JPMorgan crea una IA que bate a la cartera 60/40 con menos riesgo
- JPMorgan ha diseñado un agente de IA capaz de superar a una cartera tradicional 60/40 con menor riesgo.
- El sistema clasifica el mercado en cuatro regímenes macroeconómicos y adapta la asignación de activos.
- Los principales modelos coinciden en que la economía se encuentra actualmente en una fase de reflación.
JPMorgan asegura haber desarrollado un agente de inteligencia artificial capaz de evaluar el entorno económico y financiero y utilizar esa información para superar el rendimiento de una cartera tradicional compuesta por un 60% de acciones y un 40% de bonos.
La propuesta resulta especialmente atractiva porque el sistema no se limita a analizar datos aislados. Su función consiste en identificar el régimen macroeconómico dominante y adaptar la exposición a distintos activos en función de ese diagnóstico.
Sin embargo, la experiencia de MarketWatch al intentar reproducir el modelo deja una conclusión menos cómoda: la inteligencia artificial puede ser útil para interpretar el entorno, pero sus respuestas no son completamente estables ni coinciden siempre entre diferentes modelos.
Cuatro grandes regímenes de mercado
El equipo de estrategia de JPMorgan, liderado por Thomas Salopek, partió de una base histórica sobre el comportamiento de las distintas clases de activos en diferentes escenarios económicos.
El objetivo era comprobar hasta qué punto un agente de IA podía identificar correctamente el régimen macroeconómico vigente en cada momento y tomar decisiones de inversión bajo condiciones de incertidumbre.
El modelo clasifica el mercado dentro de cuatro grandes categorías: Ricitos de Oro, reflación, estanflación y aversión al riesgo.
El escenario de Ricitos de Oro combina crecimiento por encima de la tendencia, inflación descendente y una política monetaria neutral o favorable. En ese contexto, los activos de riesgo suelen beneficiarse.
La reflación se caracteriza por una aceleración simultánea del crecimiento y de la inflación, con una política monetaria que todavía no ha reaccionado plenamente. En este régimen suelen destacar los sectores cíclicos, el crédito y las materias primas, mientras los bonos de larga duración sufren.
La estanflación combina crecimiento débil con una inflación persistentemente alta. En ese escenario, los activos reales y ciertas posiciones defensivas tienden a comportarse mejor que las acciones y el crédito.
Por último, la aversión al riesgo aparece cuando se produce una desaceleración intensa, estrés financiero, ampliación de los diferenciales de crédito o un fuerte aumento de la volatilidad. En esas fases, la deuda pública de larga duración suele actuar como refugio.
El gran problema: evitar que la IA conozca el futuro
Uno de los mayores retos del ejercicio consistía en impedir que los modelos utilizaran información posterior al periodo que estaban analizando.
Un modelo de lenguaje ya ha leído miles de textos sobre la crisis financiera, la pandemia o el estallido de la burbuja tecnológica. Por tanto, si se le pregunta directamente cuál era el régimen de mercado en marzo de 2020, puede responder utilizando conocimientos adquiridos después de aquella fecha.
Para reducir este sesgo, JPMorgan proporcionó a los modelos únicamente los datos disponibles en cada momento y eliminó las referencias temporales explícitas.
Los estrategas probaron dos modelos de Anthropic y dos de OpenAI. Aunque las conclusiones fueron similares, no resultaron exactamente iguales, lo que confirma que la clasificación macroeconómica conserva un componente interpretativo.
Cómo interpretó la IA los últimos ciclos
Los modelos identificaron correctamente varios de los grandes periodos económicos de las últimas décadas.
Entre 2001 y 2003 predominó una combinación de aversión al riesgo y estanflación, asociada al estallido de la burbuja puntocom. Entre 2004 y 2007, el entorno osciló principalmente entre Ricitos de Oro y reflación.
La crisis financiera de 2008 y 2009 apareció claramente clasificada como un régimen de aversión al riesgo, mientras que la década de 2010 mostró un entorno mucho más equilibrado y con un elevado grado de coincidencia entre modelos.
En 2020 se produjo un fuerte aumento de la aversión al riesgo, seguido posteriormente por una transición hacia Ricitos de Oro, reflación y finalmente estanflación.
Para 2026, los modelos detectan un comienzo de año favorable que posteriormente ha evolucionado hacia un régimen de reflación.
La estrategia supera a la cartera 60/40
Una vez identificado el régimen económico, JPMorgan aplicó una estrategia de inversión fija para cada escenario.
Los resultados mostraron que, en promedio, la cartera gestionada mediante el agente de inteligencia artificial logró superar a la asignación tradicional 60/40 y lo hizo con un nivel de riesgo inferior.
Esto no significa que la IA predijera correctamente todos los movimientos del mercado. Su ventaja procedía de adaptar la exposición a renta variable, crédito, bonos, materias primas y divisas según el escenario más probable.
Los propios estrategas reconocen, no obstante, que los modelos podrían estar recordando implícitamente episodios históricos conocidos, incluso cuando los datos se presentan con retraso y sin referencias temporales.
Por ello, los resultados deben interpretarse con cautela. El ejercicio demuestra el potencial de la IA como herramienta de apoyo, pero no elimina el riesgo de sesgo retrospectivo.
¿Puede replicarlo un inversor particular?
MarketWatch intentó reproducir la metodología utilizando herramientas gratuitas, datos económicos públicos y fondos cotizados como aproximación a los principales mercados.
Los datos macroeconómicos pueden obtenerse de forma relativamente sencilla mediante la base FRED de la Reserva Federal de San Luis.
Para representar los mercados, se utilizaron ETF de bonos del Tesoro a corto y largo plazo, dólar, materias primas, crédito corporativo de alta calidad, deuda de alto rendimiento y el índice de volatilidad VIX.
La conclusión fue que un inversor particular puede construir una versión básica del sistema, especialmente si primero recopila los datos y después los introduce en un modelo de inteligencia artificial siguiendo instrucciones claras.
El problema es que la calidad del resultado dependerá del modelo elegido, de la selección de variables, del periodo analizado y de la forma en que se formule la consulta.
Los modelos coinciden en la reflación
Las pruebas realizadas por MarketWatch mostraron una coincidencia general entre los principales asistentes de inteligencia artificial.
ChatGPT asignó una probabilidad del 43% a un régimen de reflación durante el próximo mes y del 31% a un escenario intermedio, con un nivel de confianza estimado del 73%.
Claude elevó la probabilidad de reflación al 60%, aunque situó la estanflación como segunda alternativa con un 19%. Grok y Gemini también se inclinaron por un entorno reflacionista.
Las pruebas efectuadas por JPMorgan a finales de junio llegaron a una conclusión similar: todos los modelos favorecían la reflación como escenario dominante.
Esta lectura sugiere una preferencia por la renta variable y los activos cíclicos, aunque persisten diferencias sobre el peso que debería asignarse a los bonos públicos y al crédito corporativo.
Una herramienta útil, pero no un piloto automático
JPMorgan insiste en que los inversores no deberían seguir de forma automática las recomendaciones generadas por un modelo de inteligencia artificial.
La utilidad del sistema reside en ordenar información compleja, asignar probabilidades a distintos escenarios y ayudar a adaptar una cartera al entorno macroeconómico.
Sin embargo, los modelos pueden discrepar, cambiar de opinión ante pequeñas variaciones en los datos y generar una falsa sensación de precisión.
La principal lección no es que la IA pueda sustituir al inversor, sino que puede convertirse en una herramienta eficaz para estructurar decisiones, siempre que sus conclusiones se contrasten con datos, criterio humano y una gestión disciplinada del riesgo.