Analista cuantitativo — tareas, una a una

Investigación de señales y diseño de estrategias

La IA ya no solo ejecuta la investigación: también la propone. Man Group dice que su sistema AlphaGPT ha producido señales que cumplen sus estándares y superan los mismos umbrales de evaluación exigidos a la investigación generada por personas, y que las señales generadas por IA pasan por una validación de doble vía. El aprendizaje automático en sí no es nuevo aquí: cuatro grandes firmas de trading por cuenta propia dijeron al regulador neerlandés de los mercados que entre el 80% y el 100% de sus algoritmos para instrumentos líquidos se basan en él. En un banco de pruebas de investigación, un agente alcanzó en backtests hasta el doble de rentabilidad anualizada que las bibliotecas clásicas de factores.

El relato de la firma es su propio marketing dirigido a inversores; las cifras del regulador son lo que declararon cuatro firmas; el banco de pruebas es un backtest, no trading real.

Backtesting y código cuantitativo

Los modelos escriben buena parte del código, pero fallan en las cifras que importan. Man Group dice que su sistema escribe código Python apto para producción usando las herramientas de investigación de la firma. En BacktestBench, el mejor de 23 modelos alcanzó una exactitud global del 67,41%, y la volatilidad y el ratio de Sharpe siguieron siendo «zonas de desastre» en todos los modelos; en otro banco de pruebas, los mejores modelos produjeron código de estrategia válido más del 91,7% de las veces, mientras los autores concluían que la supervisión humana sigue siendo esencial.

Bancos de pruebas con tareas fijas y el relato de una sola firma; nada de esto mide cuánto código escriben ahora los propios quants.

Modelos de valoración y de riesgo

Los supervisores ya cuentan con que haya aprendizaje automático dentro de estos modelos y le ponen condiciones: la guía del Banco Central Europeo sobre modelos internos espera que las personas que trabajan con modelos de aprendizaje automático tengan suficiente pericia en esas técnicas, y que las entidades impidan que los cambios materiales se implanten automáticamente. La revisión de un banco central concluyó que, donde se despliegan técnicas de IA en el trading, son en gran medida sistemas basados en reglas con una persona en el circuito.

Expectativas supervisoras y una revisión basada en conversaciones con firmas; ninguna de las dos mide cómo se construyen los modelos.

Validación y cuestionamiento de modelos

Los supervisores ponen la validación en manos de personas independientes y cualificadas. Las expectativas del Reino Unido dicen que la función de validación debería operar con independencia del desarrollo de modelos y estar formada por personas con la pericia técnica necesaria; el BCE espera que la validación interna cuestione eficazmente las decisiones de modelización tomadas sobre los modelos de aprendizaje automático, incluido si su complejidad está justificada.

Expectativas supervisoras redactadas con «debería», para bancos con modelos internos; no miden el trabajo de validación.

Poner estrategias en producción y responder por ellas

Las normas designan a la persona. En Estados Unidos, quien sea el principal responsable de diseñar, desarrollar o modificar significativamente una estrategia de trading algorítmico debe registrarse como Securities Trader; en la UE, una persona designada por la alta dirección debe autorizar el despliegue o la actualización sustancial de un algoritmo de trading, y los registros deben mostrar quién hizo y quién aprobó cada cambio.

Normas para los intermediarios bursátiles (broker-dealers) de Estados Unidos y las empresas de servicios de inversión de la UE; no miden cómo se desarrollan las estrategias.