La IA puede elegir acciones mejor que tú

Desbloquea el Editor’s Digest gratis

Roula Khalaf, editora del FT, selecciona sus historias favoritas en este boletín semanal.

Buen día. Los mercados franceses cayeron un poco después de que el presidente Emmanuel Macron convocara elecciones parlamentarias anticipadas, pero la respuesta fue más un encogimiento de hombros resignado que cualquier tipo de pánico. Más evidencia de la visión Unhedged de que en el corto plazo la política no importa mucho a los mercados (excepto en casos extremos). Envíeme un correo electrónico: [email protected].

Los robots están aquí.

Todos los que trabajan en una industria de la información (una categoría que incluye a periodistas, programadores de software y seleccionadores de acciones) deberían pensar si una computadora les quitará el trabajo, o tal vez cuándo.

Un modelo de lenguaje grande, entrenado en la redacción realizada para el Financial Times, podría escribir boletines que se parecían mucho a mí. Tal vez las cartas no sean muy convincentes hoy, pero probablemente no pasará mucho tiempo antes de que lo sean. Quizás la gente no quiera leer boletines escritos por LLM, en cuyo caso mi viaje al matadero no está del todo reservado. Pero la amenaza es clara.

Los lectores no informados pueden estar menos interesados ​​en el futuro del periodismo que el de los analistas y gestores de cartera. Lo que me lleva a una reciente papel por tres académicos de la escuela de negocios de la Universidad de Chicago, Alex Kim, Maximilian Muhn y Valeri Nikolaev (los llamaré KMN). El documento, “Análisis de estados financieros con modelos de lenguaje grandes”, pone a ChatGPT a trabajar en estados financieros. Con algunas indicaciones bastante ligeras, el LLM convirtió esas declaraciones en predicciones de ganancias que eran más precisas que las de los analistas, y las predicciones formaron la base para carteras modelo que, en pruebas retrospectivas, generaron retornos sustanciales en exceso.

“Proporcionamos evidencia consistente con grandes modelos de lenguaje que tienen capacidades similares a las humanas en el ámbito financiero”, concluyeron los autores. “Nuestros hallazgos indican el potencial de los LLM para democratizar el procesamiento de información financiera”.

KMN alimentó a ChatGPT con miles y miles de balances y estados de resultados, despojados de fechas y nombres de empresas, de una base de datos que abarca desde 1968 hasta 2021 y que abarca más de 15.000 empresas. Cada balance y el estado de resultados adjunto contenían los datos estándar de dos años, pero eran datos individuales; Al modelo no se le “contó” sobre la historia a largo plazo de la empresa. Luego, KMN instó al modelo a realizar análisis financieros bastante estándar (“¿Qué ha cambiado en las cuentas con respecto al año pasado?”, “Calcular el índice de liquidez”, “¿Cuál es el margen bruto?”).

A continuación, y esto resultó ser crucial, KMN impulsó al modelo a escribir narrativas económicas que explicaran los resultados del análisis financiero. Finalmente, pidieron al modelo que predijera si las ganancias de cada empresa en el próximo año aumentarían o disminuirían; si el cambio sería pequeño, mediano o grande; y cuán seguro estaba de esta predicción.

Predecir la dirección de las ganancias, incluso de forma binaria, resulta no ser particularmente fácil, ni para humanos ni para máquinas. Para simplificar significativamente: las predicciones humanas (extraídas de la misma base de datos histórica) fueron precisas aproximadamente el 57 por ciento de las veces, cuando se midieron a mitad del año anterior. Esto es mejor que lo que hacía ChatGPT antes de que apareciera. Sin embargo, después de recibir indicaciones, la precisión del modelo aumentó hasta el 60 por ciento. “Esto implica que GPT domina cómodamente el desempeño de un analista financiero mediano” al predecir la dirección de las ganancias, escribió KMN.

Finalmente, KMN construyó carteras modelo largas y cortas basadas en las empresas para las cuales el modelo preveía cambios significativos en las ganancias con mayor confianza. En las pruebas retrospectivas, estas carteras superaron al mercado de valores en general en 37 puntos básicos por mes ponderado por capitalización y 84 puntos básicos por mes sobre una base ponderada igual (lo que sugiere que el modelo agrega más valor con sus predicciones de ganancias de acciones pequeñas). Esto es mucho alfa.

Ayer hablé con Alex Kim y se apresuró a enfatizar la naturaleza preliminar de los hallazgos. Esto es una prueba de concepto, más que una prueba de que KMN haya inventado una mejor trampa para ratones para la selección de valores. Kim estaba igualmente interesado en enfatizar el hallazgo de KMN de que pedirle al modelo que compusiera una narrativa para explicar las implicaciones de los estados financieros parecía ser la clave para lograr una mayor precisión en los pronósticos. Ese es el aspecto “humano”.

El estudio plantea muchas cuestiones, especialmente para una persona como yo que no ha dedicado mucho tiempo a pensar en la inteligencia artificial. Sin ningún orden en particular:

1. El resultado de KMN no me sorprende en general. A lo largo de los años ha habido mucha evidencia de que los modelos informáticos anteriores o incluso las simples regresiones lineales antiguas podían superar al analista promedio. La explicación más obvia para esto es que los modelos o regresiones simplemente encuentran o siguen reglas. Por lo tanto, no son víctimas de los sesgos que sólo fomentan o confirman la información más rica a la que tienen acceso los seres humanos (informes corporativos, tonterías de ejecutivos, etc.).

2. Lo que quizás sea un poco más sorprendente es que un LLM listo para usar fue capaz de superar a los humanos de manera bastante significativa con indicaciones bastante básicas (el modelo también superó la regresión estadística básica y funcionó tan bien como los programas especializados de “red neuronal” entrenados específicamente para pronosticar ganancias).

3. Obviamente, aquí se aplican todas las calificaciones habituales que se aplican a cualquier estudio de ciencias sociales. Se hacen muchos estudios; pocos se publican. A veces los resultados no se mantienen.

4. Algunos de los mejores seleccionadores de acciones evitan específicamente la obsesión de Wall Street por lo que ocurrirá con las ganancias en el corto plazo. En cambio, se centran en las ventajas estructurales de las empresas y en las formas en que el mundo está cambiando y que beneficiarán a algunas empresas sobre otras. ¿Puede ChatGPT hacer “grandes decisiones” como esta con tanta eficacia como hacer pronósticos de ganancias a corto plazo?

5. ¿Cuál es el trabajo de un analista financiero? Si el LLM puede predecir las ganancias mejor que sus competidores humanos la mayor parte del tiempo, ¿qué valor aporta el analista? ¿Está allí para explicar los detalles de un negocio al gestor de cartera que hace las “grandes decisiones”? ¿Es ella un conducto de información que conecta la empresa y el mercado? ¿Seguirá teniendo valor cuando las llamadas humanas de compra y venta sean cosa del pasado?

6. Quizás la capacidad de la IA para superar al analista medio o al seleccionador de acciones no cambie nada en absoluto. Como me señaló Joshua Gans, de la Universidad de Toronto, el bajo valor del seleccionador de acciones mediano quedó demostrado hace años por la tecnología de inteligencia artificial conocida como el fondo indexado Vanguard de bajas comisiones. Lo que importará será la capacidad de los LLM para competir o apoyar a las personas más inteligentes del mercado, muchas de las cuales ya están utilizando grandes cantidades de potencia informática para hacer su trabajo.

Tengo muchas ganas de escuchar a los lectores sobre este tema.

una buena lectura

Más sobre la paga de Elon Musk.