Inteligencia Artificial ¿El próximo filón?

 

Hola!  

  

Mi nombre es Joaquín y desde hace más de 15 años trabajo como ingeniero en sistemas para el sector financiero. Tengo una empresa de software donde desarrollamos tecnología principalmente para bancos, fondos de inversión, brókers, etc., especialmente en áreas como IA y Big Data. 

En los últimos años he estado desarrollando una plataforma de inteligencia artificial para hacer trading en acciones de Estados Unidos y me gustaría compartir mi experiencia para aquellos que tienen dudas acerca de cómo funciona esta tecnología, qué beneficios o problemas tiene, así como resolver cualquier duda que pueda surgir al respecto. 

   

Son diversas las opciones que existen para implementar I.A., puntualmente, hablaré de mi caso concreto el cuál llevo 3 años depurando a base de prueba y error hasta llegar a un resultado satisfactorio. 

 

Actualmente, utilizo un modelo de Inteligencia Artificial basado en Llama-2 de Meta y, como "segunda opinión", la API de GPT de OpenAI. 

 

El modelo de IA lo tengo preentrenado según mi estrategia y opera directamente en Interactive Brokers vía API. Las funciones fundamentales del modelo son: 

 
Monitorear en tiempo real el mercado 

El modelo recibe actualizaciones de precios, ratios y noticias en tiempo real y los procesa según la estrategia para detectar oportunidades de compra o venta y ejecutar la orden correspondiente. Esto me permite detectar y gestionar nuevas posiciones o cerrar las existentes, aunque hay algunos pasos adicionales para calificar adecuadamente un trade. 

 

Monitorear la exposición de la cartera 

El modelo procesa y calcula constantemente la exposición de la cartera y el riesgo, así como los resultados obtenidos. Esto permite determinar el tamaño adecuado de una nueva posición basado en el riesgo y la composición actual del portafolio y gestionar las posiciones abiertas y su rendimiento. En lugar de usar Take Profit o Stop Loss, la IA actúa como un trailing stop, tomando ganancias o asumiendo pérdidas según el contexto actual (por ejemplo, al conocerse una nueva noticia positiva y mantener una posición, o negativa y cerrarla). 

 

Calcular estadísticas, ratios y precios 

La IA calcula constantemente los ratios y estadísticas del mercado. Aplico distintas fórmulas matemáticas para dar soporte técnico a los fundamentos anteriores y determinar con precisión los precios de compra o venta, por ejemplo, midiendo el volumen promedio operado en distintos períodos para determinar el VWAP, calcular la variación media histórica del precio del activo, su relación con los índices, etc. 

 

Entrenar el modelo sobre los resultados 

Paralelo al modelo principal, tengo otros dos modelos de IA operando en demo. El primero aprende en tiempo real sobre las posiciones tomadas por el modelo principal y tiene libertad para modificar la estrategia y tomar decisiones. Entrenar este modelo en simultáneo me permite aprovechar la capacidad de la IA de mejorar según la experiencia y luego, después de depurar los resultados, implementar mejoras en mi estrategia principal. El segundo modelo simplemente implementa lo aprendido para probar en un escenario simulado si la nueva estrategia genera mejores resultados que mi estrategia principal. 

Aunque el trasfondo y el funcionamiento son bastante complejos, en la práctica se reduce a determinar si algún evento fundamental podría afectar el precio de una acción, conocer todo el histórico de sucesos y su efecto para medir el impacto potencial que tuvo, tiene o podría tener, y calcular las fórmulas acorde a mi estrategia y la exposición actual de la cartera para decidir si comprar o vender acciones, a qué precio hacerlo, qué cantidad y cuándo tomar ganancias o asumir pérdidas. 

Sin duda, considero la estrategia de inversión como la parte más crítica para un modelo exitoso. Los modelos de Inteligencia Artificial, en la mayoría de los casos, vienen entrenados genéricamente (como ChatGPT, el cual técnicamente es un LLM y está diseñado y optimizado para conversaciones, no para trading o cálculos). 

 

Esto dependerá tanto de los conocimientos o capacidades técnicas como de los recursos económicos de cada uno. Crear una IA desde cero y entrenarla, y que el resultado sea competitivo frente a las opciones actuales, requiere una capacidad técnica y económica que, en principio, no equilibra la balanza para el propósito. 

 

Independientemente de si usamos una IA como LLama, GPT, Watson, etc., u optamos por construir algo desde cero, los resultados dependerán en gran medida de los parámetros (el input) mediante los cuales la entrenemos. El equivalente en ChatGPT (y las IA conversacionales) es el prompt; por ejemplo, Dall-E puede crear imágenes e ilustraciones de todo tipo, pero no es lo mismo instruirlo a "crear un logo" que especificarle "Crea un logo para mi negocio de inversiones llamado X, en el cual predomine el color azul marino, utilice una fuente clásica y un estilo conservador". Los resultados que obtendremos serán completamente distintos; en el primer caso exprimiendo la "creatividad" de la IA, y la "capacidad" en el segundo. 

