Impacto y regulación de las nuevas tecnologías: Los algoritmos de aprendizaje automático en la eficiencia del mercado de valores

ABSTRACTO: Por medio del presente trabajo de investigación, se lleva a cabo un análisis exhaustivo y pormenorizado del impacto trascendental que las tecnologías de vanguardia están ejerciendo sobre el mercado de valores, poniendo de manifiesto la profunda transformación que estas herramientas están propiciando en las dinámicas tradicionales del sector bursátil. En el curso de este estudio, se examina con particular énfasis la implementación de tecnologías emergentes, con especial atención a los algoritmos basados en aprendizaje automático, los cuales se han erigido como instrumentos fundamentales en la optimización de estrategias de inversión y en la potenciación de la precisión en la toma de decisiones financieras.

Se aborda cómo estas innovaciones tecnológicas no sólo dotan a las entidades financieras de una ventaja competitiva sustancial, sino que, están reconfigurando el ecosistema financiero, generando nuevas oportunidades de negocio y, simultáneamente, planteando desafíos significativos en materia regulatoria. En este contexto, se procede a un análisis pormenorizado del marco normativo, tanto a nivel nacional como internacional, que rige la implementación de estas tecnologías disruptivas. Se hace especial hincapié en la imperiosa necesidad de contar con un entramado regulatorio robusto y eficaz que garantice la transparencia y la equidad en las operaciones del mercado de valores.

PALABRAS CLAVES: fintech, gestión de carteras, robo-asesores, machine learning, big data.

INTRODUCCIÓN

El Mercado de Valores juega un papel crucial en la economía de los países en desarrollo, de lo cual, canaliza el capital de los inversionistas hacia proyectos productivos, contribuyendo al desarrollo económico. Estos mercados atraen inversores y proporcionan financiamiento crucial a las empresas, creando un ciclo virtuoso de crecimiento económico, así ofreciendo una alternativa más económica de financiamiento para las empresas en comparación con los préstamos bancarios tradicionales.

El desarrollo tecnológico ha transformado significativamente el sector financiero, incluyendo los mercados bursátiles, siendo un motor clave del crecimiento económico, fomentando la productividad, eficiencia y creación de nuevos mercados. Esto se debe a que existe una "carrera armamentística tecnológica" entre empresas, donde constantemente se desarrollan nuevas tecnologías para obtener ventajas competitivas. Las herramientas tecnológicas modernas, aunque más caras, ofrecen mayor rapidez y flexibilidad que las herramientas analógicas o manuales. Las empresas han rutinizado la innovación, convirtiéndola en parte integral de sus actividades continuas para mantener su competitividad.

En el mercado de valores, las tecnologías Fintech están desafiando y redefiniendo las herramientas tradicionales de la banca, a través de: Plataformas de financiación participativa (crowdfunding); Asesoramiento financiero automatizado (robo-advice); Tecnología de libro electrónico descentralizado (blockchain); Big data. Conforme a esto, el presente informe se centrará en el análisis de los robo-asesores (en un ámbito más específico, los investorbots) y la aplicación del big data, así como en la interrelación entre estas dos innovaciones tecnológicas en el contexto del mercado de valores.

La tecnología de la información ha tenido un impacto significativo en las fluctuaciones económicas agregadas en los últimos 25 años aproximadamente. De este desarrollo tecnológico surgen las fintechs, las cuales componen la integración de innovaciones tecnológicas en el ámbito financiero. FinTech no solo implica nuevas herramientas digitales, sino también la transformación de modelos de negocio y la interacción entre instituciones financieras y clientes. A pesar de la importancia percibida del cambio tecnológico en el crecimiento económico, la falta de medidas precisas limita el análisis de su impacto real. Existen aplicaciones prácticas de FinTech en actividades financieras cotidianas, como el depósito de cheques mediante smartphones, solicitudes de crédito en línea, transferencias de dinero y robo-asesores.

A pesar de esto, en el territorio nacional, existe una ausencia de un marco regulatorio específico y bien definido, que está plagado por barreras tecnológicas relacionadas con el acceso a internet, especialmente en zonas rurales y poblaciones de bajos ingresos, de lo cual un gran número de los hogares del país no cuenta con servicio de Internet en casa. De igual forma, como se desarrollará en lo adelante; no solo en términos territoriales, pero al igual que en el ámbito internacional, existen problemas regulatorios que plagan el desarrollo de estas herramientas.

