La información financiera se encuentra modulada por la evolución tecnológica a escala que estremece el acceso a información por parte de terceros. Según La International Business Machines Corporation, compañía de tecnología mundialmente reconocida como IBM mencioná que en un porcentaje cerca al 90% del total de datos disponibles a nivel global, se produjeron estos dos últimos años.

El acceso a este tipo de información financiera contempla diversos niveles de volumen, complejidad y diversidad en su contenido convergiendo la forma en que los inversionistas deben captar y analizar todo tipo de datos, impactando de manera directa las estrategias de negociación que lleguen a estructurar estos para inversión. El margen de datos relacionadas con el sector financiero es amplio al incluir estados financieros, información relacionada con la generación de transacciones comerciales e información proveniente de otras fuentes como redes sociales.

Este gran tamaño de datos obliga el uso de un filtro para lograr un conjunto de datos que soporten la consistencia y calidad de las señales para toma de decisiones relevantes. Para ello las organizaciones se resguardan bajo la tecnología de automatización de procesos, como lo es el aprendizaje automático, siendo este capaz de predecir y reaccionar acertadamente frente a señales o factores que permitan información sofisticada e introduzcan eficiencia frente a sus procesos de trabajo, estrategias en operaciones de negociación y procesos relacionados con el cliente; siendo así como los datos se expanden bajo la cualidad de mejor gestión de datos.

Redacción INCP a partir del artículo de Bloomberg

Para más información, lea el artículo: “El futuro de la información financiera en la era del aprendizaje automático” de la fuente Bloomberg.

El futuro de la información financiera en la era del aprendizaje automático

La industria financiera está experimentando un trastorno tecnológico a una escala nunca antes vista. El acceso a datos está respaldando esta rápida transformación. El volumen, la complejidad y la diversidad de los datos disponibles para los responsables de la toma de decisiones han crecido de manera exponencial en los últimos años, pero también se han vuelto más disgregados. Según IBM, el 90% de los datos hoy en día en el mundo se han creado solo en los últimos dos años.

Tres factores – los datos (y datos alternativos), el aprendizaje automático y el procesamiento del lenguaje natural – se están convergiendo para cambiar radicalmente el modo en que los inversionistas en todos los mercados de capital a nivel global obtienen, consumen y analizan la información que tienen a su disposición. A su vez, esto está reconfigurando las estrategias de negociación de las empresas de inversión y su enfoque para diferenciar la inteligencia empresarial.

El desafío de los datos, más diversos, pero más disgregados

El conjunto de datos para las instituciones financieras es amplio y fragmentado. Incluye no solo los datos fundamentales clásicos con los que la mayoría está familiarizado (resultados financieros, precios de valores) sino que datos generados por procesos comerciales (como transacciones comerciales), datos generados en forma automatizada (como información satelital) y datos de fuentes menos tradicionales, como las redes sociales. Los inversionistas también están recurriendo a este tipo de conjuntos de datos alternativos con nuevas técnicas centradas en encontrar nuevas señales de inversión relevantes para generación de alfa. El inversionista actual podría necesitar comprender no solo la fijación de precios de los valores y el desempeño financiero, sino que también imágenes satelitales,
información de cadena de suministro, factores ASG e incluso mensajes en Twitter.
Mientras que los datos alternativos pueden agregar más información a una decisión de inversión, la historia y los identificadores comunes son un contexto esencial para traducir los datos a información relevante para las carteras de negociación.

La industria financiera genera grandes cantidades de datos. Bloomberg recibe 100.000 millones de mensajes de datos de mercado por día y procesa 2 millones de artículos nuevos por día a partir de 125.000 fuentes de noticias. Nuestras herramientas de análisis predictivo impulsadas por algoritmos de aprendizaje automático y procesamiento de lenguaje natural examinan todo para encontrar y entregar la información más importante a los inversionistas.

Hoy en día, el mayor desafío para los actores del mercado y las instituciones financieras es identificar qué conjuntos de datos utilizar; cómo garantizar que los conjuntos de datos son de alta calidad, consistentes, interrelacionados y listos para usar; y cómo comprender de forma rápida esa información para sustentar decisiones críticas.