En términos generales, mi estrategia de inversión considera todos los aspectos mencionados en la parte de implementación (fundamentos macro y micro, acción del precio, estadística), junto con los parámetros de riesgo y exposición adecuados para mi perfil, además de algunas fórmulas propias que he desarrollado a lo largo de los años a base de prueba y error. 

 

En lugar de utilizar indicadores técnicos tradicionales, calculo directamente las variables relevantes para mi estrategia basándome en el histórico de precios. En lugar de usar Take Profit o Stop Loss, mido el impacto en tiempo real de noticias, eventos y la acción del precio, volumen y el libro de órdenes (y lo comparo con todo el histórico) para ajustar el precio de salida. Para determinar qué acciones comprar, me centro en dos factores: el precio actual en relación con el histórico y los eventos que afectaron, afectan o pueden afectar positiva o negativamente al mismo. También calculo el retorno potencial que puede generar y si el riesgo es adecuado para mi portafolio. 

 

En resumen, aplico simplemente la regla de "comprar barato, vender caro". La verdadera clave consiste en saber con la mayor exactitud posible cuándo algo está barato y cuándo está caro. 

 

Rentabilidad 

Durante la última semana (desde el viernes 3 de mayo de 2024 al viernes 10 de mayo de 2024), obtuve una rentabilidad neta del 14.86% sobre posiciones cerradas. Si contemplo las posiciones que mantengo abiertas, la rentabilidad supera el 23%. Esta rentabilidad está medida en relación al capital de $100,000 y no a la rentabilidad sobre la inversión efectiva, la cual es considerablemente superior. El rendimiento del S&P 500 para el mismo período fue del 1.85%. 

 

Operaciones realizadas y rentabilidad por posición

Del total de posiciones, ordenadas por rentabilidad, el mejor rendimiento de un trade fue del 75.41% en ALIT, seguido por el 61.96%, 55.28% y 30.04% en BKKT, PLTN y BNED respectivamente. 

 

Ratios del portafolio 

-   Ratio Sharpe: 17.5 

-   Ratio de Sortino: 255.41 

-   Desviación estándar: 2.6% 

-   Desviación a la baja: 0.18% 

 

Estos ratios reflejan la excepcional relación rentabilidad-riesgo al gestionar el portafolio. 

 

Un punto débil actual tiene poco que ver con la estrategia o la Inteligencia Artificial, sino más bien con mi propia psicología y el temor a cambiar algo que funciona bien. 

 

Desde la perspectiva de obtener aún más ganancias, el problema que encuentro hoy en día es perder muchas oportunidades por la determinación taxativa del precio de entrada. En otras palabras, pierdo la oportunidad de ganar más dinero (y me ahorro algunas pérdidas) debido al precio límite de compra que establezco al abrir una nueva posición, que muchas veces la acción nunca alcanza. 

 

Si bien actualmente tengo desarrollada una versión mejorada en este aspecto corriendo en demo, comparar los modelos para hacer un cambio implica tiempo y paciencia. El backtesting es una excelente herramienta para probar y depurar distintas estrategias, sin embargo, la precisión real se obtiene operando el mercado en vivo. Probar estrategias en tiempo real implica afrontar el tiempo necesario para exponerse a la infinidad de situaciones y períodos del mercado, y no solo de la acción particular. 

 

Otro aspecto que puede mejorar es el de asumir algo más de riesgo y tomar posiciones más grandes. La mayor evidencia de esto surge al comparar el rendimiento sobre mi cuenta en el período (+23%) respecto al rendimiento por lo efectivamente invertido en el mercado (donde ALIT, que rentó más del 73%, representó solo el 0.68% de la cartera). Si estas 19 posiciones con mejor rendimiento hubiesen tenido un volumen equiponderado (en torno a los $5k sobre $100k), hubiesen rentado un 23.61%, promediando ~$1k de ganancia por posición. Su renta actual para mi portafolio representó poco más del 5%, aportando ~$300 en promedio; la diferencia es abismal, pues el 77% de la ganancia potencial se perdió por una mala ponderación o baja exposición al riesgo. 

 

Otro aspecto importante son los costos fijos por tener funcionando los modelos de inteligencia artificial y las limitantes propias del capital con el que opero, un ratio que se vuelve rentable a medida que la cuenta incrementa su volumen y los ingresos son superiores. 

 

Mantener funcionando los modelos de IA, más los costos de las APIs que proveen precios, fundamentales, noticias, etc., representan mensualmente unos ~$7,500 dólares (sin tener en cuenta el capital humano, ya que soy quien desarrolla y supervisa el modelo a resultado). 

