Ciencia de Datos y Algoritmos en la Gestión Financiera

El análisis económico/fundamental y el análisis técnico, las dos vertientes tradicionales en el estudio de los mercados y la administración de negocios e inversiones, se han visto claramente potenciadas por el avance tecnológico, gracias a la posibilidad de explotar grandes volúmenes de información a alta velocidad, una capacidad que se ha desarrollado de manera disruptiva en los últimos años.

Esto ha derivado en el surgimiento de nuevas herramientas, que van ganando popularidad en el ámbito de la gestión financiera: la ciencia de datos y los algoritmos aplicados a la generación de métricas para la toma de decisiones, utilizando fuentes públicas o privadas, constantemente actualizadas o inclusive, conectadas en directo con el mercado (como ocurre, por ejemplo, con las estrategias de trading automático).

Ahora bien, ¿en qué consisten exactamente y cómo se integran, estos modernos análisis y rutinas basados en variables financieras “en línea” y big data, con las metodologías tradicionales? ¿Cuáles son y cómo se pueden controlar los riesgos asociados a su utilización? Interrogantes como estos, atraviesan las principales áreas de oportunidad y desafío de la actualidad: la transformación digital, el mayor acceso a fuentes de información, el futuro del trabajo en el campo de las finanzas y los impactos en términos de riesgo.

Es común pensar en big data y ciencia de datos como disciplinas vinculadas a métodos científicos diseñados para extraer conocimiento, con aplicación directa en inteligencia de negocio y logística, entre muchas otras áreas. Sin embargo, su utilización en el terreno de las decisiones financieras y las estrategias de inversión constituye algo más novedoso, donde el uso de enfoques cuantitativos sistematizados, en combinación con el estudio de fundamentos, ha derivado en lo que hoy conocemos como “quantamental analysis”.

Bajo este concepto se enmarcan los modelos matemáticos que buscan aprovechar grandes cantidades de datos, financieros y no financieros, identificar patrones y proveer resultados enriquecidos, a través de técnicas computacionales avanzadas que derivan en nuevos analíticos y estrategias concretas. Dichos modelos suelen basarse en distintos factores, como la evolución de precios u otras variables de mercado, su volatilidad y el análisis de tipo “sentiment” en redes sociales y medios, entre otros.

Si bien todo esto puede lucir novedoso y muy sofisticado, estas herramientas, orientadas a identificar y aprovechar oportunidades de mayores retornos ampliando el alcance de los métodos tradicionales, ya son muy utilizadas al día de hoy. Y si a lo anterior sumamos otra tendencia, cada vez más difundida, que consiste en el uso de sistemas automáticos de negociación para la identificación de oportunidades y ejecución de operaciones, al mismo tiempo que la información es ofrecida en fuentes públicas o privadas, estaremos más cerca de visualizar hacia dónde nos dirigen la transformación digital y las nuevas formas de trabajar.

Pero avancemos un poco más, porque en este mundo de la ciencia de datos y los algoritmos aplicados a la gestión financiera, por supuesto, también existen riesgos. Algunos de ellos son los ya conocidos, pero además cobran gran relevancia ciertas casuísticas específicas:

• Riesgos financieros: en esta categoría, además de los factores que habitualmente se identifican y cuya contribución al riesgo se busca medir, como es el caso de la calificación crediticia, la tasa de interés o el tipo de cambio, ahora debemos incluir otros elementos como las volatilidades, información económica alternativa, opiniones en redes y noticias, los cuales son utilizados en los modelos cuantitativos y algoritmos para identificar patrones y aprovechar tendencias.
• Riesgos de modelo: estas técnicas, al igual que el resto de los cálculos aplicados a efectos de gestión, valuación o medición de riesgos, deberán ser totalmente transparentes, estar cubiertas por un marco de gobierno y administración de su ciclo de vida, como así también integrarse en la infraestructura tecnológica de control y seguridad.

Es importante notar, que cuanto más inmediata resulte la ejecución de acciones concretas con base en estas metodologías (por ejemplo, la apertura o cierre de posiciones en el mercado) mayor será el riesgo asociado a las consecuencias negativas de posibles errores, provenientes de una definición metodológica o funcional incorrecta, fallas en la implementación, problemas en la respuesta ante fenómenos no previstos de forma adecuada (ya sean estos endógenos o sistémicos), etc.

Por lo anterior, al mismo tiempo que se ha constituido en una necesidad de negocio el entender e incorporar modernos recursos de análisis, se torna imprescindible poder comprender, dimensionar y controlar los riesgos vinculados a ellos.

Todo lo expuesto deja a las claras, una vez más, que estamos siendo testigos de un cambio disruptivo en términos de métodos de estudio, toma de decisiones y herramientas de ejecución. Como suele suceder, probablemente el peor escenario para una organización sea aquel en el cual la adaptación no ocurre, se demora o no es exitosa.

Las implicancias son de tal dimensión y complejidad, que el abordaje de los diversos aspectos no permite iniciativas parciales o aisladas, sino que requiere de una planificación integral que cubra todas las áreas a desarrollar de forma coordinada: identificación y acceso a las fuentes de datos, metodologías, sistematización y control de los riesgos asociados.

Raúl Antonio Malvestiti es Socio de Asesoría en Riesgos de Deloitte