ACATIS ha sido pionera en usar inteligencia artificial (IA) en la gestión de carteras. Llevamos investigando en este campo desde 2014, con el fin de aplicarla a la gestión de carteras. La primera aplicación práctica de la inteligencia artificial dentro de ACATIS tuvo lugar en 2016.
La investigación de ACATIS
ACATIS lleva varios años investigando en el ámbito de la IA, con el objetivo de utilizarla en la gestión de carteras. Empezamos usando programas para analizar textos que, por ejemplo, buscaban determinadas palabras clave en un informe.
Actualmente, ACATIS trabaja principalmente con modelos de aprendizaje profundo (Deep Learning), un enfoque derivado del aprendizaje automático (Machine Learning). Este tipo de inteligencia artificial es comparable a un buen analista con años de experiencia. A lo largo de su carrera, un analista llega a conocer muchas empresas y obtiene información sobre ellas. Con el tiempo, puede desarrollar la capacidad de detectar patrones en las cifras y los balances de las empresas. También aprenderá qué características son importantes y la experiencia acumulada le ayudará a contextualizar las situaciones nuevas más rápidamente.
Los modelos de aprendizaje profundo funcionan de manera similar. Aprenden a detectar patrones de forma independiente, que luego aplican a datos nuevos. Cuantos más datos tenga a disposición el sistema, mejor podrá aprender y ganar «experiencia».
Al mismo tiempo, a medida que aumentan los volúmenes de datos, también lo hacen los requisitos de capacidad de procesamiento. Las dos grandes ventajas de los modelos de aprendizaje profundo frente a los analistas humanos son su mayor capacidad y el desapego emocional. El sistema puede encontrar patrones que los humanos no podrían detectar y toma decisiones basándose estrictamente en reglas autogeneradas, dejando de lado el aspecto emocional.
Visite acatis.ai para conocer más en detalle nuestra investigación en este ámbito
Nuestro nuevo sitio web acatis.ai tiende un puente entre el value investing y la inteligencia artificial al explorar de qué forma las herramientas de IA de última generación pueden mejorar los principios de la inversión en valor para descubrir oportunidades a largo plazo. Al combinar la filosofía de inversión de Warren Buffett con la inteligencia artificial más avanzada, nos proponemos revolucionar la forma en que los inversores evalúan las empresas. Tanto si ya tiene experiencia en inversión como si está explorando las posibilidades de la IA en el sector financiero, la división de ACATIS especializada en inteligencia artificial le ofrece ideas y estrategias que le acercarán al futuro de la inversión inteligente y disciplinada.
Compartiremos nuestras experiencias, ideas y enfoques para aportarle toda la potencia de la IA a la inversión a largo plazo.
Los orígenes de la inteligencia artificial
La inteligencia artificial (IA) surgió como campo de estudio científico en 1956, en el marco de la Conferencia de Dartmouth (Dartmouth Summer Research Project) que reunió en Hanover, New Hampshire (EE. UU.) a pioneros del campo de la informática, como Marvin Minsky, con el objetivo de respuesta a la pregunta de si era posible crear ordenadores que pensaran por sí mismos. Como explicaba la solicitud de subvención, «[...] El proyecto de investigación intentará descubrir cómo se pueden programar máquinas para utilizar el lenguaje, hacer abstracciones y desarrollar conceptos para resolver problemas del tipo que actualmente solo pueden resolver personas, y para mejorarse continuamente a sí mismas. [...]».* Durante muchos años, se pensó que los ordenadores debían recibir un número suficientemente grande de reglas explícitas para crear una IA similar a la humana. Los sistemas de IA actuales aprenden sus propias reglas de forma independiente, pero solo pueden llevar a cabo una tarea específica, tan bien o mejor que un ser humano. Esto significa que, con el tiempo, la IA ha evolucionado de un enfoque estadístico a un enfoque de aprendizaje automático.
Aprendizaje automático (Machine Learning)
El aprendizaje automático es un subsegmento de la IA en el que las máquinas aprenden de los datos sin ser programadas explícitamente con reglas if-then. La palabra clave en este contexto es «aprender». Al igual que los humanos, los modelos de aprendizaje automático mejoran su rendimiento mediante la observación repetida de los datos y las respuestas esperadas asociadas. La máquina crea su propio conjunto de reglas para realizar una tarea predefinida. Una vez que aprende algo, la máquina puede aplicar el conocimiento adquirido a datos desconocidos y generar su propia respuesta. Un aspecto importante del aprendizaje automático es que los datos no se memorizan sin más, ya que entonces las respuestas de la máquina no serían útiles.
Aprendizaje profundo (Deep Learning)
El aprendizaje profundo es una forma concreta de aprendizaje automático que ha ganado popularidad desde 2010. El concepto de «red neuronal profunda» (Deep Neural Network o DNN), llamada así por las múltiples capas de profundidad escalonada que componen la red, se ha convertido en uno de los más populares de los últimos años. Warren McCulloch y Walter Pitts describieron por primera vez el concepto que ahora conocemos como «red neuronal» en la década de los 1940. Las correlaciones y los patrones que se aprenden en las diferentes capas se vuelven cada vez más complejos a medida que aumenta la profundidad. Por ejemplo, en las primeras capas del reconocimiento de imágenes, las correlaciones simples pueden consistir en esquinas y bordes, mientras que, en las capas más profundas, las correlaciones aprendidas previamente se combinan hasta reconocer objetos completos. Hoy en día, los modelos de aprendizaje profundo pueden clasificar y crear imágenes, detectar y traducir lenguaje, diagnosticar enfermedades, conducir coches o jugar a juegos de mesa, tan bien o mejor que los humanos. La IA ya ha pasado a formar parte de nuestra vida diaria.
*Fuente: https://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.html