 

Finalmente, hay dinero en juego; esto se traduce en supervisar durante todo el horario del mercado (incluyendo el pre-market y after-market), posiciones, decisiones y el funcionamiento de la Inteligencia Artificial. 

 

En el camino recorrido para llegar a este resultado, han fallado muchas cosas que me han hecho perder dinero, un "costo de aprendizaje"; desde errores propios de programación hasta escenarios o situaciones imprevistas (como por ejemplo, un fallo en la API de precios), las cuales requieren estar alerta para tomar acción inmediata. Esto implica estar 16 horas al día supervisando cada movimiento y el estado de todos los servicios que dependen del modelo; tarea que definitivamente me apasiona y disfruto hacer. 

 

Hoy en día mis intervenciones son nulas y, si bien continúo monitoreando el funcionamiento mientras el mercado permanece abierto, aprovecho para trabajar en las mejoras sobre los modelos secundarios. Obviamente, hay momentos en los que no estoy disponible; en estos casos, la IA, en lugar de tomar decisiones, me notifica y yo tomo la acción manualmente desde mi teléfono.

Realmente, las ventajas de hacer trading con Inteligencia Artificial son casi infinitas, y los problemas que tengo están relacionados más con mi propia naturaleza humana que con los resultados. 

 

Como principal ventaja, el poder entrenar a un modelo que analice miles de datos constantemente, realice cálculos y tome conclusiones para decidir en fracciones de segundos, supera cualquier capacidad humana conocida y brinda una ventaja competitiva sin precedentes. 

 

Lo que me motivó a iniciarme en el trading hace ya 13 años fue la idea de que la tecnología en algún momento podría superar al mejor trader del mundo. Esta idea nació mientras programaba un robot para jugar ajedrez y me encontré con un artículo sobre Deep Blue vs. Kasparov. 

 

Desde mi perspectiva, la IA reemplazará completamente la mayoría de las especialidades humanas, y será mucho antes de lo que imaginamos. Médicos, abogados, científicos, ingenieros y diseñadores dependerán de la inteligencia artificial especializada para desempeñar sus tareas cotidianas. Mensualmente, se publican cientos de nuevos artículos científicos con investigaciones y avances en las distintas materias, y estar a la vanguardia requeriría capacidades sobrehumanas. A la IA le tomaría solo unos minutos procesar y entender toda la nueva información disponible. 

 

En el mercado financiero, la IA ha asumido roles tanto pasivos como activos, que van desde el asesoramiento o la prevención hasta la gestión activa de miles de millones de dólares. 

Los resultados de operar con Inteligencia Artificial hablan por sí solos; las ventajas y capacidades respecto a hacer trading por mi cuenta son determinantes. 

 

Sin dudas, queda un largo camino por recorrer, al menos en mi caso. Comencé a operar en cuenta real con el modelo desde noviembre del año pasado, empezando tímidamente e incrementando la exposición gradualmente. 

 

Las limitaciones actuales generan una gran barrera de entrada al público general, incluso disponiendo de los conocimientos y la capacidad técnica necesarios, el costo de los recursos que podrían mejorar mucho más estos resultados es muy elevado. 

 

Al final del día, se trata de ganar dinero, y los resultados económicos que he obtenido han superado ampliamente mis expectativas, aunque la satisfacción principal proviene de haber consolidado una estrategia sólida, capaz de generar resultados tanto en mercados alcistas como bajistas, siendo completamente independiente de la coyuntura. 

 

Si estás interesado en implementar Inteligencia Artificial en tus operaciones y no sabes por dónde comenzar, espero que este post sea de ayuda para entender las implicancias de hacerlo. 

 

Gracias por haber leído sobre mi experiencia. Estaré encantado de conocer tu opinión o comentarios, o responder sobre cualquier duda (incluso técnicas) que puedas tener. 

 

Saludos, 

Joaquín.

Buenas,  Joaquín.
Excelente post. Muchas gracias por compartir la información!

Permíteme una pregunta de aprendiz de machine learning con unos conocimientos muy limitados de informática (a ver si me puedes responder en plan divulgativo o con un ejemplo).

¿Cómo se usan esos modelos creados para gestionar lenguaje o imágenes para predecir patrones o hacer cálculos numéricos?

Los modelos que yo he probado son bastante cerrados (árboles de decisión y redes neuronales sencillas). Tú tienes que mojarte aportando las variables que crees importantes y el modelo las usará para aprender, si realmente lo son.
¿Pero esos modelos que usas son completamente abiertos, no? ¿Cómo se diseña o configura uno de esos modelos? ¿Tú le propones también las variables y le dices búscame tal cosa o tal otra?

Como ves, mis conocimientos aún son bastante limitados. Pero te agradezco de antemano la respuesta.

