Una investigación académica desarrollada en la Harvard Business School concluye que un modelo de aprendizaje automático logró prever alrededor del 71% de las decisiones de negociación tomadas por gestores de fondos activos.
El trabajo utilizó una red neuronal entrenada con datos históricos para estimar si un administrador compraría, vendería o mantendría una acción durante un trimestre.
Análisis basado en datos desde 1990 hasta 2023
El modelo fue entrenado con información en ventanas móviles de cinco años entre 1990 y 2023, incorporando variables como tamaño del fondo, flujos de capital, características de los activos y condiciones económicas generales.
Con esa base, el sistema consiguió anticipar la mayoría de los ajustes de cartera que siguen patrones repetitivos dentro de la industria.
El 29% menos predecible mostró mayor rendimiento
El estudio también identificó que el 29% de las operaciones que el algoritmo no pudo anticipar estuvo, en promedio, más vinculado a resultados superiores.
Ese segmento correspondería a decisiones menos rutinarias y fuera de los patrones habituales de inversión.
Implicancias para la gestión activa
El documento, titulado “Mimicking Finance” y publicado la semana pasada en la Oficina Nacional de Investigación Económica, analiza cómo parte de la actividad cotidiana de los fondos responde a reglas que pueden ser mapeadas por sistemas automatizados.
La investigación sugiere que la tecnología puede replicar conductas sistemáticas, aunque la porción menos previsible continúa representando un componente relevante dentro del desempeño total.
