{"id":36220,"date":"2024-05-22T19:05:40","date_gmt":"2024-05-22T19:05:40","guid":{"rendered":"https:\/\/www.bloomberg.com\/latam\/blog\/data-science-motor-exito-administradoras-fondos\/"},"modified":"2024-05-23T12:44:14","modified_gmt":"2024-05-23T12:44:14","slug":"data-science-motor-exito-administradoras-fondos","status":"publish","type":"post","link":"https:\/\/www.bloomberg.com\/latam\/blog\/data-science-motor-exito-administradoras-fondos\/","title":{"rendered":"Data Science como motor del \u00e9xito: alfa en las administradoras de fondos"},"content":{"rendered":"
\n \n\t\n\t\n\t
\n\t\t\n\t\t\t
\n\t

[vc_column_text]En momentos en que las administradoras de fondos priorizan la adopci\u00f3n de estrategias <\/span>\u201cproblem solving\u201d<\/span><\/i>, capaces de afrontar desaf\u00edos como la elevada volatilidad del mercado, la ciencia de datos se posiciona como una v\u00eda hacia la transparencia y la precisi\u00f3n en medio de la incertidumbre.\u00a0<\/span><\/p>\n

Las crisis econ\u00f3micas y pol\u00edticas impulsan la aplicaci\u00f3n de pr\u00e1cticas de ciencia de datos en las administradoras de fondos, ya que pueden influir y cambiar la direcci\u00f3n del mercado de un momento a otro. Esta tendencia a utilizar grandes cantidades de datos procedentes de diversas fuentes, respaldadas por nuevas tecnolog\u00edas y capacidades anal\u00edticas, como la aplicaci\u00f3n de lenguajes de programaci\u00f3n, ha ido cobrando un impulso exponencial como forma de reducir riesgos y generar alfa ante los r\u00e1pidos cambios del escenario econ\u00f3mico.<\/span><\/p>\n

\u00a0<\/span>Adem\u00e1s de los<\/span> datos hist\u00f3ricos convencionales<\/b>, el modelo basado en el uso de datos en tiempo real y <\/span>datos alternativos<\/b> permite enriquecer los an\u00e1lisis 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. Adem\u00e1s, ofrece la posibilidad de que las administradoras de fondos puedan monitorear el mercado independientemente de sus socios, obteniendo as\u00ed una mayor autonom\u00eda en la toma de decisiones.<\/span>[\/vc_column_text][vc_column_text][\/vc_column_text][vc_column_text]<\/p>\n

C\u00f3mo iniciar un proceso de adaptaci\u00f3n a una cultura de datos<\/b><\/h2>\n

La incorporaci\u00f3n exitosa de la ciencia de datos en las operaciones requiere mucho m\u00e1s que invertir en tecnolog\u00edas y agregar nuevas fuentes de datos. Para que la ciencia de datos no sea solo una tendencia m\u00e1s que las empresas adoptan para no quedarse fuera, se requiere una nueva visi\u00f3n.<\/span><\/p>\n

Este cambio cultural est\u00e1 relacionado con el desaf\u00edo de integrar los nuevos frentes en l\u00ednea con los objetivos del negocio, teniendo como prioridad hacer que la toma de decisiones sean \u201cdata-driven\u201d. Poner en pr\u00e1ctica esta cultura basada en los datos requiere el desarrollo de estructuras y competencias.<\/span><\/p>\n

Los analistas de inversiones deben combinar conocimientos de finanzas, econom\u00eda, estad\u00edstica, matem\u00e1ticas y programaci\u00f3n \u2013 especialmente en Python, el lenguaje m\u00e1s utilizado en el mercado\u2013 para validar ideas y tomar decisiones m\u00e1s precisas reduciendo as\u00ed la subjetividad del proceso. Es todo un reto, por lo que muchas empresas optan por formar equipos multidisciplinares altamente cualificados. Entre ellos:\u00a0<\/span><\/p>\n

    \n
  • Analistas con conocimientos de programaci\u00f3n;<\/span><\/li>\n
  • Ingenieros de datos (para gestionar la arquitectura de canalizaci\u00f3n de datos);<\/span><\/li>\n
  • Cient\u00edficos de datos (responsables de recopilar, organizar y analizar datos);<\/span><\/li>\n
  • Analistas quant (que desarrollan y aplican modelos estad\u00edsticos que orientan la toma de decisiones);<\/span><\/li>\n
  • Desarrolladores (trabajan con bases de datos y flujos de informaci\u00f3n, creando c\u00f3digos para el an\u00e1lisis y la manipulaci\u00f3n de datos).<\/span><\/li>\n<\/ul>\n

    La gesti\u00f3n cuantitativa de inversiones se basa en modelos anal\u00edticos que \u201cautomatizan\u201d la decisi\u00f3n de compra y venta de activos. Los modelos matem\u00e1ticos 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 programaci\u00f3n Python, muy utilizado en la ciencia de datos y el machine learning.<\/span><\/p>\n

