Por Canuto  

JPMorgan probó ocho agentes de inteligencia artificial para mover capital entre acciones y bonos según distintos regímenes macroeconómicos. El resultado fue mejor que una cartera tradicional 60/40 en dos décadas de simulaciones, pero el propio banco advirtió que el desempeño histórico no garantiza éxito cuando llegue la hora del mercado real.

***

  • Ocho agentes de IA de JPMorgan superaron a la cartera 60/40 en pruebas retrospectivas de 20 años.
  • El mejor agente aventajó al portafolio tradicional por 0,7 puntos porcentuales al año y con 2,8% menos volatilidad anual.
  • Pese a los resultados, JPMorgan y veteranos cuantitativos alertan sobre sesgos del backtesting, costos reales y regímenes no vistos.

 

JPMorgan presentó los resultados de una prueba retrospectiva en la que ocho agentes de inteligencia artificial (IA) ajustaron una cartera entre acciones y bonos según cambios en el entorno macroeconómico. En ese ejercicio, los sistemas superaron a una estrategia tradicional 60/40, una referencia histórica en la gestión patrimonial.

El resultado llamó la atención porque sugiere que la IA podría ir más allá de apoyar a analistas humanos y empezar a participar de forma directa en la asignación de capital. Sin embargo, el propio banco acompañó la presentación con una advertencia clara sobre los límites de estas simulaciones.

La comparación no es menor dentro del mundo financiero. La cartera 60/40, compuesta por 60% en acciones y 40% en bonos, ha sido durante décadas uno de los modelos más conocidos para inversionistas que buscan equilibrio entre crecimiento y estabilidad.

Ese punto de referencia también viene de años complejos. En 2022, la estrategia sufrió su peor desempeño desde 1937, cuando acciones y bonos cayeron al mismo tiempo, rompiendo una relación que muchos gestores daban por sentada.

En paralelo, la noticia conecta con una narrativa más amplia sobre agentes de IA autónomos. Esa visión también ha sido impulsada por Jack Dorsey, hoy director ejecutivo de Block, quien sostiene que las máquinas no solo deben asistir tareas, sino asumir funciones de ejecución cada vez más concretas.

Cómo funcionó la prueba de JPMorgan

El equipo de estrategia de activos cruzados de JPMorgan construyó ocho agentes de IA capaces de desplazarse entre acciones y bonos según el entorno económico. Los estrategas estuvieron liderados por Thomas Salopek y compartieron los resultados en una nota fechada el 9 de julio.

El sistema se organizó alrededor de cuatro regímenes macroeconómicos definidos por crecimiento e inflación. Bajo ese marco, los agentes evaluaban cuándo convenía favorecer activos de riesgo y cuándo resultaba más prudente inclinarse hacia renta fija.

En términos generales, los agentes sobreponderaron acciones cuando el crecimiento parecía sólido. Cuando las condiciones se debilitaban, optaban por favorecer bonos.

Durante 20 años de pruebas retrospectivas, el mejor de los agentes superó a la cartera 60/40 por 0,7 puntos porcentuales al año. Además, logró ese resultado con una volatilidad anual 2,8% más baja.

Los ocho agentes arrojaron métricas positivas ajustadas por riesgo. Sus ratios de Sharpe se ubicaron entre 0,74 y 0,95, por encima del 0,61 registrado por la cartera tradicional usada como referencia.

Ese dato es relevante porque el ratio de Sharpe busca medir cuánto retorno adicional genera una estrategia por cada unidad de riesgo asumido. En lenguaje práctico, no se trata solo de ganar más, sino de hacerlo con un perfil de riesgo más eficiente.

Otro punto destacado es que los agentes trabajaron con modelos de propósito general de OpenAI y Anthropic. Aun así, según los resultados divulgados, lograron superar el propio modelo de regímenes basado en reglas de JPMorgan.

Por qué esta apuesta recuerda la visión de Jack Dorsey

La lógica detrás del experimento encaja con una idea que Jack Dorsey viene defendiendo en el ámbito corporativo y tecnológico. Su planteamiento es que los agentes de IA pueden convertirse en unidades operativas con suficiente autonomía para ejecutar tareas que antes hacían equipos humanos.

En el caso de JPMorgan, esa filosofía se traslada al terreno de los mercados financieros. La pregunta ya no es solo si la IA ayuda a leer datos, sino si puede decidir cómo distribuir dinero entre distintas clases de activos.

Dorsey ha llevado esa postura a decisiones empresariales muy concretas. Según la historia citada por Yahoo Finance, el ejecutivo despidió a más de 4.000 empleados en Block en febrero y atribuyó el cambio al avance de la IA.

Esa cifra representó alrededor del 40% de la plantilla de la empresa. Por eso, la comparación con JPMorgan no se limita a una coincidencia narrativa, sino a una misma dirección estratégica: delegar más funciones a sistemas automatizados.

Dentro del ecosistema financiero, este tipo de agentes podría abrir una nueva fase en la gestión cuantitativa. Durante años, los modelos algorítmicos se concentraron en ejecutar órdenes o detectar patrones, pero los agentes prometen un rol más integral en la toma de decisiones.

