Una breve reflexión sobre productos financieros y matemática
Los perfiles de profesionales requeridos actualmente para trabajos relacionados al análisis cuantitativo en el ámbito financiero se van perfilando hacia los especialistas con un conocimiento sólido en ciencias de la computación, física o matemática. Las habilidades más relevantes se orientan hacia la programación y diseño de algoritmos, sobre conocer las reglas de negocio específicamente en el entorno de finanzas. La experiencia no es un requisito fundamental, lo más probable es que se aprenda esto último sobre la base del trabajo diario. Los roles cuantitativos son de dos tipos: pronósticos o previsiones en los mercados financieros y el análisis de los riesgos en relación a nuevos productos financieros o a mantener las cuotas de mercado.
El enfoque de los análisis puede dirigirse tanto desde la perspectiva de la compra o de lado de la venta, resulta lo más obvio enfocarse del lado de la venta si no se juega el rol de consumidor. Los negocios requieren modelos que puedan ser expresados mediante expresiones matemáticas de tal manera que, componentes como el riesgo, variabilidades del mercado, puedan ser parte de estos modelos.
Lo importante para los grupos de interés de las corporaciones o negocios son las buenas soluciones analíticas. Por ejemplo, los derivados financieros, que son productos cuyo valor depende de un activo subyacente; es decir, se origina de otro producto. Uno de los más simples derivados financieros es la opción de compra, que es el derecho a comprar un activo en un precio determinado en un momento futuro y la solución analítica es la propuesta por Fisher Black y Myron Scholes que es una base importante de la industria de derivados financieros.
Hablando, por ejemplo, de los precios de las acciones y derivados financieros es interesante los diferentes escenarios que pueden plantearse desde su valor cero hasta su máximo valor y las distribuciones estadísticas asumidas sobre esta variabilidad, además del uso de ecuaciones asociadas a física. Por ejemplo: movimientos parabólicos o comportamiento de fluidos, para intentar expresar lo que ocurre en los entornos financieros, ecuaciones que deben considerar cuestiones como materias primas, hipotecas, volatilidad de los mercados, diferentes niveles de riesgos financieros y resultados esperados.
Durante los últimos años se observa que los modelos se ponen aprueba en las crisis, allí es donde se evidencia aquello que es o fue subestimado y se tiene una gran lección, la volatilidad no debe asumirse como una constante, aquí se dan saltos imprevistos en los precios de las acciones y activos. Entonces, hoy, se empieza a considerar cuestiones como distribuciones de cola pesada, los nuevos valores o precios no necesariamente dependen de valores pasados. En este escenario, se identifica la necesidad de soluciones numéricas como, por ejemplo, la Simulación de Montecarlo, costosa en términos computacionales. Sin embargo, se debe considerar que el tiempo es realmente importante para el sector financiero, ya que, mientras se ajusta un modelo el mercado, en la realidad puede estar cambiando rápidamente. Se busca constantemente reducir esta brecha de forma dinámica. Dos etapas se requieren para operativizar un modelo de simulación: primero, el diseño del modelo donde intervienen las matemáticas y, si es el caso, el soporte mediante analogías con procesos físicos; y, la implementación e integración del modelo que requiere un alto componente de ciencia de la computación.
Vale la pena preguntarse, en los tiempos actuales, desde el punto de vista del consumidor cómo nos afectan o nos afectarán las innovaciones financieras a las personas, además de buscar el comprender cómo se da el proceso de innovación de productos financieros, los riesgos involucrados y el impacto de estos productos en la sociedad y economía.
Recomendamos las siguientes publicaciones:
- «Modelling Electricity Swaps with Stochastic Forward Premium Models». The Energy Journal, Volume 39 (2), 2018, Blanco Sánchez, Iván / Ignacio Peña / Rosa Rodriguez.
- «Identifying Real Estate Opportunities using Machine Learning». Applied Sciences, 2018, 8, 2321, Blanco Sánchez, Iván / Alejandro Baldominos / Antonio Moreno / Ruben Iturrarte.
- «The Bright Side of Financial Derivatives: Options Trading and Firm Innovation». Journal of Financial Economics, Volume 125, Issue 1, 2017, Pages 99-119, Blanco Sánchez, Iván / David Wehrheim.
- «Measuring risk when expected losses are unbounded». Risks. 2014; 2(4):411-424, Blanco Sánchez, Iván / Alejandro Balbás / José Garrido.
Nancy Judith Cruz Hinojosa
Ingeniera en Sistemas Computacionales por la UNITEC (Universidad Tecnológica de México), Máster en Dirección de Proyectos Informáticos y Doctorado en Ingeniería de la Información y del Conocimiento, ambos por la Universidad de Alcalá. Cuenta con más de 10 años de experiencia en el sector tecnológico y bancario. Le interesa el Liderazgo, la Tecnología, la Investigación y la Gestión de Proyectos.
Este autor no tienen ningún post