Según arXiv q-fin, un estudio reciente evalúa si los avances tecnológicos en el descubrimiento de factores financieros —como el aprendizaje por reforzamiento, modelos generativos y agentes de lenguaje— generan señales más robustas, generalizables y útiles para la toma de decisiones en inversiones. El trabajo presenta FactorBench, una herramienta de referencia que compara más de cinco mil factores extraídos mediante nueve métodos automatizados, aplicados en cinco mercados bursáteles. Esta evaluación se basa en un contrato común de datos y validación que integra expresiones simbólicas y códigos ejecutables en Python, permitiendo unir algoritmos diversos bajo un mismo marco de análisis.
El estudio examina tres dimensiones clave: la validez de los factores, su capacidad para generalizarse en el tiempo y su utilidad para predecir rendimientos futuros más allá de las exposiciones conocidas a riesgo y estilo. También analiza la diferenciación entre métodos, tanto interna como entre ellos, comparando su similitud con el benchmark Alpha101, ampliamente utilizado en el sector. Además, se evalúa la calidad combinada de las señales y el rendimiento de portafolios, tanto en estrategias de inversión larga como en estrategias de tipo largo-corto, después de considerar costos operativos.
El hallazgo principal es que, pese a las innovaciones en cada paradigma, no existe un enfoque que sistémicamente supera a los demás en calidad de señales o en resultados de portafolio. Cada método ofrece ventajas específicas, pero ninguno demuestra una ventaja consistente y sostenible en condiciones reales de inversión. Esto plantea una cuestión crítica: si los algoritmos evolucionan rápidamente, ¿se traduce ese avance en beneficios tangibles para los inversores?
Para los inversores peruanos, este resultado sugiere que no se debe depender exclusivamente de tecnologías emergentes para mejorar la rentabilidad de sus carteras. Aunque los modelos de inteligencia artificial prometen descubrir patrones ocultos en los mercados, el hecho de que no haya un paradigma dominante indica que la calidad de las señales depende más de la selección cuidadosa de factores y de la construcción de portafolios que de la complejidad técnica. En un contexto de volatilidad elevada y mercados menos eficientes, como el peruano, donde la información no siempre se traduce en precios rápidos, la experiencia humana en la interpretación de datos y en la gestión de riesgos sigue siendo un pilar clave. Por tanto, integrar nuevas herramientas tecnológicas no debe reemplazar, sino complementar, una estrategia basada en fundamentos económicos y en análisis de mercado profundos.