Para lectores menos familiarizados con el tema, un agente de IA se diferencia de una herramienta analítica tradicional porque no solo procesa información. También puede evaluar escenarios, priorizar opciones y actuar bajo objetivos definidos por sus diseñadores.

La gran advertencia detrás del entusiasmo

Pese al resultado favorable, JPMorgan fue explícito en pedir cautela. El banco señaló que los hallazgos provienen de simulaciones históricas y no de operaciones en vivo.

Esa diferencia es fundamental en mercados financieros. Un modelo puede lucir robusto sobre datos del pasado y fallar cuando enfrenta condiciones reales, costos de ejecución, fricciones operativas y eventos inesperados.

Richard Bernstein, veterano cuantitativo de Wall Street, resumió ese riesgo con una advertencia conocida dentro del sector. Las nuevas estrategias, recordó, rara vez publican pruebas retrospectivas que pierden.

Su crítica apunta al llamado sesgo de publicación. Cuando solo se difunden los experimentos exitosos, el mercado recibe una visión parcial que puede exagerar la verdadera capacidad de una estrategia.

Ese problema se vuelve todavía más sensible con modelos de IA flexibles. Estos sistemas pueden adaptarse al ruido del pasado y parecer brillantes en simulación, pero luego debilitarse cuando aparecen regímenes no vistos en el entrenamiento.

También entran en juego los costos del mundo real. Comisiones, deslizamientos, liquidez disponible y tiempos de ejecución pueden erosionar ventajas que en una prueba retrospectiva lucen limpias y estadísticamente atractivas.

Por eso, la principal pregunta no es si la IA puede producir una curva histórica convincente. La verdadera prueba será comprobar si estos agentes mantienen su desempeño cuando deban operar bajo presión en mercados reales.

Los riesgos sistémicos de una adopción masiva

JPMorgan también advirtió sobre otro frente de riesgo menos visible para el inversionista promedio. Si demasiados agentes de IA terminan tomando decisiones similares, las operaciones podrían concentrarse y amplificar episodios de estrés de mercado.

En otras palabras, una estrategia individual puede parecer racional, pero su adopción masiva podría volverla peligrosa. Cuando muchos sistemas reaccionan al mismo dato al mismo tiempo, la liquidez puede evaporarse con rapidez.

Ese escenario recuerda problemas ya observados en otras formas de negociación automatizada. Los algoritmos pueden mejorar eficiencia en tiempos normales, pero también acelerar movimientos bruscos cuando el mercado entra en pánico o pierde profundidad.

La advertencia del banco además se conecta con debates más amplios sobre el gasto y la fiebre alrededor de la IA. En varios sectores, las promesas tecnológicas han impulsado inversiones fuertes antes de que existan pruebas suficientes sobre su durabilidad económica.

En gestión de activos, ese riesgo tiene una historia larga. Muchas estrategias cuantitativas mostraron resultados excelentes en backtesting y después tropezaron al enfrentarse a condiciones nuevas o a una saturación de participantes siguiendo señales parecidas.

Por eso, aunque el experimento de JPMorgan aporta evidencia interesante, no cierra el debate sobre la autonomía de la IA en finanzas. Más bien lo desplaza hacia una fase más exigente, en la que importará menos la simulación y más la resistencia frente al mercado vivo.

Según la información reportada por Yahoo Finance, ese matiz fue central en la forma en que se comunicó la prueba. El mensaje final no fue una proclamación triunfal, sino una invitación a mirar con rigor los límites del resultado.

Qué significa esto para inversionistas y para la industria

Para los inversionistas, la noticia no implica que la cartera 60/40 haya quedado obsoleta de inmediato. Sí sugiere que las herramientas de IA podrían influir cada vez más en cómo grandes instituciones ajustan la exposición entre activos tradicionales.

También muestra que la competencia ya no se reduce a elegir entre gestión activa y pasiva. Ahora emerge una tercera capa, en la que agentes entrenados sobre escenarios macroeconómicos pueden intentar optimizar decisiones que antes dependían de comités humanos.

Eso podría tener efectos sobre banca, fondos, fintech y plataformas de inversión automatizada. Si las pruebas en vivo acompañan los resultados históricos, la presión por adoptar agentes de IA en procesos de asignación crecerá con fuerza.

Al mismo tiempo, el caso deja una lección prudente para el mercado. Una ventaja de 0,7 puntos porcentuales al año, incluso con menor volatilidad, no basta por sí sola para declarar una revolución sin reservas.

Las cifras son llamativas, pero todavía pertenecen al terreno de la simulación. En finanzas, la distancia entre una estrategia prometedora y una solución confiable suele medirse en años de desempeño real, no en una sola presentación de resultados históricos.

En ese sentido, el experimento de JPMorgan funciona como señal temprana de hacia dónde se mueve la industria. Los agentes de IA ya no son solo una idea futurista, sino una herramienta que empieza a medirse contra referencias clásicas del mercado.

La cuestión de fondo sigue abierta. Si estos agentes logran sobrevivir a mercados reales, con costos, sorpresas y competencia, podrían cambiar de forma profunda la administración de portafolios. Si no lo logran, se sumarán a la larga lista de estrategias brillantes en papel que no resistieron la realidad.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público

Este artículo fue escrito por un redactor de contenido de IA

 


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados