La gestión de inversiones es, para una aseguradora o un fondo de pensiones, la otra mitad del oficio actuarial. Mientras un lado del balance proyecta pasivos que maduran en décadas, el otro debe construir una cartera de activos capaz de respaldarlos. La inteligencia artificial llegó a esa frontera con promesas ambiciosas: predecir mercados, optimizar carteras, cubrir riesgos de forma dinámica. Conviene separar lo que la IA hace de verdad de lo que simplemente envuelve en lenguaje sofisticado, porque en inversiones el error no se paga en una métrica de validación, sino en el capital de la institución y en las promesas hechas a los asegurados.
El problema más difícil: predecir rendimientos
Empecemos por donde la IA decepciona con mayor frecuencia. Pronosticar el rendimiento futuro de un activo es, en esencia, un problema de señal muy débil sobre un ruido enorme, y además no estacionario: la relación entre las variables cambia justo cuando los participantes aprenden a explotarla. Un modelo de machine learning entrenado sobre precios históricos puede exhibir ajustes espectaculares dentro de la muestra y desplomarse fuera de ella. La ley fundamental de la gestión activa resume por qué:
$$ IR \approx IC \cdot \sqrt{N} $$
El ratio de información depende del coeficiente de información, esto es la correlación entre el pronóstico y el resultado, y de la amplitud, el número de apuestas realmente independientes. El coeficiente de información de casi cualquier señal de mercado es diminuto, y ninguna arquitectura de red neuronal cambia esa aritmética: a lo sumo explota mejor una amplitud que ya existía. El inversionista de valor lo sabe por intuición y el actuario por disciplina estadística. Desconfiar de un backtest demasiado bueno no es pesimismo, es prudencia.
Donde la IA sí añade valor
El terreno fértil no es adivinar el mercado, sino procesar información y gobernar carteras complejas. Ahí el aprendizaje automático aporta ventajas concretas y medibles:
- Datos alternativos y no estructurados: leer reportes financieros, noticias, imágenes satelitales o métricas ambientales y sociales a una escala imposible de forma manual, para enriquecer el análisis de crédito y de emisores.
- Generadores de escenarios económicos: calibrar y acelerar los modelos que alimentan la valuación de pasivos y las pruebas de estrés, respetando la coherencia entre tasas, inflación y diferenciales de crédito.
- Monitoreo de riesgo: detectar cambios de régimen, concentraciones ocultas y correlaciones que se disparan precisamente cuando el mercado se tensa.
- Cobertura dinámica: aproximar estrategias de hedging de carteras con opcionalidad, donde la solución analítica cerrada no existe.
En todos estos casos la IA no sustituye la decisión de inversión: amplía la base de evidencia sobre la que se toma, y libera tiempo del analista para las preguntas que de verdad importan.
Aprendizaje por refuerzo y la gestión de activos y pasivos
El caso más prometedor para una institución actuarial no es el fondo especulativo, sino la gestión de activos y pasivos (ALM). El aprendizaje por refuerzo plantea la inversión como una secuencia de decisiones: en cada periodo el gestor elige una asignación, observa cómo evolucionan activos y pasivos, y busca maximizar una recompensa de largo plazo, por ejemplo el excedente ajustado por riesgo. No por casualidad la Society of Actuaries (SOA), a través de su sección de inversiones, ha publicado investigación sobre deep learning aplicado a la inversión guiada por pasivos, y ya existe literatura académica sobre aprendizaje por refuerzo profundo en ALM. La inmunización clásica exige igualar la sensibilidad de activos y pasivos ante un movimiento de tasas:
$$ \frac{\partial A}{\partial y} = \frac{\partial L}{\partial y} $$
El refuerzo generaliza esa condición a un mundo con costos de transacción, restricciones regulatorias y objetivos múltiples, donde ya no hay fórmula cerrada. La promesa es real, pero también lo son los riesgos: un agente entrenado dentro de un simulador hereda todos los sesgos de ese simulador, y puede aprender a explotar artefactos del modelo en lugar de gestionar el riesgo verdadero.
La disciplina que distingue al actuario
Lo que convierte estas herramientas en instrumentos confiables no es la sofisticación del algoritmo, sino la disciplina que lo rodea. Separar con rigor los datos de entrenamiento, validación y prueba. Penalizar el número de configuraciones ensayadas antes de celebrar un resultado, que es la preocupación de la que nace el Sharpe deflactado. Exigir que cada señal tenga una hipótesis económica detrás y no solo una correlación afortunada. Vigilar la deriva de los datos cuando el régimen cambia. Son principios que el actuario ya aplica a la tarificación y a las reservas, trasladados ahora al balance de inversión. La gobernanza de modelos, con validación independiente, documentación y monitoreo continuo, es tan pertinente en la cartera como en el pasivo. El Institute and Faculty of Actuaries (IFoA) y la Casualty Actuarial Society (CAS) han desarrollado material sobre ciencia de datos y uso responsable de modelos que encuadra con precisión esta responsabilidad.
Criterio por encima de capacidad de cómputo
La tentación, cuando una herramienta es poderosa, es dejar que decida sola. En inversiones esa delegación es peligrosa: el mercado no es un entorno estacionario como un juego de mesa, y una estrategia que funcionó durante una década puede fracasar justo cuando más capital la respalda. El papel del actuario, y del inversionista con criterio, no es competir con la máquina en velocidad de cálculo, sino enmarcar el problema, cuestionar los supuestos del simulador, exigir una tesis económica y asumir la responsabilidad del resultado ante el consejo y el regulador. La inteligencia artificial amplía enormemente lo que podemos analizar; no sustituye el juicio sobre qué merece la pena analizar. En la gestión de los activos que respaldan promesas de varias décadas, esa diferencia lo es todo.