La Intel·ligència Artificial aplicada a la inversió financera

Intel·ligència artificial wealth management vall banc

Malgrat que l’expressió Intel·ligència Artificial (AI) encara sona per a moltes persones com el títol d’una pel·lícula de ciència-ficció, ja es troba molt present en el nostre dia a dia; des del reconeixement facial dels smartphones, xatbots (aquells xats que simulen ser una persona que parla amb nosaltres quan tenim consultes sobre la web en qüestió), a les recomanacions de serveis de streaming, els bots d’escacs, els cotxes autopilotats o les decisions d’inversió.


Aquest concepte matematicoinformàtic es refereix als algoritmes o màquines que imiten la intel·ligència humana i que tenen la capacitat de millorar les seves decisions (o fins i tot aprendre de zero) a partir del big data. A aquests mètodes se’ls anomena algoritmes d’aprenentatge automàtic (normalment referits com a ML per la seva expressió anglosaxona Machine Learning), expressió que mostra més clarament la diferència amb els algoritmes tradicionals.
Els mètodes estadístics tradicionals ja fa molt temps que s’utilitzen en molts camps, com ara l’anàlisi de risc financer. La seva principal limitació rau en la dificultat de descriure totes les possibles situacions en les quals l’algoritme es pot trobar i detallar, pas a pas, les tasques necessàries per assolir l’objectiu pel qual han estat dissenyats. Per exemple, si volem crear un jugador d’escacs imbatible, hauríem de ser capaços de descriure qualsevol situació possible en què la màquina es pogués trobar, i detallar tots els moviments fins al final de la partida. Això evidentment no és possible, ja que s’estima que les combinacions possibles de partides són superiors a 10120 i de fet, tampoc es coneix quina és l’estratègia perfecta per a cadascuna d’aquestes situacions.


L’aprenentatge dels mètodes de ML, en canvi, és similar al dels nens: observen patrons de comportament basats en experiències prèvies (dades d’entrenament) i “aprenen” a generalitzar comportaments per aplicar-los quan detecten situacions similars als patrons que han analitzat.
Els humans podem identificar una persona encara que es tenyeixi el cabell o es tapi la cara parcialment amb una màscara quirúrgica, generalitzant les seves característiques essencials i descartant les variacions irrellevants. Aquesta capacitat, però, no es troba per defecte en els registres dels sistemes informàtics i és una de les seves limitacions més importants. Per a un ordinador dues situacions no idèntiques no s’assemblen en res fins que un programador no li diu específicament que les relacioni. Així, la velocitat de l’ordinador és irrellevant si no és capaç d’escollir el mètode adequat per resoldre un problema entenent les similituds amb altres problemes que coneix.


El reconeixement facial és un bon exemple per introduir l’aplicació de l’ML en la nostra vida quotidiana. Fa ús de les xarxes neuronals, una metodologia que deu el seu nom a la semblança estructural (que no de funcionament) amb les neurones i connexions presents en el cervell humà. Aquestes xarxes es classifiquen dins del que es coneix com a aprenentatge supervisat, en què el sistema es calibra mitjançant una base de dades d’entrenament extraordinàriament gran on s’indica quina resposta hauria de donar per a cada entrada. És a dir, l’entrenament consisteix a donar variacions de la cara de l’individu que es vol identificar conjuntament amb el seu nom.
De manera similar, en finances s’utilitzen tècniques de reconeixement de patrons en diferents camps. Quan s’inverteix sovint es fa ús dels informes que produeixen els analistes dels bancs d’inversió per entendre quin és el futur d’una companyia. Aquests documents contenen moltíssima informació i per a una sola empresa n’hi pot haver desenes produïts pels diferents experts. Per aquest motiu s’han desenvolupat algoritmes capaços d’analitzar aquests informes i reconèixer patrons que indiquen si l’opinió generalitzada dels diferents analistes és positiva, quins punts en comú tenen i fins i tot quins són els riscos que observen sense que un humà els hagi de llegir, facilitant així la decisió d’inversió en l’empresa.


Un segon tipus de models extremadament interessants són els models d’aprenentatge per reforç (Reinforcement Learning). A diferència del cas anterior, en cap moment es dóna al model cap exemple de quina resposta ha de donar. Senzillament se li indica si el resultat que ha donat és correcte o no.
Aquest tipus de models també tenen una aplicació directa en les finances: es pot definir un algoritme que tingui com a recompensa el resultat d’una cartera d’inversions, d’aquesta manera es motiva el model a aprendre per si sol com invertir i finalment pot prendre les decisions d’inversió òptimes sense que cap humà li hagi explicat mai com ho ha de fer.


La intel·ligència artificial ja fa temps que ha deixat de ser un tema purament de ciència-ficció i ja es troba present en la majoria de sectors. Per al sector bancari té moltíssimes aplicacions en eficiència de processos, però també ens permet descobrir relacions entre diferents factors econòmics que abans passaven completament desapercebuts i que finalment resulten en una gestió molt més eficient de les inversions dels nostres clients. El gran risc és que no adaptar-te et pot deixar fora de joc.

* Arnau Via Martínez-Seara, Director General Gestió de VB FONS

Enllaç al Diari d'Andorra

Notícies relacionades