Cómo puede la IA abrir nuevas vías para la investigación de inversión sistemática

El segundo trimestre estuvo marcado por otro repunte sostenido de los activos de riesgo y por la fortaleza de los valores con momentum. Entre los principales factores impulsores figuraron el continuado entusiasmo por el ciclo de gasto de capital (capex) en inteligencia artificial (IA) y una sólida temporada de resultados, que parecieron imponerse a la preocupación por la guerra entre Estados Unidos e Irán. Por el contrario, la valoración y la calidad fueron, en gran medida, factores detractores (Figura 1).

Las tendencias de rentabilidad de los factores fueron persistentes en Estados Unidos (Figura 2A) e incluso más consistentes en los mercados emergentes (Figura 2B).

Observamos razones tanto fundamentales como técnicas que explican esta convergencia en la rentabilidad de los factores en Estados Unidos y los mercados emergentes:

• Fundamentales: La exposición de los mercados emergentes a compañías de memoria y hardware que se han beneficiado de la IA se tradujo en una evolución similar a la de la renta variable estadounidense. En otras palabras, la temática de inversión en infraestructuras de IA se extendió más allá de Estados Unidos.
• Técnicas: La importante participación de los inversores minoristas, junto con los fondos cotizados (ETF) que ofrecen exposición apalancada a un valor o una temática, contribuyeron a este efecto.

Esta convergencia en la rentabilidad de los factores entre la renta variable estadounidense y los mercados emergentes plantea cuestiones importantes para los responsables de asignación de activos: principalmente, si la exposición a los mercados emergentes sigue ofreciendo el mismo grado de diversificación que en el pasado y si la globalización de la temática de inversión en IA agravará la volatilidad en caso de que las expectativas no se cumplan. Dada la mayor concentración del índice MSCI Emerging Markets, este podría comportarse como una versión con una beta elevada de los índices Russell 1000 y Russell 2500.

Cómo utilizamos la IA para mejorar la investigación cuantitativa de inversión

Nuestra investigación ha hecho un uso extensivo de la IA. Hemos observado que estas herramientas parecen aportar valor, especialmente en situaciones en las que los modelos cuantitativos tradicionales han mostrado ciertas limitaciones.

Al diseñar análisis que incorporan grandes modelos de lenguaje (LLM)¹, tratamos de combinar nuestra fortaleza en análisis cuantitativo con el profundo conocimiento que nuestros analistas de análisis fundamental tienen de las compañías y los sectores.

La acusada rentabilidad inferior del factor calidad y de los valores de software durante el último año nos llevó a utilizar la IA para analizar dos debates clave del mercado:

• ¿Qué podemos aprender de un enfoque sistemático para analizar definiciones de calidad de carácter más cualitativo?
• ¿Qué compañías de software podrían estar mejor posicionadas para resistir la disrupción provocada por la IA?

¿Qué revelaron nuestros análisis?

• La versión de calidad basada en LLM también reflejó la reciente rentabilidad inferior del factor; sin embargo, las medidas cualitativas de calidad superaron a las métricas cuantitativas.
• El prompt de LLM que desarrollamos logró captar razonablemente bien, y de forma independiente, la percepción del mercado sobre qué valores de software podrían estar más expuestos al riesgo de disrupción por la IA.

 

 

En términos más generales, los análisis reforzaron el valor de combinar los conocimientos cuantitativos y fundamentales al utilizar herramientas de IA.

Caso práctico 1: ¿Importa la definición de calidad en los valores de pequeña y mediana capitalización?

Muchos profesionales de la inversión han atribuido la racha de rentabilidad inferior del factor calidad en el universo de pequeña y mediana capitalización a la especulación de los inversores.

Hemos analizado otras posibles explicaciones, entre ellas la disrupción tecnológica, la naturaleza similar a la de las opciones de las valoraciones de renta variable y los cambios en la estructura y los participantes del mercado.²

Conviene dejarlo claro: creemos que las compañías de calidad deberían obtener una rentabilidad superior a lo largo de un ciclo de mercado completo. Sin embargo, también reconocemos que las medidas tradicionales de calidad pueden quedar rezagadas, en ocasiones durante periodos prolongados.

Por qué y cómo desarrollamos un marco de LLM para evaluar la calidad empresarial

Las medidas cuantitativas tradicionales de calidad —utilizadas habitualmente por gestores de inversiones, modelos de riesgo y proveedores de datos— suelen centrarse en características financieras que indican si una compañía ha mostrado estabilidad y crecimiento. Entre los parámetros que suelen incluir las puntuaciones cuantitativas de calidad figuran:

Rentabilidad: por ejemplo, generación de beneficios y flujo de caja libre;

Estabilidad de los beneficios: por ejemplo, medidas de rentabilidad histórica; y

Solidez del balance: por ejemplo, un bajo nivel de apalancamiento.

