Nueva York, Estados Unidos
Es una nueva forma de la llamada inversión cuantitativa, que transa valores siguiendo principalmente modelos matemáticos. Quienes la practican, no obstante, difieren de aquellos que usan modelos cuantitativos tradicionales, que programan sus computadoras para aprovechar relaciones estadísticas entre los precios de los activos y no le asignan mucha importancia a la información del mundo real.
En unas oficinas del barrio de SoHo, en Nueva York, donde a veces se pueden ver robots transitando por los pasillos, decenas de científicos con doctorados en materias como astrofísica, inmunología y lingüística se juntan en torno a monitores de computadoras que muestran el movimiento de miles de millones de dólares por todo el mundo.
Su objetivo es otorgar al fondo de cobertura para el cual trabajan una ventaja a la hora de invertir los US$24.000 millones que administra. Los científicos de Two Sigma LLC programan las computadoras para extraer torrentes de información de fuentes como cables noticiosos, resultados de empresas, reportes del clima y Twitter. Luego escriben algoritmos que compran y venden acciones según las “señales” que leen en esos datos.
Two Sigma representa la nueva frontera de la inversión computarizada en la que científicos e ingenieros que carecen de una formación formal en temas financieros tratan de aprovechar la potencia de cálculo de las computadoras para predecir los precios de los valores a partir de las pistas que recogen de las noticias y los datos que analizan. “El secreto de los mercados es que se pueden predecir”, dice Alexander Midgal, un ex físico soviético que reside en Nueva Jersey y escribe algoritmos para predecir la cotización de valores sobre la base de un amplio rango de información. “Por supuesto que no en un 100%, pero lo suficiente como para marcar una diferencia, obtener una ganancia”.
 |
El objetivo de la nueva inversión cuantitativa es obtener una ventaja sobre los operadores humanos al escribir algoritmos que son más veloces e inteligentes que una persona para analizar todo tipo de información y detectar patrones útiles para transar acciones, bonos, opciones, futuros o divisas.
En el caso de Two Sigma, a la hora de comprar o vender la acción de, por ejemplo, un operador de hipermercados, sus científicos crean decenas de modelos para transar acciones de esa empresa.
Un modelo se dedica a revisar los informes de los analistas en busca de patrones en su opinión sobre la cadena minorista, al igual que lo podría hacer un corredor humano. Otro modelo busca claves en Twitter, como un creciente número de quejas contra la compañía, que correlacionará con otra información, como una reducción de los clientes que visitan los hipermercados de la empresa.
Algoritmos adicionales se encargan de otras tareas que a menudo realizan los corredores humanos, como ver si la cotización rompe el promedio de 200 días o monitorear si los ejecutivos están comprando o vendiendo las acciones de la compañía. Cada modelo sugiere la compra, venta o mantención de la acción. Otro algoritmo evalúa las recomendaciones y las coteja contra el desempeño histórico del modelo y otros factores. Luego, un algoritmo de gestión de riesgo revisa la recomendación y se cerciora de que no sobreexpone a la firma a una acción o un sector. Finalmente, un sistema de ejecución realiza la operación.
Los científicos se pueden demorar semanas en perfeccionar un modelo. Una vez que se programa en las computadoras, el modelo hace su trabajo en segundos o menos.
“En su mayoría, los gestores de inversión operan más o menos de la misma forma que hace décadas: usan sus cerebros para hacer sus inversiones”, dice David Siegel, cofundador de Two Sigma. Los sistemas de la firma, señala, son inteligencia artificial y “representan el futuro de la gestión de inversiones”.
Two Sigma y otras empresas están librando una batalla dentro y fuera de Wall Street. Algunas son startups diminutas, mientras que otras firmas de inversión cuantitativa también exploran la estrategia. Fondos de cobertura como Renaissance Technologies LLC, que gestiona US$25.000 millones, y D.E. Shaw, que administra US$36.000 millones, han explorado operaciones similares, según fuentes cercanas. Ambas empresas declinaron referirse al tema para este artículo.
El fenómeno es parte de una búsqueda más amplia de toda clase de empresas para beneficiarse del creciente flujo de información sobre prácticamente todo, al hacer lo que se llama “minería de datos”.
“El poder de cálculo disponible en la actualidad, combinado con la capacidad de almacenar inmensas cantidades de información, nos ha permitido hacer cosas que antes eran sencillamente imposibles”, afirma Petter Kolm, director del programa de matemáticas en las finanzas del Instituto de Ciencias Matemáticas Courant, ligado a la Universidad de Nueva York.
Algunos creen que estas estrategias pueden exponer a los inversionistas a un riesgo excesivo. Uno de los escépticos es Ray Dalio, fundador de Bridgewater Associates LP, el mayor fondo de cobertura del mundo. Aunque no se refirió en específico a Six Sigma, Dalio opina que tales métodos pueden colocar grandes apuestas a relaciones “espurias”, señaló un portavoz de Bridgewater.
Profesores de la Universidad de California en Davis así como de otras entidades advirtieron en un estudio divulgado en abril de 2014 sobre el riesgo de interpretar erróneamente correlaciones aleatorias como si fueran fuertes. Las “pseudomatemáticas” y la “charlatanería financiera”, concluyeron, se estaban apoderando de Wall Street.
Siegel, de 53 años, fundó Two Sigma en 2001 junto con el matemático John Overdeck, de 45 años. En una clasificación de la firma HedgeFund Intelligence en septiembre de 2014, Two Sigma ocupaba el puesto 22 entre 305 fondos de cobertura.
En un mundo tan interconectado “¿qué factor afecta el precio de la acción de Apple?”, pregunta Siegel. “La respuesta es casi todo.... Cada venta, cada terremoto”.
Kolm, el científico de la Universidad de Nueva York, advierte que las computadoras no están cerca de ser omniscientes. “En el caso de la mayoría de los modelos de predicción financiera, el grado de certeza es mucho más débil” que incluso los pronósticos del tiempo.
—Rob Copeland contribuyó a este artículo.
