo trimestre de GlobalTrading, una publicación de Markets Media Group.

INSCRÍBASE AL BOLETÍN

Y recibe artículos exclusivos sobre los mercados de valores