PD: Esto de la IA lo va a cambiar absolutamente todo. La sociedad (y los políticos) aún no son conscientes del cambio que se nos viene encima...

Hola Franchico, gracias por tus comentarios y por leer sobre mi experiencia.

Respondiendo a tu pregunta:
En efecto, los modelos de inteligencia artificial, como los que mencionas para gestionar lenguaje o imágenes, funcionan de manera un poco diferente a los modelos más tradicionales como los árboles de decisión. Por ejemplo, las redes neuronales profundas pueden manejar una gran cantidad de datos con mayor dinamismo.

No quise ser demasiado técnico en mi post, pero aprovechando tu consulta, donde realmente actúa la IA como tal es en el análisis del comportamiento y sentimiento social. Lo demás son redes neuronales o simplemente código para realizar cálculos matemáticos.

En cuanto a la configuración de estos modelos, no son completamente abiertos en el sentido de que pueden hacer cualquier cosa sin orientación. Necesitamos definir lo que se llama la "arquitectura" del modelo, que es como un plano que guía al modelo sobre cómo procesar la información. Luego, como mencionaste, sí, nosotros proponemos las variables y ajustamos el modelo para que busque patrones específicos o realice ciertos cálculos.

En mi caso concreto, partiendo de la base de modelos como Llama o GPT, los he entrenado con todos los datos fundamentales y técnicos sobre las propias empresas y el mercado, lo que abarca una gran cantidad de información, y el resultado es susceptible a ello.

Por ejemplo, imaginemos el caso de AAPL:
Obtenemos todas las noticias, menciones, posts, información de redes sociales y foros, datos financieros, técnicos, calificaciones, etc., sin limitarnos a la compañía y extendiendo la red de información a todo lo relativo a su CEO, su equipo, el contexto macroeconómico, sus competidores, sus proveedores, y más.

Realmente la magnitud de la información parte desde algo muy simple y rápidamente toma dimensiones abismales, donde el propósito es interpretar y "entender" la relación del conjunto de datos para un momento preciso en el tiempo (tick-by-tick), encontrar los patrones y aplicar redes neuronales para definir y consolidar los resultados.

Una vez finalizado el aprendizaje, con el flujo de datos nuevos, podemos calificar el posible impacto de la información y predecir el comportamiento potencial.

Este método es el que a mí personalmente me da resultados, el cual he depurado a base de prueba y error. Las formas y los métodos para trabajar con IA o ML son muy variados, y seguramente haya fórmulas más simples o mejores. Considero aún estar lejos de un sistema con capacidades verdaderamente competitivas (limitaciones propias de mi conocimiento o habilidad, limitación de mi presupuesto, etc.).

En la práctica, absolutamente todo lo procesado lo califico con un puntaje en una escala del 1 al 100, por ejemplo, la información que obtenemos de Bloomberg está mejor calificada que la información de un servicio de prensa; el autor de la información también determina el puntaje, incluso la gramática de un tweet o el impacto en otros casos, relacionados o no.

La sensibilidad del modelo a la información es muy alta, en términos generales: mayor cantidad de información = mejores resultados a largo plazo = menor sensibilidad a eventos presentes.

Espero haber aclarado tus dudas, me gustaría finalizar con lo siguiente:

En todos estos años he trabajado sobre muchas librerías con distintos métodos y aproximaciones y los resultados a largo plazo generalmente han sido buenos, sin embargo, hasta el modelo actual no había logrado resultados consistentes que valgan el riesgo de no invertir directamente en el S&P 500. Dicho esto, la IA simplemente es un complemento que ayuda a determinar los momentos de entrada y salida, lo que realmente marca la diferencia es la combinación con las matemáticas detrás de la estrategia, lo cual es simple código Python y estadística.

PD: Comparto tu opinión respecto a la IA, pienso que la sociedad no es consciente aún de la magnitud e impacto que tendrá (y está teniendo) en nuestras vidas, y que aún no estamos preparados para asumirlo.  

Gracias por la explicación.
Con el ejemplo de Apple ya me he hecho una idea de todo del proceso. Y del curre que te habrás pegado para poder depurar y trabajar con datos tan heterogéneos...

Desde luego, los resultados que has obtenido esta semana han sido impresionantes. Si consigues mantenerlos a la mitad de la mitad durante el resto del año, puedes haber dado con un buen filón!

Un saludo.

Me alegra leerlo!

Imagina que mi capacidad de procesamiento de datos actual podría ser multiplicada x100, por lo cuál, aún estoy lejos de estar satisfecho técnicamente. 

Espero los resultados acompañen, desde hace ya algunos meses vengo con retornos positivos, aunque, semanalmente implemento nuevas versiones con pequeños cambios que me llevaron hasta este último mes dónde obtuve los mayores beneficios. 

