Es difícil decir exactamente qué estrategias. Sin embargo, uno puede hacer algunas suposiciones. Teniendo en cuenta lo mal que se realizó y lo inusual que fue el 2016 para los mercados mundiales, puede hacer una correlación entre esos dos factores.
Entonces, en el fondo, tienes que preguntarte, ¿por qué alguien tendría un robot para recoger acciones para ellos? El gran beneficio es que el robot puede mirar y recordar simultáneamente grandes cantidades de información compleja y luego interpretarla en una respuesta simple. Dado que el robot está realizando una tarea bastante complicada y abstracta, el robot será de un tipo de sistema de AI / Machine Learning (AI / ML).
Esto significaría que el robot analizará estos factores de información siguientes:
- ¿Cómo se puede aplicar la IA al diseño de chips de computadora?
- ¿Cómo funciona la IA en los juegos?
- ¿En qué se diferencia la IA de la coincidencia de patrones básicamente?
- ¿Saldremos con robots en lugar de humanos en el futuro?
- ¿Qué tan inteligente es la IA ahora (octubre de 2014)?
- Información directa de stock individual. Este es el pasado de las acciones. su información fundamental (como PE y capitalización de mercado), cómo se realizó la acción en muchos mercados diferentes y correlacionados, etc. Cualquier cosa que tenga una relación directa y obvia con una acción.
- Información de existencias individuales indirectas. Estas cosas son más abstractas y son similares a una especie de información de “gema oculta” o “Buffet”. Puede ser, qué tan infravalorada / sobrevalorada está la acción, quién está en el consejo de administración de la compañía (y sus antecedentes / desempeño anteriores), qué otras empresas han invertido en la acción (¿esas empresas eligen ganadores o perdedores?), Qué empresas son cortejar el stock / tratar de ocultar su compra del stock (órdenes de iceberg).
- Amplia información del mercado. Este es probablemente el más complicado de corregir, especialmente cuando se trata de sistemas AI / ML. Básicamente, estás tratando de modelar grandes sectores en varias economías y derivar una predicción / perspectiva macroeconómica de la economía global. Luego, relacione esa predicción / perspectiva con las acciones que el robot está eligiendo. Para hacer las cosas más divertidas, la macroeconomía como un tema en sí mismo, es conocida por equivocarse.
Por supuesto, el robot probablemente tendrá otros factores más complicados y sofisticados, pero para este ejemplo, serán suficientes.
Ahora, lo más importante para recordar, es que 2016 fue el año para cada seguidor de tendencias y más en forma, para pensar que son los próximos Soros.
Brexit y Trump. Esos dos pequeños disgustos macroeconómicos disimulados, podrían (supongo), provocaron una gran sacudida en la previsibilidad, la fiabilidad y el rendimiento general de los robots. Ambos eventos son muy diferentes a cualquier otra cosa que hayamos visto antes, principalmente por esto:
Fueron alimentados por el populismo, las emociones y la irracionalidad hacia los hechos percibidos y el sentido común.
Desde una perspectiva modelada y estrictamente económica, Brexit es malo para la economía del Reino Unido. Esto dio como resultado que casi todos los analistas, comerciantes y economistas predicen que el Brexit no sucederá … ??? … Bajo y he aquí … Brexit sucedió. Ahora lo que ocurrió después fue el caos. Si los analistas hubieran utilizado toda esta información lógica y modelos basados en la racionalidad, y hubieran terminado entendiendo todo tan mal, ¿qué demonios van a usar para predecir los mercados ahora? ¿Qué modelos son seguros de usar?
Este tipo de pensamiento y ansiedad, se extendió a las elecciones de Estados Unidos, donde en su mayor parte, sucedió lo mismo (el desvalido ganó, todos los expertos estaban equivocados, la gente es más irracional de lo que la gente piensa).
Entonces, ¿recuerda todos los factores de selección de acciones que mencioné anteriormente? Imagine lo estúpidamente complicado y deformado que se convertiría toda esa información para cada acción ahora. Imagínese tratando de tener un sistema automatizado, intente tener un sentido razonable de toda esta nueva información (parámetros desconocidos, creencias desconocidas) y el hecho de que las predicciones racionales y sensatas ya no funcionaron , por alguna razón mística.
Luego se vuelve más comprensible, cómo el fondo de capital 32 de BlackRock tuvo algunas grandes pérdidas. Pero no se preocupe por BlackRock, hubo empresas que se comportaron mucho peor:
Bill Ackman a Platinum Partners: los 7 principales desastres de Hedge Funds en 2016