Los inversores fundamentales suelen adoptar una visión más amplia de la calidad, incorporando evaluaciones de la estructura del sector de una compañía, sus ventajas competitivas, su poder de fijación de precios, la calidad de su equipo directivo y, cada vez más, si la IA podría suponer un factor favorable o adverso para el negocio. Muchos de estos atributos cualitativos han resultado difíciles de medir de forma sistemática.

Los LLM contribuyen a hacer más prácticos los análisis cualitativos al extraer información de todo tipo de fuentes textuales no estructuradas, desde documentos presentados por las compañías y transcripciones de conferencias de resultados hasta informes de análisis de inversión.

No consideramos este enfoque un sustituto de las métricas financieras tradicionales. Su objetivo es complementarlas mediante un marco sistemático para evaluar aspectos cualitativos de la calidad empresarial que históricamente han dependido del juicio de los analistas fundamentales.

Para explorar esta oportunidad, desarrollamos un marco de calidad basado en LLM cuyo objetivo es evaluar si una empresa parece contar con un crecimiento sostenible de los beneficios y estar bien posicionada desde el punto de vista competitivo. El proceso constó de varias etapas:

1. Desarrollar una definición detallada de calidad fundamental y perfeccionarla mediante comentarios iterativos tanto de nuestros analistas como del propio LLM.
2. Crear un marco de apoyo en torno al modelo para reducir las alucinaciones y mejorar la coherencia de los resultados.
3. Integrar el modelo con nuestras bases de datos internas para poder incorporar el análisis propio de nuestros analistas junto con información disponible públicamente.
4. Crear un sistema de procesamiento por lotes que utiliza el modelo para asignar semanalmente una puntuación a los componentes del índice Russell 2500 de pequeña y mediana capitalización.

Principales conclusiones de nuestro marco de calidad basado en LLM

Los resultados iniciales han sido alentadores. Como prueba de robustez, la correlación entre nuestra puntuación cuantitativa de calidad y la puntuación de calidad basada en LLM se situaba en el 74% a 30 de junio de 2026.³ Este nivel de correlación es suficientemente elevado como para sugerir que ambos enfoques miden un concepto subyacente similar, pero lo bastante bajo como para indicar que la información no es redundante. Dicho de otro modo, ambos enfoques parecen captar la calidad desde perspectivas diferentes.

En consonancia con esta conclusión, aproximadamente el 79% de los componentes del índice Russell 2500 recibió la misma clasificación de calidad con ambas metodologías (Figura 3).

También podemos utilizar estas puntuaciones cuantitativas y basadas en LLM para analizar el reciente repunte de los valores de baja calidad. Si analizamos las rentabilidades de los últimos 12 meses en el índice Russell 2500, los valores que ambas metodologías clasificaron como de baja calidad superaron en un 5,6% a aquellos que ambos sistemas situaron en la categoría de alta calidad (Figura 3). Más interesante aún, entre los valores en los que las dos metodologías discreparon, las compañías clasificadas como de alta calidad únicamente por el LLM superaron en un 9,1% a las clasificadas como de alta calidad únicamente por el modelo cuantitativo.

Aunque este análisis debe considerarse preliminar, apunta a dos posibles conclusiones:

1. El marco basado en LLM también refleja la considerable rentabilidad superior de los valores de menor calidad durante el último año.
2. Las dimensiones cualitativas de la calidad podrían haber obtenido mejores resultados que las medidas cuantitativas tradicionales. Esta divergencia podría reflejar la exposición a la IA, la resiliencia frente a la disrupción, un mayor poder de fijación de precios u otras características empresariales difíciles de captar únicamente mediante métricas financieras convencionales.

De hecho, cuando pedimos al LLM que analizara las diferencias estructurales entre su visión de la calidad y la visión cuantitativa tradicional, atribuyó las discrepancias puntuales a:

• La IA penaliza a las «compañías que actualmente presentan buenos fundamentales, pero se enfrentan a amenazas estructurales»: muestran buenos ratios en la actualidad, pero la IA cuestiona su sostenibilidad.
• La IA favorece a las «compañías estructuralmente sólidas, pero actualmente con malos fundamentales»: presentan unas finanzas volátiles, pero la IA identifica un negocio subyacente con ventajas competitivas duraderas.

Limitaciones de nuestro análisis de la calidad empresarial

No obstante, nuestro caso práctico presenta dos importantes limitaciones.