Mañana estaré trabajando con una nueva versión -alternativa- desde el pre market, e iré compartiendo en este thread los resultados (buenos o malos). 

Saludos!
 

La Comisión Europea ha iniciado este martes la consulta pública para la redacción de códigos de conducta voluntarios para que los proveedores de modelos de Inteligencia Artificial de uso general (GPAI, por sus siglas en inglés) sigan las directrices en materia de transparencia, derechos de autor y evaluación de riesgos previstas en la nueva legislación comunitaria, primer marco de normas del sector en todo el mundo.

La consulta, disponible hasta septiembre de 2024, está abierta tanto a proveedores como a otros sectores de la sociedad con interés en Inteligencia Artificial, incluida la comunidad académica, asociaciones de derechos de autor, expertos independientes y organizaciones industriales.

La Unión Europea acordó este año las primeras normas del mundo para limitar los riesgos de la Inteligencia Artificial, una legislación que entra en vigor ya este agosto pero cuya aplicación real no será efectiva hasta 2026.

En este contexto, Bruselas prepara el código de conducta para los proveedores que espera tener listo en abril de 2025 para ayudarles a aplicar las reglas, ya que la adhesión al código se entenderá como conformidad.

El cuestionario que plantean los servicios comunitarios se centra en tres claves: las disposiciones sobre transparencia y derechos sobre los contenidos para los GPAI, la evaluación y mitigación de riesgos y la revisión y vigilancia de los propios códigos de conducta que se pongan a disposición de los proveedores.

el pasado 28 de agosto, y ya con los mercados bursátiles europeos y americanos cerrados, Nvidia presentó los resultados correspondientes a su segundo trimestre fiscal de 2024.

Una vez más, sorprendieron positivamente, mejorando las previsiones, pero en esta ocasión la reacción inmediata del mercado ha sido responder con bajadas, llegándose a dejar su cotización en el mercado “after hour” un 8,5% respecto del precio de cierre de la sesión ordinaria, aunque la apertura del jueves en el mercado ordinario, supuso una caída mucho más moderada.

En muchos medios hemos leído que analistas e inversores no tienen claro que el desarrollo de la Inteligencia Artificial sea tan rápido ni tan rentable como hasta ahora se le ha supuesto y parece que esperaban más de unas guías de mayor crecimiento que el proyectado por la propia compañía y una vez más, surge la discusión de si no se está magnificando el desarrollo de la IA.

Ferrovial, uno de los principales operadores globales de infraestructuras, ha dado un paso significativo para mejorar la productividad al implementar Copilot, el asistente de inteligencia artificial (IA) de Microsoft, en todos sus centros de trabajo en más de 15 países de todo el mundo.

Ferrovial ha formado parte de la comunidad global que evaluó las capacidades de Microsoft Copilot en su fase piloto. Tras esta experiencia, con más de 300 empleados y con resultados de ahorro medio de 90 minutos a la semana por empleado, la compañía ha decidido extender su uso mediante la ejecución de un ambicioso programa de escalado, para generalizar su uso en la compañía y poner al servicio de todos los equipos las mejoras en productividad y experiencia de empleado obtenidas.

De esta manera, Ferrovial aspira a convertirse en una empresa en la que todos los empleados utilicen inteligencia artificial generativa para desarrollar nuevas habilidades, optimizar la colaboración entre equipos, hacer un uso con mayor impacto de la IA y liberarse de tareas rutinarias para centrarse en actividades que aporten más valor.

La alianza en materia de inteligencia artificial generativa, que Ferrovial y Microsoft renuevan ahora hasta 2027, ha ido madurando y ampliándose gradualmente en diferentes sectores e iniciativas. Ambas compañías llevan colaborando estrechamente desde 2022 en soluciones de digitalización e innovación para infraestructuras sostenibles, con usos como la implementación de capacidades avanzadas de ciberseguridad, sensorización de infraestructuras para facilitar una gestión más eficiente o el uso de herramientas para recoger y gestionar toda la información sobre sostenibilidad, entre muchos otros.

Las nuevas capacidades que la inteligencia artificial de Microsoft ofrece a Ferrovial incluyen la creación de asistentes de IA y modelos grandes de lenguaje (LLM), así como la personalización de Copilot para Microsoft 365 a través de Copilot Studio. Estas nuevas tecnologías, que facilitan el trabajo y favorecen la productividad de los profesionales, son un factor diferencial también a la hora de atraer talento.

Además, Microsoft y Ferrovial están colaborando en el desarrollo de modelos de ciberseguridad Zero Trust. En este sentido, Microsoft Copilot for Security, una herramienta de inteligencia artificial generativa para seguridad, proporciona a Ferrovial la capacidad de detectar y mitigar amenazas cibernéticas y evaluar la exposición al riesgo de manera rápida, asegurando la integridad y confidencialidad de la información crítica en todas sus actividades.