    Si bien el sistema financiero global se construy\u00f3 sobre las famosas hojas de c\u00e1lculo Excel debido a sus amplias capacidades y facilidad de uso, el lenguaje Python ha ganado terreno entre las administradoras de fondos en los \u00faltimos a\u00f1os. Prueba de ello es que la demanda de profesionales que dominen esta habilidad es cada vez m\u00e1s grande entre estas empresas.<\/span><\/p>\n

    A pesar de que la demanda por Excel sigue siendo alta entre las administradoras de fondos, las limitaciones como el uso de grandes vol\u00famenes de datos procedentes de distintas fuentes, los errores de sintaxis al insertar f\u00f3rmulas manualmente y los riesgos de seguridad al almacenar informaci\u00f3n cr\u00edtica en hojas de c\u00e1lculo que podr\u00edan quedar expuestas a cyberattacks, han abierto espacio al lenguaje de c\u00f3digo abierto.<\/span><\/p>\n

    Python se considera actualmente una herramienta de an\u00e1lisis de datos m\u00e1s avanzada que Excel, raz\u00f3n por la cual es tan popular en la comunidad de la ciencia de datos. Este lenguaje fue votado como el m\u00e1s popular del mundo.<\/span><\/p>\n

    Si bien los analistas de inversiones necesitan adquirir algunas habilidades de programaci\u00f3n para desarrollar en Python, las razones para el crecimiento de la adopci\u00f3n 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 r\u00e1pido desarrollo y reutilizaci\u00f3n.\u00a0 Muchas de estas bibliotecas est\u00e1n orientadas a los an\u00e1lisis visuales<\/span> e int<\/span>eractivos. Adem\u00e1s, aprender este lenguaje es una forma que muchos analistas han encontrado para ganar mayor autonom\u00eda respecto al equipo interno de TI, que a menudo est\u00e1 sobrecargado con otros proyectos y la gesti\u00f3n de la infraestructura tecnol\u00f3gica.<\/span>[\/vc_column_text][vc_column_text][\/vc_column_text][vc_column_text]<\/p>\n

    \u00bfEst\u00e1 su administradora de fondos preparada para generar alfa con data science?<\/strong><\/h2>\n

    \u00bfPero c\u00f3mo 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 inversi\u00f3n, debe responder afirmativamente a las siguientes preguntas:<\/span><\/p>\n

    \u00bfLa administradora de fondos invierte en la diversificaci\u00f3n de las fuentes de datos?\u00a0<\/b><\/h3>\n

    La gesti\u00f3n de datos es el mayor desaf\u00edo para la implementaci\u00f3n de una estrategia sistem\u00e1tica de inversiones, seg\u00fan la encuesta realizada entre participantes en un evento de Bloomberg. Es fundamental utilizar datos de fuentes alternativas, adem\u00e1s de los convencionales, como instrumentos econ\u00f3micos, para crear modelos anal\u00edticos que eval\u00faan con alta precisi\u00f3n los riesgos y las tasas de rendimiento de las inversiones. La ciencia de datos conduce a la resoluci\u00f3n de problemas complejos, por lo que es necesario invertir en cualificaciones y desarrollar profesionales capaces de enfrentar nuevas tecnolog\u00edas, an\u00e1lisis y modelos de trabajo.\u00a0<\/span><\/p>\n

    \u00bfLa administradora de fondos invierte en el tratamiento, la calificaci\u00f3n y la distribuci\u00f3n de los datos para realizar los an\u00e1lisis y probar hip\u00f3tesis?\u00a0<\/b><\/h3>\n

    La adquisici\u00f3n de datos fiables y de calidad es un gran desaf\u00edo. En este sentido, la selecci\u00f3n de los proveedores debe tener en cuenta aspectos como la frecuencia de distribuci\u00f3n, datos intrad\u00eda en tiempo real, curaci\u00f3n, tecnolog\u00eda de entrega, estabilidad de la herramienta y medios de conectividad de la informaci\u00f3n en otras tecnolog\u00edas. Otro requisito es la implementaci\u00f3n de una estructura de gesti\u00f3n de datos, lo que requiere la adopci\u00f3n de m\u00faltiples plataformas que permitan estructurar canalizaciones de datos robustos y automatizados para posibilitar an\u00e1lisis capaces de orientar las decisiones de inversi\u00f3n.<\/span><\/p>\n

    \u00bfLa administradora de fondos quiere diversificar los fondos de gesti\u00f3n?\u00a0<\/b><\/h3>\n

    Una forma posible es replicar un modelo sistem\u00e1tico que genere alfa para probarlo y aplicarlo en otros mercados, de modo que la curva de aprendizaje y los resultados puedan ser m\u00e1s cortos que en el enfoque discrecional. La aplicaci\u00f3n de ciencia de datos tambi\u00e9n ayuda a encontrar combinaciones de asignaci\u00f3n basadas en modelos matem\u00e1ticos con alta agilidad y monitoreo en tiempo real. <\/span>[\/vc_column_text][vc_column_text][\/vc_column_text]<\/p>\n\n<\/div>\n\n\n\t\t\n\t<\/div>\n<\/div>\n

    \n