En momentos en que las administradoras de fondos priorizan la adopción de estrategias “problem solving”, capaces de afrontar desafíos como la elevada volatilidad del mercado, la ciencia de datos se posiciona como una vía hacia la transparencia y la precisión en medio de la incertidumbre.
Las crisis económicas y políticas impulsan la aplicación de prácticas de ciencia de datos en las administradoras de fondos, ya que pueden influir y cambiar la dirección del mercado de un momento a otro. Esta tendencia a utilizar grandes cantidades de datos procedentes de diversas fuentes, respaldadas por nuevas tecnologías y capacidades analíticas, como la aplicación de lenguajes de programación, ha ido cobrando un impulso exponencial como forma de reducir riesgos y generar alfa ante los rápidos cambios del escenario económico.
Además de los datos históricos convencionales, el modelo basado en el uso de datos en tiempo real y datos alternativos permite enriquecer los análisis y mejorar las recomendaciones. Este enfoque ha demostrado ser muy valioso en el proceso de toma de decisiones de las administradoras de fondos, brindando agilidad y conocimiento a quienes buscan generar alfa. Además, ofrece la posibilidad de que las administradoras de fondos puedan monitorear el mercado independientemente de sus socios, obteniendo así una mayor autonomía en la toma de decisiones.
Cómo iniciar un proceso de adaptación a una cultura de datos
La incorporación exitosa de la ciencia de datos en las operaciones requiere mucho más que invertir en tecnologías y agregar nuevas fuentes de datos. Para que la ciencia de datos no sea solo una tendencia más que las empresas adoptan para no quedarse fuera, se requiere una nueva visión.
Este cambio cultural está relacionado con el desafío de integrar los nuevos frentes en línea con los objetivos del negocio, teniendo como prioridad hacer que la toma de decisiones sean “data-driven”. Poner en práctica esta cultura basada en los datos requiere el desarrollo de estructuras y competencias.
Los analistas de inversiones deben combinar conocimientos de finanzas, economía, estadística, matemáticas y programación – especialmente en Python, el lenguaje más utilizado en el mercado– para validar ideas y tomar decisiones más precisas reduciendo así la subjetividad del proceso. Es todo un reto, por lo que muchas empresas optan por formar equipos multidisciplinares altamente cualificados. Entre ellos:
- Analistas con conocimientos de programación;
- Ingenieros de datos (para gestionar la arquitectura de canalización de datos);
- Científicos de datos (responsables de recopilar, organizar y analizar datos);
- Analistas quant (que desarrollan y aplican modelos estadísticos que orientan la toma de decisiones);
- Desarrolladores (trabajan con bases de datos y flujos de información, creando códigos para el análisis y la manipulación de datos).
La gestión cuantitativa de inversiones se basa en modelos analíticos que “automatizan” la decisión de compra y venta de activos. Los modelos matemáticos desarrollados se deben probar, mejorar y evaluar constantemente para reducir riesgos y aumentar la capacidad de generar alfa. Es por ello que estos profesionales apuestan por dominar el lenguaje de programación Python, muy utilizado en la ciencia de datos y el machine learning.
Si bien el sistema financiero global se construyó sobre las famosas hojas de cálculo Excel debido a sus amplias capacidades y facilidad de uso, el lenguaje Python ha ganado terreno entre las administradoras de fondos en los últimos años. Prueba de ello es que la demanda de profesionales que dominen esta habilidad es cada vez más grande entre estas empresas.
A pesar de que la demanda por Excel sigue siendo alta entre las administradoras de fondos, las limitaciones como el uso de grandes volúmenes de datos procedentes de distintas fuentes, los errores de sintaxis al insertar fórmulas manualmente y los riesgos de seguridad al almacenar información crítica en hojas de cálculo que podrían quedar expuestas a cyberattacks, han abierto espacio al lenguaje de código abierto.
Python se considera actualmente una herramienta de análisis de datos más avanzada que Excel, razón por la cual es tan popular en la comunidad de la ciencia de datos. Este lenguaje fue votado como el más popular del mundo.
Si bien los analistas de inversiones necesitan adquirir algunas habilidades de programación para desarrollar en Python, las razones para el crecimiento de la adopción en los mercados financieros son muchas, destacando las aplicaciones en la ciencia de datos y el machine learning. El lenguaje cuenta con una infinidad de bibliotecas que permiten un rápido desarrollo y reutilización. Muchas de estas bibliotecas están orientadas a los análisis visuales e interactivos. Además, aprender este lenguaje es una forma que muchos analistas han encontrado para ganar mayor autonomía respecto al equipo interno de TI, que a menudo está sobrecargado con otros proyectos y la gestión de la infraestructura tecnológica.
