Un estudio realizado por Bloomberg muestra que la tendencia para los próximos cinco años es que el proceso de toma de decisiones en las administradoras de fondos se automatizará cada vez más basándose en la aplicación de la ciencia de datos.
En la carrera para ganar competitividad ante el desafiante contexto económico y político, las administradoras de fondos exponenciales se han destacado por obtener conocimientos mediante la aplicación de técnicas de análisis y modelado de datos, la inteligencia artificial y el machine learning capaces de optimizar los flujos de inversión.
Se posicionan a la vanguardia aquellas que invierten en el desarrollo de modelos analíticos cada vez más sofisticados para la toma de decisiones, reduciendo riesgos operativos y automatizando procesos con el apoyo de nuevas herramientas, conocimientos de programación y plataformas tecnológicas. Para lograr este objetivo, es necesario aplicar grandes volúmenes de datos de múltiples instrumentos financieros, históricos, intradía o en tiempo real, y también incluir datos alternativos en la integración de estos análisis financieros.
Ante este escenario, Python se destaca como el lenguaje de programación más popular del mundo. Su fama se debe sobre todo a su capacidad para trabajar con grandes volúmenes de datos y la inteligencia artificial.
Pero, al fin y al cabo, ¿cuál es la mejor herramienta para el análisis de datos en las administradoras de fondos, Python, el “favorito” del momento, o el confiable Excel? Entre las ventajas que aporta cada uno, es seguro que las administradoras de fondos tendrán que avanzar en la curva de aprendizaje del análisis de datos e invertir en nuevas capacidades para abordar la complejidad de los datos a escala y la competitividad del mercado.
¿Por qué Python ha ido ganando terreno en este contexto?
Considerado un lenguaje dinámico, de alto nivel, versátil, ágil y modular, Python es uno de los lenguajes de programación de mayor crecimiento entre los desarrolladores, ya que admite tanto la programación orientada a objetos como a la programación estructurada. Entre sus ventajas destacan su facilidad de aprendizaje y visualización, lectura y codificación del lenguaje, que permite aplicar la lógica de programación directamente al código, lo que resulta atractivo tanto para programadores principiantes como para los más experimentados.
Además, el lenguaje abarca una amplia biblioteca de códigos (como “Pandas”, para análisis de datos, y “NumPY”, para cálculos numéricos) que apoyan el desarrollo de algoritmos de aprendizaje automático, la creación de modelos de inteligencia artificial y el análisis de grandes volúmenes de datos. Por lo tanto, se necesitan menos líneas de código y menos tiempo de desarrollo, lo que facilita la creación de aplicaciones y soluciones.
Python es extremadamente popular en la ciencia de datos, ya que se puede utilizar en diferentes etapas de un proyecto de ciencia de datos, como procesamiento y normalización de datos, exploración, visualización, análisis y aprendizaje automático. Su flexibilidad simplifica la conexión con otros sistemas, lo que posibilita procesos como web scraping, extracción de datos de diferentes fuentes como las API, web y otros archivos. Las funciones nativas permiten el procesamiento de datos textuales y numéricos, lo que reduce el número de líneas en un código.
De este modo, el lenguaje puede aprovechar la sinergia entre el área del front office y el departamento de TI. Bloomberg, por ejemplo, ofrece una sofisticada plataforma de desarrollo Python dentro de la Terminal para que las administradoras de fondos sean capaces de crear programas, aplicaciones y rutinas directamente conectadas con los datos de Bloomberg para alimentar los modelos existentes, materializando sus ideas de análisis de forma sistémica, autónoma y segura.
Los analistas que quieran dominar Python y destacarse en el mercado deben tener en cuenta que aprender un lenguaje de programación significa avanzar gradualmente en la curva de aprendizaje. Entre las recomendaciones que ayudan en este proceso, se encuentran la práctica regular y la evolución constante. Es posible comenzar con la capacitación, ampliar conocimientos a través de la conexión con la comunidad de usuarios y proveedores del mercado financiero expertos en el tema y, poco a poco, aumentar la complejidad en la creación de modelos.
El apoyo y el compromiso del liderazgo de la administradora de fondos también son esenciales para fomentar el desarrollo de nuevas habilidades técnicas. Fomentar un cambio de cultura orientado a datos es un camino para obtener resultados exponenciales en las administradoras de fondos.
Excel: recurso todavía ampliamente utilizado en las administradoras de fondos
Debido a la facilidad de uso y a la accesibilidad, Excel sigue siendo la principal herramienta de gestión utilizada en todo el mundo. El programa destaca por su capacidad de cálculo y la automatización que permiten sus hojas de cálculo.
Muchas administradoras de fondos todavía dependen de Excel para analizar y construir visualizaciones de datos y alimentar sus sistemas internos. Cabe destacar que el potencial de esta herramienta en la administración de datos y en la creación de modelos es limitado, por lo que no siempre es posible construir paneles de control (dashboards) con un fuerte atractivo visual.
Además de las limitaciones visuales, la herramienta tiene restricciones a la hora de importar y actualizar grandes volúmenes de datos y de automatizar operaciones. Excel permite trabajar con 1,05 millones de filas, lo que puede parecer considerable, pero hay procesos de análisis complejos que requieren más de 20.000 filas diarias, lo que hace inviable alimentar una hoja de cálculo durante más de dos meses.
Excel también demuestra ser menos eficiente a medida que aumenta la complejidad del análisis de datos y requiere datos de diferentes fuentes, a los que se accede a través de API o servidores. Como resultado, la actualización de los modelos analíticos también puede verse perjudicada.
También hay una mayor exposición a los riesgos de seguridad, ya que la información confidencial almacenada en hojas de cálculo puede terminar expuesta a cyberatacks. Sin contar que el uso individual lleva a la desestandarización, por ejemplo, con exclusión no deseada de fórmulas o columnas.
El punto es que no se trata de Excel versus Python, sino de adoptar la mejor solución a medida que su administradora de fondos evoluciona en la curva de aprendizaje de la ciencia de datos. El “confiable y viejo” Excel continuará siendo una herramienta indispensable en las empresas, pero el lenguaje Python ofrece numerosas ventajas ante la complejidad de la manipulación de grandes volúmenes de datos.
Python: un copiloto para los analistas financieros
A medida que la administradora de fondos avanza en su camino hacia la madurez analítica, los analistas financieros requieren aprender este lenguaje de programación para abordar la complejidad de los datos. La buena noticia es que Python está entre las diez habilidades técnicas más buscadas por las empresas en 2023, según LinkedIn.
Sin duda, los analistas que dominen el lenguaje de programación popularmente utilizado en el análisis de datos serán cada vez más valorados en el mercado financiero. Y pueden beneficiarse del lenguaje para ampliar su repertorio de análisis de carteras de clientes y las fuentes de datos utilizadas para construir modelos de análisis más sofisticados, ágiles, sistémicos y predictivos.
La productividad también aumenta con las posibilidades de automatización de tareas que ofrece Python, sin necesidad de ejecutar datos diariamente o en tiempo real. Esto se traduce en más tiempo disponible para actividades más estratégicas y para enfocarse en mejorar los modelos analíticos que generarán alfa para las administradoras de fondos.
Bloomberg tiene soluciones para apoyar a los gestores de inversiones que quieran adoptar las tecnologías necesarias para la ciencia de datos. Hable con expertos (LP LINK) y haga que sus modelos de análisis de datos sean aún más sofisticados.
The post Python o Excel: ¿cuál es la mejor herramienta para el análisis de datos de las administradoras de fondos? appeared first on Servicio Bloomberg Professional.