. Microsoft, la gestora BlackRock, el fondo de inversión GIP y la empresa de inversión en tecnología MGX anunciaron este miércoles la creación de un fondo para invertir en infraestructuras relacionadas con la Inteligencia Artificial (IA) y captar inicialmente unos 27.000 millones de euros (30.000 millones de dólares).

Bajo el nombre de Asociación Global de Inversión en Infraestructura de IA (GAIIP, por sus siglas en inglés), las inversiones de este fondo irán dirigidas a centros de datos e infraestructura energética con el objetivo de "satisfacer la creciente demanda de potencia informática", según ha explicado Microsoft en un comunicado.

Estas inversiones se centrarán principalmente en Estados Unidos y en países socios, añade la nota.

El presidente de Microsoft, Brad Smith, ha señalado que esta alianza "no sólo ayudará a avanzar en la tecnología, sino que también mejorará la competitividad, la seguridad y la prosperidad económica nacionales”.

Para su homólogo en BlackRock, Larry Fink, los centros de datos son "la base de la economía digital, y estas inversiones ayudarán a impulsar el crecimiento económico, crear empleos e impulsar la innovación en tecnología de IA”.

La compañía de microchips Nvidia respaldará esta alianza ofreciendo su experiencia en centros de datos y fábricas de IA.

PUNTOS IMPORTANTES:

Un reciente informe de Jefferies destaca a SUSS MicroTec, una empresa alemana de semiconductores, como una “jugada única” en la cadena de suministro de Nvidia y la inteligencia artificial (IA). Esta firma, descrita como una “joya oculta”, está captando atención entre las empresas europeas del sector tecnológico.

Jefferies ha iniciado la cobertura de SUSS MicroTec con una recomendación de compra y un precio objetivo de 76 euros (84 dólares). Esto indica un posible aumento del 28% en el valor de las acciones.

SUSS MicroTec tiene una exposición directa a una tecnología avanzada llamada Chip-on-Wafer-on-Substrate (CoWoS). Esta tecnología es utilizada en la fabricación de chips de inteligencia artificial. Nvidia usa CoWoS para empaquetar sus unidades de procesamiento gráfico (GPU) que impulsan herramientas de IA.

En los últimos 24 meses, la demanda de CoWoS ha crecido considerablemente, impulsada por la expansión de la IA, según el informe de Jefferies

SUSS MicroTec suministra sus productos a grandes fabricantes de memoria de alto ancho de banda y a la empresa TSMC. TSMC utiliza esta tecnología para producir empaques avanzados para sus chips, siendo Nvidia su mayor cliente en esta área, según el informe.

Los chips de memoria juegan un papel crucial en la IA, ya que son esenciales para los gráficos y el procesamiento de datos en herramientas avanzadas de IA generativa.

Jefferies destaca que una de las mayores oportunidades para SUSS está en la tecnología de “unión temporal”, que se utiliza en la producción de memoria de alto ancho de banda. Los pedidos de esta tecnología aumentaron significativamente en el tercer trimestre de 2023.

Este incremento está directamente relacionado con el crecimiento reciente en la cadena de suministro de Nvidia y la IA, lo que convierte a SUSS en un actor clave en este mercado emergente.

La arquitectura de múltiples capas de la memoria de alto ancho de banda requiere herramientas especializadas. Las soluciones de SUSS permiten que estas capas se integren dentro del empaquetado avanzado. Según Jefferies, la empresa controla el 55% del mercado en este segmento, lo que le otorga una posición sólida para beneficiarse del crecimiento esperado en los próximos años.

Jefferies prevé que las ventas de SUSS MicroTec alcancen los 471 millones de euros para 2025, lo que representaría un crecimiento del 16% respecto al año anterior. La firma está bien posicionada para aprovechar el aumento en los envíos de CoWoS de TSMC y el crecimiento en la demanda de memoria de alto ancho de banda.

En conclusión, SUSS MicroTec se presenta como una de las empresas más prometedoras en el mercado de empaquetado avanzado para la IA, con menos competencia que otros jugadores globales

Recomendáis comprar acciones de empresas relacionadas con la IA ahora antes de que sea demasiado tarde y suban de precio ??

PUNTOS IMPORTANTES:

Un reciente informe de Jefferies destaca a SUSS MicroTec, una empresa alemana de semiconductores, como una “jugada única” en la cadena de suministro de Nvidia y la inteligencia artificial (IA). Esta firma, descrita como una “joya oculta”, está captando atención entre las empresas europeas del sector tecnológico.

Jefferies ha iniciado la cobertura de SUSS MicroTec con una recomendación de compra y un precio objetivo de 76 euros (84 dólares). Esto indica un posible aumento del 28% en el valor de las acciones.