¿Está su administradora de fondos preparada para generar alfa con data science?
¿Pero cómo aprovechar todo el poder de la ciencia de datos para impulsar los resultados de su administradora de fondos y generar alfa? Con el objeto de aprovechar todos los beneficios del uso de datos a gran escala para automatizar las decisiones de inversión, debe responder afirmativamente a las siguientes preguntas:
¿La administradora de fondos invierte en la diversificación de las fuentes de datos?
La gestión de datos es el mayor desafío para la implementación de una estrategia sistemática de inversiones, según la encuesta realizada entre participantes en un evento de Bloomberg. Es fundamental utilizar datos de fuentes alternativas, además de los convencionales, como instrumentos económicos, para crear modelos analíticos que evalúan con alta precisión los riesgos y las tasas de rendimiento de las inversiones. La ciencia de datos conduce a la resolución de problemas complejos, por lo que es necesario invertir en cualificaciones y desarrollar profesionales capaces de enfrentar nuevas tecnologías, análisis y modelos de trabajo.
¿La administradora de fondos invierte en el tratamiento, la calificación y la distribución de los datos para realizar los análisis y probar hipótesis?
La adquisición de datos fiables y de calidad es un gran desafío. En este sentido, la selección de los proveedores debe tener en cuenta aspectos como la frecuencia de distribución, datos intradía en tiempo real, curación, tecnología de entrega, estabilidad de la herramienta y medios de conectividad de la información en otras tecnologías. Otro requisito es la implementación de una estructura de gestión de datos, lo que requiere la adopción de múltiples plataformas que permitan estructurar canalizaciones de datos robustos y automatizados para posibilitar análisis capaces de orientar las decisiones de inversión.
¿La administradora de fondos quiere diversificar los fondos de gestión?
Una forma posible es replicar un modelo sistemático que genere alfa para probarlo y aplicarlo en otros mercados, de modo que la curva de aprendizaje y los resultados puedan ser más cortos que en el enfoque discrecional. La aplicación de ciencia de datos también ayuda a encontrar combinaciones de asignación basadas en modelos matemáticos con alta agilidad y monitoreo en tiempo real.
Ciencia de datos: la transición a un modelo híbrido entre discrecional y 100% sistémico
La incorporación de prácticas de ciencia de datos en el proceso de toma de decisiones sobre activos puede ocurrir de forma gradual, según el perfil de cada administradora de fondos. A medida que las empresas adquieren madurez en el uso de datos de fuentes convencionales y no convencionales, en la aplicación de diversas tecnologías y en las habilidades de los equipos, pueden adoptar un modelo híbrido entre el enfoque sistémico y el discrecional.
Estos enfoques complementarios de los análisis se utilizan en conjunto para, entre otros objetivos, mitigar los riesgos con el fin de lograr el mejor resultado. También es importante resaltar que el estudio “Brazil Buy Side Survey”, realizado por Bloomberg, indica que la gestión cuantamental, aquella en la que el proceso de toma de decisiones es automatizado basado en la aplicación de la ciencia de datos, ganará cuotas de mercado sobre los otros enfoques en los próximos cinco años. Por lo tanto, algunas tendencias en el uso de la ciencia de datos entre las administradoras de fondos serán cada vez más comunes.
Con la ciencia de datos es posible explorar conceptos como la rentabilidad esperada, modelos de fijación de precios de los activos y construcción de carteras, así como aplicar técnicas cuantitativas para mejorar la gestión de riesgos y la rentabilidad de las inversiones. Esta precisión proporcionada por la automatización del análisis guiado por modelos se traduce en una mayor transparencia y eficiencia para generar alfa con mayor rapidez.
Y la inversión en nuevas tecnologías aumenta los recursos de que dispone una administradora de fondos para generar alfa. Buscar proveedores con experiencia en el mercado financiero, con tecnologías flexibles y escalables contribuye al desarrollo de nuevos proyectos.
Amplíe la adopción de data science en los flujos de su administradora de fondos y aproveche todo el potencial que pueden ofrecer los datos. Obtenga más información sobre cómo se aplican las soluciones de datos. Solicite contacto con un especislista de Bloomberg.