Sesgo de anticipación: Actualmente no disponemos de un historial de puntuaciones de calidad del LLM con datos disponibles en cada momento que se remonte a un año atrás. Aunque se indicó al modelo que se centrara en las características fundamentales de calidad, sus evaluaciones podrían haberse visto influidas por el conocimiento del entorno de mercado posterior.

Posible sobreajuste: Tanto el diseño del prompt como el marco de puntuación se perfeccionaron a través de múltiples iteraciones, lo que plantea la posibilidad de que la metodología esté adaptada al entorno de mercado actual. Aunque el objetivo de este proyecto de investigación era mejorar la coherencia y la interpretabilidad económica, en lugar de maximizar la rentabilidad histórica, será necesario realizar pruebas adicionales fuera de muestra para evaluar la robustez y la capacidad de generalización del marco.

No obstante, las clasificaciones del LLM fueron coherentes, en términos de dirección, con la observación más general de que los valores de menor calidad obtuvieron una rentabilidad superior. Por tanto, creemos que el análisis puede resultar informativo, aunque la magnitud y la persistencia de los resultados requerirán pruebas adicionales fuera de muestra.

Caso práctico 2: ¿Qué compañías de software parecen mejor posicionadas frente a la disrupción de la IA?

Los valores de software registraron una rentabilidad significativamente inferior durante el último año, debido a diversas preocupaciones relacionadas con la IA, entre ellas la sustitución directa de productos, la reducción del poder de fijación de precios y una menor demanda de licencias basadas en el número de usuarios.

¿Es posible distinguir entre las compañías de software relativamente resilientes frente a la disrupción de la IA y aquellas que presentan una mayor exposición?

Cómo utilizamos un LLM para analizar la resiliencia de las compañías de software

El desarrollo y la aplicación de un marco basado en LLM para evaluar la capacidad potencial de las compañías de software para resistir la disrupción provocada por la IA comprendieron las siguientes etapas:

• Colaborar con nuestro equipo de analistas de software para identificar 12 características empresariales que podrían contribuir a una mayor resiliencia y capacidad defensiva en un entorno impulsado por la IA.
• Desarrollar un prompt detallado y multifactorial que evalúa las compañías en función de estas dimensiones (Figura 4).
• Crear un marco de apoyo para mejorar la coherencia y reducir las alucinaciones del LLM que dan lugar a información falsa.
• Generar puntuaciones de resiliencia para las compañías de software de pequeña y mediana capitalización del índice Russell 2500 y trabajar de forma iterativa con nuestros analistas fundamentales para perfeccionar la metodología y los resultados.

Tras varias rondas de perfeccionamiento, clasificamos las compañías de software de pequeña y mediana capitalización en quintiles en función de su resiliencia estimada frente a la disrupción de la IA y analizamos su rentabilidad desde el 30 de junio de 2025.

Principales conclusiones de nuestro análisis de la resiliencia del software mediante LLM

Durante los periodos de debilidad de los valores de software —en particular, durante la caída registrada desde finales de 2025 hasta comienzos de 2026—, las compañías identificadas como más resilientes superaron de forma significativa a las consideradas menos resilientes (Figura 5).

Sin embargo, a partir de mayo de 2026, esta relación se invirtió coincidiendo con una fuerte recuperación de los valores de software: el grupo menos resiliente protagonizó el mayor repunte y terminó los 12 meses finalizados el 30 de junio de 2026 por delante del grupo más resiliente. Aun así, durante el periodo analizado se mantuvo de forma consistente el patrón según el cual el quintil más resiliente lideraba la rentabilidad durante las fases de ventas generalizadas.

Este patrón es coherente con lo que cabría esperar de un marco centrado en la capacidad defensiva. Las compañías de software percibidas como más protegidas frente a la disrupción de la IA podrían ayudar a mitigar las caídas durante periodos de elevada preocupación, mientras que aquellas consideradas más expuestas a este riesgo podrían beneficiarse de forma desproporcionada cuando dichas preocupaciones disminuyen.

Aunque el periodo de observación sigue siendo breve y las rentabilidades de cualquier periodo concreto estarán condicionadas por los cambios en el sentimiento, los primeros resultados sugieren que la resiliencia frente a la disrupción de la IA se está convirtiendo en un factor de diferenciación cada vez más importante dentro del sector del software.

En horizontes de inversión más largos, creemos que las compañías de software con un posicionamiento competitivo más sólido, mayor poder de fijación de precios, relaciones con los clientes más difíciles de desplazar y un menor riesgo de disrupción por la IA deberían estar mejor posicionadas para crear valor para los accionistas. Creemos que establecer estas diferencias es importante para los inversores en compañías de pequeña y mediana capitalización.

