Financial TimesExclusivo Members

Wall Street: ChatGPT ya puede elegir mejores acciones que el trader promedio

Un experimento de tres profesores de la Universidad de Chicago determinó que la inteligencia artificial tenía una presión de 60% en sus pronósticos, en comparación con el 57% de los humanos.

Todos los que trabajan en información -categoría que incluye a periodistas, programadores de software y stock pickers- deberían estar pensando en si una computadora les va a quitar el trabajo, o tal vez cuándo.

Tres profesores de la Escuela de Negocios de la Universidad de Chicago, Alex Kim, Maximilian Muhn y Valeri Nikolaev (los llamaré KMN), han publicado recientemente un paper sobre el análisis de estados financieros con grandes volúmenes de datos. El artículo, Financial Statement Analysis with Large Language Models, pone a ChatGPT a trabajar con estados financieros. Con algunas indicaciones bastante ligeras, el modelo lingüístico convirtió esos estados en predicciones de beneficios más precisas que las de los analistas, y las predicciones constituyeron la base de carteras modelo que, en pruebas retrospectivas, generaron sustanciosos excesos de rentabilidad.

"Aportamos pruebas de que los grandes modelos lingüísticos (LLM, por sus siglas en inglés) tienen capacidades similares a las humanas en el ámbito financiero", concluyen los autores. "Nuestros hallazgos indican el potencial de los LLM para democratizar el procesamiento de la información financiera".

BlackRock lanzará su propias herramientas de inteligencia artificial

KMN alimentaron a ChatGPT con miles y miles de balances y cuentas de resultados, despojados de fechas y nombres de empresas, procedentes de una base de datos que abarca desde 1968 hasta 2021 y cubre más de 15.000 empresas. Cada balance y su correspondiente estado de resultados contenían los datos estándar de dos años, pero eran datos individuales; no se le 'decía' al modelo la historia a largo plazo de la empresa. A continuación, KMN le pidió al modelo que realizara análisis financieros bastante habituales ("¿Qué ha cambiado en las cuentas con respecto al año pasado?", "Calcule el coeficiente de liquidez", "¿Cuál es el margen bruto?").

A continuación, y esto resultó crucial, KMN pidió al modelo que escribiera descripciones económicas que explicaran los resultados del análisis financiero. Por último, pidió al modelo que predijera si los beneficios de cada empresa subirían o bajarían el año siguiente, si el cambio sería pequeño, mediano o grande y hasta qué punto estaba seguro de su predicción.

Predecir la dirección de los beneficios, incluso de forma binaria, no resulta especialmente fácil, ni para el ser humano ni para la máquina. Para simplificar significativamente: las predicciones de los humanos (extraídas de la misma base de datos histórica) fueron acertadas alrededor del 57% de las veces, cuando se midieron a mitad del año anterior. Este resultado es mejor que el de ChatGPT antes de que fuera prompteado [es decir, la orden que estimula o induce al modelo a hacer una acción determinada]. Sin embargo, luego del prompting, la precisión del modelo subió a 60%. "Esto implica que GPT domina cómodamente el rendimiento de un analista financiero promedio" a la hora de predecir la dirección de los beneficios, escribió KMN.

Por último, KMN construyó carteras largas y cortas basadas en las empresas para las que el modelo preveía cambios significativos en los beneficios con la mayor confianza. En pruebas retrospectivas, estas carteras superaron al mercado bursátil general en 37 puntos básicos al mes sobre una base ponderada por capitalización y en 84 puntos básicos al mes sobre una base equiponderada (lo que sugiere que el modelo añade más valor con sus predicciones de los beneficios de las acciones pequeñas).

Alex Kim subrayó el carácter preliminar de los resultados, se trata de una prueba de concepto.

Kim también hizo hincapié en el hallazgo de KMN de que pedir al modelo que compusiera una narrativa para explicar las implicaciones de los estados financieros parecía ser la clave para lograr una mayor precisión en las previsiones. Este es el aspecto "humano".

El trading algorítmico en alerta por los riesgos de la inteligencia artificial

El estudio plantea varias cuestiones:

  1. En general, el resultado de KMN no me parece sorprendente. A lo largo de los años han habido muchas pruebas de que los modelos informáticos anteriores o incluso las regresiones lineales a secas podían superar al analista promedio. La explicación más obvia es que los modelos o regresiones se limitan a encontrar o seguir reglas. Por tanto, no son presa de los sesgos que sólo fomenta o confirma la información más rica a la que tienen acceso los seres humanos (informes corporativos, palabrería de los ejecutivos, etc.).
  2. Lo que es quizás un poco más sorprendente es que un LLM no convencional fue capaz de superar a los seres humanos de manera bastante significativa con indicaciones bastante básicas (el modelo también superó a la regresión estadística básica y funcionó tan bien como los programas especializados de 'red neuronal' entrenados específicamente para pronosticar ganancias).
  3. Evidentemente, aquí se aplican todas las reservas habituales que se aplican a cualquier estudio de ciencias sociales. Se hacen muchos estudios, pero se publican pocos. A veces los resultados no se sostienen.
  4. Algunos de los mejores stock pickers evitan específicamente la obsesión de Wall Street por lo que van a hacer los beneficios a corto plazo. En cambio, se centran en las ventajas estructurales de las empresas y en las formas en que el mundo está cambiando, lo que beneficiará a unas empresas sobre otras. ¿Puede ChatGPT tomar 'grandes decisiones' como ésta tan eficazmente como puede hacer previsiones de beneficios a corto plazo? 
  5. ¿Cuál es el trabajo de un analista financiero? Si el LLM puede predecir los beneficios mejor que sus competidores humanos la mayor parte del tiempo, ¿Qué valor aporta el analista? ¿Está ahí para explicar los detalles de un negocio al gestor de cartera que hace las "grandes apuestas"? ¿Es un conducto de información entre la empresa y el mercado? ¿Está ahí para explicar los detalles de una empresa al gestor de cartera que toma las 'grandes decisiones'? ¿Es un conducto de información que conecta la empresa y el mercado? ¿Seguirá teniendo valor cuando las llamadas de compra y venta humanas sean cosa del pasado?
  6. Quizás la capacidad de la inteligencia artificial (IA) para superar al analista promedio o al stock pickers no cambie nada en absoluto. Como me señaló Joshua Gans, de la Universidad de Toronto, el escaso valor del stock picker promedio quedó demostrado hace años por la tecnología de IA conocida como fondo índice Vanguard de bajo costo. Lo que importará será la capacidad de los LLM para competir con los profesionales más inteligentes del mercado, muchos de los cuales ya utilizan grandes cantidades de potencia informática para realizar su trabajo.
Temas relacionados
Más noticias de inteligencia artificial

Las más leídas de Financial Times

Destacadas de hoy

Noticias de tu interés

Compartí tus comentarios

¿Querés dejar tu opinión? Registrate para comentar este artículo.