EVOLUCIÓN DEL MERCADO DE VALORES EN LA ERA TECNOLÓGICA.

A medida que se van desarrollando los países tercermundistas, tener un Mercado de Valores saludable juega un papel crucial en la economía de los mismos. El Mercado de Valores es un componente integral del sistema financiero y está orientado a canalizar el capital de los inversionistas, es decir, el ahorro del público, hacia proyectos productivos en empresas o administraciones públicas que requieren recursos económicos para financiar sus actividades (Martínez Mora, 2023), cuyo proceso contribuye al desarrollo económico del país. Estos tipos de instituciones no solo fomentan la actividad económica y financiera, sino que también sirven como indicador del dinamismo y la vitalidad económica de la nación.

Estos mercados atraen a inversores con capital disponible, ofreciéndoles una oportunidad para preservar y potencialmente incrementar su patrimonio. Simultáneamente, estos inversores proporcionan financiamiento crucial a las empresas, permitiéndoles expandir sus operaciones productivas y fomentar el desarrollo, lo cual genera un ciclo virtuoso que impulsa la creación de empleo y la generación de riqueza económica nacional (Núñez et al., 2021). El Mercado de Valores, al eliminar intermediarios financieros tradicionales, ofrece a los sectores productivos una vía alternativa para obtener financiamiento a mediano y largo plazo. Esta opción suele resultar más económica que los préstamos bancarios convencionales, permitiendo a las empresas acceder a capital en condiciones más favorables (Rosero M. , 2010).

A través del dinamismo y la transformación continua de nuestra sociedad, se ha propiciado un desarrollo tecnológico improcedente a años anteriores, que ha trascendido los límites de lo que se creía inalcanzable. El sector financiero no es extraño a este fenómeno, y que de paso, ha sido el cuál de mayor manera y con más alta competitividad, ha adaptado y desarrollado estas nuevas tecnologías. Los avances tecnológicos han acelerado la tendencia a la globalización de los mercados bursátiles, vinculando más estrechamente los mercados (Claessens, Klingebiel, & Schmukler, 2002). Este proceso de transformación tecnológica tiene sus raíces en décadas anteriores: en la década de 1950, comenzaron transformaciones significativas en el sistema financiero, especialmente en los métodos de pago de los consumidores, con la introducción de la primera tarjeta bancaria, las tarjetas de crédito Diners' Club. A través de esto, se puede observar los primeros desarrollos de las fintechs en economías mundiales (Hernández García, 2021).

La gran y rápida adaptación de estas tecnologías se observa en el caso práctico del Bank of America, el cual desarrolló la "Bankamericard" con la intención de formar una organización nacional de tarjetas, llamada Bank of America Service Corporation (BSC), que para finales de 1966 ya contaba con la participación de ocho importantes bancos, dando nacimiento a las tarjetas de credito (Hernández García, 2021). Años después, un punto de inflexión significativo ocurrió a principios de la década de los 70, donde se produjo un avance tecnológico bastante brusco y transformador: el microprocesador; un cambio vital no solo en la economía, sino también de nuestra vida en sociedad (Laitner & Stolyarov, 2003).

Una vez el desarrollo tecnológico comenzó a acelerarse, no es de extrañar que un sector crítico que influye en la economía mundial se viera afectado: el mercado de valores. Hace tiempo que se reconoce que la innovación es la fuerza motriz del notable milagro de crecimiento del capitalismo (Baumol, 2002), permitiendo a las economías globales expandirse y evolucionar más allá de sus limitaciones previas. Los economistas han sostenido sistemáticamente que la innovación tecnológica es un motor clave del crecimiento económico, ya que fomenta el aumento de la productividad, la eficiencia y la creación de nuevos mercados (Kogan et al., 2012). Es de gran importancia recalcar que estos avances no son lineales, sino que se producen en oleadas, cada una de las cuales representa una revolución tecnológica asociada a la difusión generalizada de nuevos conocimientos (Laitner & Stolyarov, 2003). Esta naturaleza cíclica del cambio tecnológico sustenta la naturaleza dinámica de las economías modernas, en las que cada nueva ola o shock de innovación tecnológica se basa en la anterior, dando lugar a períodos de crecimientos acelerados (Moshirian et al., 2020) y transformaciones en diversos sectores, incluido el financiero.