Conclusiones

Los LLM tienen el potencial de ampliar el conjunto de cuestiones de inversión que pueden abordarse de forma sistemática, especialmente en ámbitos en los que los modelos cuantitativos tradicionales han tenido históricamente dificultades para medir características empresariales cualitativas. Según nuestra experiencia, las aplicaciones más eficaces no suelen surgir exclusivamente del conocimiento fundamental o cuantitativo, sino de la combinación de ambos. Incorporar las perspectivas de estas dos disciplinas permite que la intuición económica y la sofisticación tecnológica se refuercen mutuamente.

Los ejemplos presentados ilustran este enfoque integrado. Nuestro marco basado en LLM sugiere que las medidas sistemáticas de la calidad empresarial cualitativa pueden captar información distinta de la que recogen las métricas convencionales de calidad. Del mismo modo, nuestro marco de resiliencia del software demuestra cómo los LLM pueden ayudar a evaluar dinámicas competitivas complejas que históricamente han dependido del juicio experto. Aunque ambas aplicaciones se encuentran todavía en una fase inicial de desarrollo y requieren una validación adicional, los primeros resultados sugieren que los LLM pueden proporcionar señales relevantes que complementen las herramientas de análisis existentes.

A medida que evolucionen estas tecnologías, creemos que la mayor oportunidad no reside en sustituir los procesos de inversión establecidos, sino en ampliarlos. Al combinar datos financieros estructurados con el análisis sistemático de información no estructurada, los inversores podrían medir características empresariales importantes que históricamente han resultado difíciles de evaluar a escala. Esperamos que la integración de herramientas de IA se convierta en un componente cada vez más importante de la investigación cuantitativa de inversión.

Apéndice

Los factores son métricas elaboradas internamente, que se definen de la siguiente manera:

Valoración: Indicador compuesto propio de métricas de valoración basadas en beneficios, ventas, valor contable y dividendos. La ponderación específica del factor valor puede variar según la región y el sector.

Crecimiento: Indicador compuesto propio de métricas de crecimiento basadas en el crecimiento histórico y previsto de los beneficios y las ventas. La selección y ponderación de los factores varían según la región y el sector.

Momentum: Medida propia del momentum de los precios a medio plazo.

Calidad: Medida propia de calidad basada en la estabilidad de los fundamentales y de la cotización; la solidez del balance; y medidas de rentabilidad, utilización del capital y calidad de los beneficios.

Rentabilidad: Rentabilidad sobre recursos propios (ROE).

Riesgo: En este documento, el riesgo es la desviación típica de las rentabilidades de los últimos 12 meses. Los valores de alto riesgo presentan desviaciones típicas más elevadas, lo que indica un mayor grado de variación o dispersión de sus rentabilidades históricas.

Tamaño: Capitalización bursátil (una rentabilidad positiva significa que los valores de mayor capitalización superan a los de menor capitalización).

Diferencial entre quintiles: También denominado rentabilidad long-short, el diferencial entre quintiles se calcula ordenando los valores según una característica o criterio de factor específico, dividiéndolos en cinco grupos (o quintiles), asignando la misma ponderación a los valores dentro de cada quintil y restando a la rentabilidad del quintil superior (20% más alto) la rentabilidad del quintil inferior (20% más bajo).

No es posible invertir directamente en factores ni índices, que se muestran únicamente con fines ilustrativos. No reflejan la rentabilidad de inversiones reales ni la reducción derivada de las comisiones asociadas a una inversión real, como los costes de negociación y las comisiones de gestión.

Todas las inversiones están sujetas al riesgo de mercado, incluida la posible pérdida del principal. Las características favorables que una compañía haya presentado en el pasado podrían no mantenerse en el futuro.

Riesgos de inversión: Los valores de renta variable pueden perder valor rápidamente por diversos motivos y permanecer en niveles reducidos durante un periodo indefinido. Los valores de crecimiento están sujetos a la volatilidad inherente a la inversión en renta variable, y el precio de sus acciones puede fluctuar más que el de los valores orientados a la generación de rentas. Los valores de pequeña capitalización han presentado generalmente una mayor volatilidad de precios que los de gran capitalización. Los valores de mediana capitalización han sido, por lo general, más volátiles que los de compañías grandes y consolidadas. La inversión en valores tecnológicos conlleva riesgos específicos, entre ellos la posibilidad de una amplia dispersión en los resultados y, por lo general, fuertes oscilaciones de los precios, tanto al alza como a la baja. Las compañías tecnológicas pueden verse afectadas, entre otros factores, por una intensa competencia, la regulación gubernamental, resultados empresariales inferiores a las expectativas, la dependencia de la protección mediante patentes y la rápida obsolescencia de productos y servicios debido a las innovaciones tecnológicas o a cambios en las preferencias de los consumidores.