SUSS MicroTec tiene una exposición directa a una tecnología avanzada llamada Chip-on-Wafer-on-Substrate (CoWoS). Esta tecnología es utilizada en la fabricación de chips de inteligencia artificial. Nvidia usa CoWoS para empaquetar sus unidades de procesamiento gráfico (GPU) que impulsan herramientas de IA.

En los últimos 24 meses, la demanda de CoWoS ha crecido considerablemente, impulsada por la expansión de la IA, según el informe de Jefferies

SUSS MicroTec suministra sus productos a grandes fabricantes de memoria de alto ancho de banda y a la empresa TSMC. TSMC utiliza esta tecnología para producir empaques avanzados para sus chips, siendo Nvidia su mayor cliente en esta área, según el informe.

Los chips de memoria juegan un papel crucial en la IA, ya que son esenciales para los gráficos y el procesamiento de datos en herramientas avanzadas de IA generativa.

Jefferies destaca que una de las mayores oportunidades para SUSS está en la tecnología de “unión temporal”, que se utiliza en la producción de memoria de alto ancho de banda. Los pedidos de esta tecnología aumentaron significativamente en el tercer trimestre de 2023.

Este incremento está directamente relacionado con el crecimiento reciente en la cadena de suministro de Nvidia y la IA, lo que convierte a SUSS en un actor clave en este mercado emergente.

La arquitectura de múltiples capas de la memoria de alto ancho de banda requiere herramientas especializadas. Las soluciones de SUSS permiten que estas capas se integren dentro del empaquetado avanzado. Según Jefferies, la empresa controla el 55% del mercado en este segmento, lo que le otorga una posición sólida para beneficiarse del crecimiento esperado en los próximos años.

Jefferies prevé que las ventas de SUSS MicroTec alcancen los 471 millones de euros para 2025, lo que representaría un crecimiento del 16% respecto al año anterior. La firma está bien posicionada para aprovechar el aumento en los envíos de CoWoS de TSMC y el crecimiento en la demanda de memoria de alto ancho de banda.

En conclusión, SUSS MicroTec se presenta como una de las empresas más prometedoras en el mercado de empaquetado avanzado para la IA, con menos competencia que otros jugadores globales

 La Unión Europea abrió este martes una licitación para seleccionar proyectos de desarrollo de chips cuánticos en los que invertirá 65 millones de euros, dentro del total de 200 millones que prevé destinar a este tipo de semiconductores en su estrategia para impulsar la producción en Europa.

"La licitación seleccionará el proyectos para el desarrollo y la fabricación de tecnologías cuánticas para reforzar la innovación en Europa y allanar el camino para establecer una cadena de suministro para la manufactura de chips cuánticos en Europa", dijo en un comunicado la Comisión Europea.

Este tipo de chips son semiconductores de vanguardia utilizados en ordenadores cuánticos y en sensores que permiten, por ejemplo, resolver problemas de optimización en logística, realizar simulaciones moleculares que aceleren el descubrimiento de fármacos, crear métodos de encriptado avanzados que refuercen la ciberseguridad, o mejorar los algoritmos usados por la inteligencia artificial.

La financiación se canalizará a través de la Empresa Conjunta de Chips creada en el marco de la Ley Europea de Chips aprobada en 2023, de la que forman parte la Comisión Europea, los 27 Estados miembro de la UE junto con Reino Unido, Islandia, Noruega, Israel y Turquía, así como tres asociaciones industriales de sector.

Bruselas espera que los 65 millones de euros que aportará la UE en este primera licitación - que se cerrará en enero de 2025- sean complementados con financiación de los Estados por ese mismo valor. La dotación forma parte de la partida de 200 millones de euros que se destinarán al desarrollo de chips cuánticos en los próximos tres años.

Los problemas generados por la escasez mundial de chips a raíz de la pandemia llevaron a la UE a adoptar una ley para reforzar este sector en Europa y reducir su dependencia de un puñado de países terceros - sobre todo Taiwán y Corea del Sur- para el suministro de semiconductores, emulando así los planes que también tienen Estados Unidos o China de potenciar esta industria fundamental para el desarrollo tecnológico.

La ley prevé aumentar la capacidad de fabricar chips en territorio europeo (duplicando la producción hasta llegar a un 20 % de la fabricación mundial en 2030), consolidar el liderazgo europeo en investigación en semiconductores y favorecer el traslado de estas innovaciones al mercado, así como vigilar mejor las cadenas de suministros para anticipar crisis y responder a ellas.

Estará dotada con 3.300 millones de euros del presupuesto europeo, pero la Comisión Europea calcula que permitirá movilizar unos 43.000 millones de euros al atraer otras inversiones públicas y privadas. 