Asimismo, debido a estos shock tecnológicos, la aplicación y uso de las nuevas tecnologías ha desarrollado lo que podría llamarse una carrera armamentística tecnológica (Baumol, 2002), en la que cada día se desarrollan nuevas tecnologías que sustituyen a las anteriores, creando una ola constante de competencia entre las empresas por ver cuál tendrá más ventaja en el mercado. Constantemente, las herramientas analógicas, o más bien no informatizadas, se abandonan día a día. A pesar de ser relativamente baratas, y de que el mercado reconoce que las herramientas informatizadas de control numérico son caras y requieren programación, existe el consenso mundial de que las nuevas herramientas tecnológicas trabajan más rápido que los equipos manuales correspondientes y eliminan el anticuado tiempo de preparación, ofreciendo ganancias sustanciales en flexibilidad (Laitner & Stolyarov, 2003).

Establecido que la innovación es esencial para la supervivencia de las empresas, éstas no pueden dejar el proceso al azar, por lo que rutinizan la innovación, convirtiéndola en parte de sus actividades empresariales continuas (Baumol, 2002). En sectores específicos del mundo financiero, los especialistas en el campo de la Organización Industrial, por ejemplo, utilizan datos sobre la intensidad de la investigación y el desarrollo (I+D) y las patentes como indicadores indirectos de la actividad innovadora, aunque reconocen que estas medidas adolecen de una serie de graves problemas (Alexopoulos, 2011); demostración de la gran importancia de sacar partido de todas las herramientas o posibilidades disponibles.

EL DESARROLLO DE LAS TECNOLOGÍAS FINTECH EN TERRITORIO NACIONAL

Como resultado de la evolución tecnológica, ha surgido el término FinTech (acrónimo en inglés de 'tecnología financiera'), que describe la integración de innovaciones tecnológicas en el ámbito financiero como herramientas. Este concepto no solo abarca el uso de nuevas herramientas digitales, sino también la transformación de los modelos de negocio y la forma en que las instituciones financieras interactúan con los clientes. El sector financiero, impulsado por estas innovaciones, continúa experimentando un crecimiento significativo y sostenido, adaptándose constantemente a los cambios tecnológicos y a las necesidades del mercado (Claessens, Klingebiel, & Schmukler, 2002). Algunas innovaciones importan más que otras, la tecnología de la información ha tenido en los últimos 25 años (aproximadamente) un impacto importante en las fluctuaciones agregadas, mientras que la productividad total de los factores, la inversión de capital y la mano de obra (aunque en menor medida) aumentan tras un choque tecnológico positivo (Alexopoulos, 2011).

“La aplicación de innovaciones tecnológicas es un aspecto que no se reduce a un ámbito específico de los servicios financieros. Por el contrario, sus tres mercados —el mercado bancario, el mercado de valores y el mercado del seguro— se han visto ya afectados por estas tecnologías” (García-Ochoa Mayor & Puente González, 2017). A pesar de esto, es menester destacar que a pesar que muchos estudiosos del sector creen que el cambio y crecimiento tecnológico desempeña un papel integral tanto en el crecimiento económico como en las fluctuaciones del ciclo económico, la falta de buenas medidas del cambio tecnológico ha puesto límites a los tipos de análisis que estos pueden realizar (Alexopoulos, 2011) sentando así las bases para conclusiones dudosas. De esto se debe destacar que no se puede establecer una certeza concreta cuantificable, en el impacto que han tenido estas tecnologías.

En un ámbito más amplio, las FinTech, por definición, fungen como las diversas herramientas utilizadas para automatizar procesos en el sector financiero, desde tareas rutinarias y manuales hasta la toma de decisiones no rutinarias y cognitivas (Das, 2019). Estas tecnologías consisten en el “conjunto de innovaciones financieras con la capacidad técnica para producir nuevos modelos de negocio, aplicaciones, procesos o productos que tienen un efecto material asociado a los mercados e instituciones financieras y a la prestación de servicios financieros” (García-Ochoa Mayor & Puente González, 2017). Hoy en día se pueden observar varias aplicaciones de fintech dentro de lo que son actividades y operaciones financieras, como ingresar un cheque con el smartphone, saltarse una sucursal bancaria para solicitar un crédito, transferencias de dinero, o, de lo que se va a hablar más adelante, los robo asesores.

Las Fintech en República Dominicana.

