¿Cómo la IA está sentando las bases para Quant 2.0?
28 ENE, 2026
Por Pictet AM
La inteligencia artificial no es un campo nuevo, pero los avances recientes en capacidad de procesamiento, computación en la nube y herramientas de código abierto han reducido las barreras para utilizar el aprendizaje automático (machine learning, ML), un subconjunto de la IA.
Actualmente, la IA está revolucionando la inversión cuantitativa y creando la oportunidad de desarrollar el Quant 2.0. Gracias a su capacidad de procesamiento sin precedentes, la IA permite que los modelos de inversión rastreen relaciones cada vez más complejas entre un número creciente de series de datos.
Limitaciones de los modelos cuantitativos tradicionales
Los enfoques cuantitativos tradicionales solían limitarse al análisis de un número relativamente pequeño de efectos de mercado, lo que daba lugar a errores temporales de valoración. Esto permitía la exposición a factores más amplios del mercado, como el valor o el impulso. La IA, en cambio, ofrece la posibilidad de analizar cientos de señales o características potenciales a mayor frecuencia, generadas a partir de datos como cuentas de empresas, precios de acciones, notas de analistas, informes de prensa y respuestas de los inversores a nueva información, tanto a corto como a largo plazo. Y esto es solo el comienzo.
A diferencia del aprendizaje automático tradicional, que identifica relaciones lineales dentro de los conjuntos de datos, la IA puede captar asociaciones mucho más complejas, permitiendo una visión más profunda de los factores que impulsan los precios de las acciones. La capacidad de identificar relaciones no lineales multiplica su habilidad para encontrar asociaciones entre series de datos.
Por ejemplo, en un modelo tradicional, una mejora en la calificación de una empresa por parte de un analista suele indicar que sus acciones tendrán mejor rendimiento. Sin embargo, esta relación no siempre se cumple ni se detecta a tiempo para generar alfa. Un modelo de aprendizaje automático no lineal, entrenado con datos históricos, puede identificar cuándo la mejora del analista realmente anticipa una futura subida en el mercado, considerando factores como la variedad de previsiones, casos atípicos o el momento en que ocurre, por ejemplo, antes de publicar resultados. Además, si los fondos de cobertura venden en corto de forma generalizada, el modelo puede prever una contracción de posiciones cortas y una subida de precio mayor a la que justificaría solo la mejora del analista. Hay miles de estas relaciones no lineales en los datos financieros que pueden generar alfa adicional.
La IA ayuda a generar rentabilidades neutrales a factores
Este marco más complejo permite a los gestores de carteras aislar los efectos específicos de cada acción que influyen en su precio, eliminando una multitud de factores comunes (mercado, sector, región, industria, país, estilos, exposiciones económicas) del rendimiento de cada acción. Así, pueden identificar y extraer alfa puro relacionado con la empresa. Con el tiempo, los algoritmos evolucionan, comprendiendo las dinámicas económicas y de mercado cambiantes e incorporando nuevas series de datos.
Para ser eficaces, los modelos impulsados por IA necesitan que los humanos establezcan los parámetros de inversión. Pero una vez especificados, el algoritmo entrenado toma las decisiones de compra y venta de acciones individuales.
Dado que estos parámetros limitan el riesgo, también limitan la cantidad de alfa que genera la estrategia. Sin embargo, el efecto compuesto incluso del alfa incremental es poderoso a lo largo del tiempo. Y dado que se prevé que los rendimientos esperados de la renta variable caigan a dígitos medios debido a las altas valoraciones tras varios años excepcionales, incluso uno o dos puntos porcentuales de alfa marcarán la diferencia. Por ejemplo, si suponemos un rendimiento hipotético del mercado durante los próximos 10 años del 5 % y un rendimiento superior del 1,5 % anual neto de comisiones, el efecto compuesto supondrá un rendimiento adicional del 24,8 % para el cliente a lo largo de la década.
Nuestra estrategia Quest AI aprovecha la escala y eficiencia de la inteligencia artificial para la selección de valores en un producto indexado mejorado con bajo tracking error. Se creó con el objetivo de producir una estrategia que tuviera el mismo perfil y nivel de riesgo que el mercado en general, pero que generara un potencial de rendimiento adicional.
A diferencia de las estrategias de gestión activa —que también buscan superar al mercado—, el hecho de que nuestro enfoque de IA requiera menos intervención humana implica menores costes de gestión. Normalmente, nuestro enfoque de IA cuesta poco más que una estrategia pasiva, a pesar de la experiencia necesaria para construir y mantener el modelo.
¿Qué hace diferente nuestro enfoque de IA?
Nuestros modelos de IA propios han sido desarrollados a lo largo de muchos años por expertos, que suelen ser doctores en física y matemáticas. Los modelos han sido entrenados con unas 400 características de múltiples series de datos, incorporando periodos de alrededor de 15 años y luego probados repetidamente bajo diferentes escenarios económicos. El riguroso proceso está diseñado no solo para maximizar el poder de predicción, sino también para garantizar que los modelos no estén sobre ajustados; es decir, que no solo produzcan resultados precisos bajo un conjunto limitado de circunstancias, sino que funcionen en entornos económicos cambiantes.