.  Más de un centenar de empresas -entre las que se incluyen Google, Microsoft, Open AI o Amazon- se han adherido al pacto voluntario que ha promovido la Comisión Europea para desarrollar una Inteligencia Artificial (IA) que respete los principios éticos, informó este miércoles la institución.

No obstante, no lo han hecho compañías tecnológicas importantes como X, Meta o Apple. Las dos últimas incluso han frenado la introducción en el mercado europeo de sus sistemas de inteligencia artificial, alegando que tienen dudas sobre las nuevas leyes que la Unión Europea (UE) ha aprobado para regular al sector.

"El pacto sobre inteligencia artificial es un instrumento voluntario. Por supuesto, invitamos a todas las compañías a participar. La cifra aumentará en el futuro, pero son empresas privadas y tomen la decisión que tomen, le corresponde a ellas hacerlo", dijo el portavoz de Mercado Interior del Ejecutivo comunitario, Thomas Regnier.

Bruselas ha impulsado el pacto para promover un desarrollo ético y responsable de esta tecnología y para ayudar a las empresas a adaptarse a la ley de inteligencia artificial de la UE, que entró en vigor el pasado mes de agosto, pero cuyo despliegue definitivo no se producirá hasta 2026.

Entre los firmantes, también están empresas como Qualcomm, IBM, Vodafone, Orange, Nokia, Mastercard, Airbus o Booking, según el listado que proporcionó la Comisión, así como las españolas Telefónica e Iberdrola.

Bruselas recordó que, al mismo tiempo que ha promovido este pacto, también ha impulsado una iniciativa industrial para que las empresas desarrollen sus sistemas de inteligencia artificial.

El pacto se aplicará en paralelo al despliegue paulatino de la ley de inteligencia artificial, que permite o prohíbe el uso de la tecnología en función del riesgo que suponga para las personas y que entrará en vigor por fases.

A partir de febrero quedarán ya prohibidos los sistemas de inteligencia artificial de categorización biométrica por creencias políticas, religiosas, filosóficas o por su raza y orientación sexual.

Tampoco se podrán utilizar los sistemas que puntúan a las personas en función de su comportamiento o características personales, ni la inteligencia artificial capaz de manipular el comportamiento humano.

También estarán vetados, entre otros, los sistemas para expandir o crear bases de datos faciales captados de manera indiscriminada a través de internet o de grabaciones audiovisuales.

En agosto del año que viene entrarán en vigor los criterios de transparencia que deberán cumplir los sistemas de inteligencia artificial generativa, otro de los principales puntos de discusión en pleno auge de programas como ChatGPT.

Estos modelos tendrán que dejar claro si un texto, una canción o una fotografía se han generado a través de la inteligencia artificial y garantizar que los datos que se han empleado para entrenar a los sistemas respetan los derechos de autor. 

. El ministro de Economía, Comercio y Empresa, Carlos Cuerpo, ha avanzado que el Gobierno está trabajando en herramientas de Inteligencia Artificial que faciliten a empresas información, por parte del ICEX o el ICO, sobre todas las posibilidades que tienen a su disposición, de acuerdo a sus singularidades.

"Lo que queremos es intentar simplificar ese paso para las pymes y que al final no sea el empresario el que tenga que ir buceando para ver qué es todo lo que hay disponible y cómo puede ajustarse a lo que hay, sino al contrario", ha explicado el ministro durante el acto 'Transformando las Pymes con el Plan de Recuperación', organizado este jueves en la Escuela de Organización Industrial.

Para ello, ya se está poniendo en desarrollo, con el objetivo de tener "algún resultado preliminar" antes de final de año, herramientas de gestión de inteligencia artificial donde el empresario simplemente sea receptor de toda la información y las posibilidades que tiene a su disposición.

La intención es que, por ejemplo, el ICEX o el ICO puedan contar con plataformas en las que se recoja, aparte de información básica sobre la compañía, las posibilidades que tiene en cuanto a financiación o ayudas según la tipología de la compañía, su localización o el interés que puede tener en acceder a cierto tipo de mercados.

Asimismo, podrá incluir información sobre lo que están haciendo empresas de las mismas características y ayudará a la compañía interesada a ponerse en contacto con estas empresas.

Además, otra idea que se está intentando implantar, según Cuerpo, para este sistema o ecosistema, es que sea un ecosistema abierto, es decir, que pueda haber soluciones que no tengan por qué ser públicas, sino soluciones privadas que se inserten y den soporte a requerimientos o necesidades que puedan tener los empresarios.

En todo caso, Cuerpo considera que es preciso una mayor coordinación entre empresas y el sector público, además de con las universidades. "La universidad tiene que ser capaz aterrizar esos grandes proyectos y que no se queden en un cajón, pero la empresa también debe tener una visión de todo lo que se está haciendo muchas veces, para que pueda ser capaz de mover o de combinar proyectos", ha señalado