Datos listos para usar facilitan la automatización

La explosión de datos es solo un agente de transformación referencial del cambio y la complejidad. En vista de la magnitud de esta tarea, no es sorprendente que las instituciones financieras estén recurriendo a la tecnología para automatizar procesos que ayuden a una mejor administración de los datos y generación de alfa.

El aprendizaje automático rápidamente ha tomado la delantera entre esas tecnologías. Los avances en el procesamiento del lenguaje natural y la recopilación de datos están impulsando la automatización de las operaciones de negociación en todas las plataformas de ejecución electrónica. Las empresas están aprovechando los macrodatos y el aprendizaje automático para anticipar la demanda del cliente y las variaciones en los precios.

En el buy-side, los administradores de activos y fondos de cobertura están utilizando el análisis predictivo para evaluar el riesgo basado en la liquidez del mercado. A medida que más procesos de trabajo se automatizan, los profesionales financieros pueden enfocarse más en el aspecto cognitivo, incluyendo la selección de estrategia y cartera, y en la formulación de tesis de inversión. Los profesionales financieros están tratando de resolver muchos problemas en las finanzas utilizando estos métodos, porque permiten la creación de información más sofisticada sobre las operaciones de negociación y procesos orientados al cliente.

En la gira promocional Bloomberg Machine Learning Decoded realizada en cuatro ciudades en la región de Asia Pacífico – Sídney, Singapur, Tokio y Bombay, encontramos que la mayoría de los profesionales financieros están utilizando el aprendizaje automático para generar señales y factores, así como para optimizar sus estrategias de ejecución a fin de obtener una mayor eficiencia comercial. De esos mercados, Japón resultó con diferencia el más avanzado en la aplicación del aprendizaje automático en modelos de operaciones de negociación, y aprovecha el rango más diverso de conjuntos de datos en estrategias de inversión.

En línea con esto, estamos acelerando nuestros esfuerzos para entender su potencial.

Los datos se convierten en un servicio

En la era del aprendizaje automático, los datos y la información financiera se volverán más amplios, pero más predictivos y organizados. Como una compañía líder en información financiera, estamos estandarizando los datos a través de ‘formatos organizados’ que ayudan a aumentar la eficiencia y la capacidad de referencia cruzada al proporcionar datos históricos estandarizados que facilitan el análisis de datos.

Nuestra nueva plataforma web de entrega de datos, Bloomberg Enterprise Access Point (BEAP), busca ayudar a los clientes a explorar e interactuar con conjuntos de datos en grandes cantidades en formas fáciles de manipular, modelar y visualizar. También hemos añadido recientemente más de 20 conjuntos de datos alternativos, no tradicionales de Bloomberg y proveedores de datos alternativos líderes del mercado a BEAP, incluyendo análisis sobre inventario de metales, percepción de blogueros de acciones, aprobación de fármacos, actividad de aparcamientos, permisos de construcción, riesgo geopolítico y utilización de aplicaciones. Los clientes también quieren usar datos en sus aplicaciones de cualquier modo, por lo que estamos trabajando para entregar nuestros datos en cualquier lugar, en cualquier momento. Los datos pronto se convertirán en un servicio y las plataformas futuras se volverán más manejables y más móviles.

El aprendizaje automático es impulsado esencialmente por datos y puede ayudar a los inversionistas a captar conexiones muy complicadas rápidamente. Estas entonces les permiten abordar problemas que hasta ahora eran inmanejables, debido a las complicadas interacciones entre los datos, la complejidad de los problemas y la disponibilidad de datos o de recursos computacionales.

Las técnicas y las tecnologías disponibles ahora se están volviendo más sofisticadas, pero lo que sustenta todo esto y el éxito de las estrategias de aprendizaje automático es la creciente importancia de datos de alta calidad, interrelacionados y prácticos. Las empresas que comprenden esto ahora y ponen en marcha una estrategia empresarial basada en los datos, serán finalmente los ganadores en esta nueva era del aprendizaje automático.