El panorama financiero del país ha sido testigo de una transformación significativa con la irrupción de las empresas tecnológicas que ofrecen servicios financieros innovadores y accesibles. República Dominicana, entre 2018 y 2019, el número de usuarios de servicios FinTech en el país se duplicó de 1 millón a más de 2 millones, con un incremento en el promedio de transacciones mensuales de 12 a 17 millones. Durante este período, la disponibilidad de servicios a través de aplicaciones móviles y páginas web se mantuvo alta, con una tendencia creciente en el acceso vía web (Liranzo Tavárez, 2022). La necesidad de servicios financieros más accesibles y eficientes ha sido el motor detrás del crecimiento de las fintechs en territorio nacional, permitiendo a estas empresas ofrecer soluciones innovadoras que responden a las necesidades de un mercado en constante evolución.

El sector de la tecnología financiera ha experimentado un auge sin precedentes, aprovechando la expansión generalizada del acceso a internet y el uso omnipresente de dispositivos móviles inteligentes (Lei, Y., 2022). La entrada de fintechs en el mercado, tanto nacional como internacional, ha aumentado la competitividad entre estas instituciones, obligando a los bancos tradicionales a innovar y mejorar sus servicios. Esta competencia ha llevado a una mayor oferta de productos financieros personalizados y tarifas más competitivas (Liranzo Tavárez, 2022). El crecimiento acelerado de las empresas fintech en el ámbito nacional se refleja claramente a través de ADOFINTECH (Asociación Dominicana de Empresas FinTech). Esta organización ha desempeñado un papel fundamental en el desarrollo y expansión del ecosistema fintech en la República Dominicana, actuando como una red de conexión crucial para estas empresas innovadoras.

Uno de los casos con más auge que se pueden encontrar en el país es el de Qik Banco Digital la cual ha logrado crear una experiencia bancaria personalizada y accesible, adaptada a las necesidades modernas de los consumidores. El sector bancario dominicano ha sido revolucionado por las herramientas que son puestas a práctica en los servicios de Qik, la cual ofrece una variedad de servicios financieros a través de modalidades remotas, eliminando cualquier interacción presencial con el agente financiero y el cliente. Dentro de las múltiples aplicaciones de Qik Banco Digital, tal y como bancos tradicionales, se le permite a los usuarios abrir cuentas de ahorro, solicitar préstamos y realizar transferencias, pero, de manera innovadora, y, a diferencia de lo tradicional, se ha eliminando la necesidad de sucursales físicas, reduciendo costos operativos (Thakor, 2020). El mismo ha destacado por su enfoque de facilitador y centrado en la persona, donde el usuario solamente debe tener un celular o dispositivo electrónico para organizar sus finanzas a través de su plataforma digital (Qik, n.d.).

No obstante los progresos alcanzados, el sector fintech en la República Dominicana aún se enfrenta a diversos desafíos. Entre estos, destaca la ausencia de un marco regulatorio específico y bien definido, lo cual genera un clima de incertidumbre y potenciales riesgos tanto para las empresas que ofrecen servicios financieros tecnológicos como para sus usuarios (Liranzo Tavárez, 2022). A pesar del vertiginoso avance de las ciencias tecnológicas, que ha propiciado el desarrollo de herramientas y software innovadores, se destacan las barreras tecnológicas relacionadas con el acceso a internet, las cuales restringen la expansión y el alcance de estos servicios financieros digitales. Las zonas rurales y las poblaciones de bajos ingresos pueden tener dificultades para acceder a las tecnologías necesarias tomando en cuenta que más del 54% de los hogares del país no cuenta con servicio de Internet en casa haciendo evidente la brecha digital presente en el mismo (ONE, 2022).

LAS TECNOLOGÍAS FINTECH ADAPTADAS AL MERCADO DE VALORES

Las tecnologías FinTech han irrumpido en el terreno tradicionalmente dominado por las herramientas de la banca tradicional, desafiando sus cimientos con innovaciones disruptivas que están redefiniendo el núcleo mismo de las finanzas. Este cambio paradigmático surge, en gran medida, de las complicaciones inherentes a la creación de una nueva entidad bancaria convencional, dadas las exigencias de capital sustancial, el intrincado marco regulatorio y otros factores que obstaculizan tales iniciativas (Das, 2019). Estas tecnologías se encuentran categorizadas en “cuatro modalidades principales…: las plataformas de financiación participativa (crowdfunding), el asesoramiento financiero automatizado (robo-advice), la tecnología del libro electrónico descentralizado (distributed ledger technology o blockchain) y el big data” (García-Ochoa Mayor & Puente González, 2017). En el ámbito del mercado de valores, la convergencia de las tecnologías fintech se manifiesta principalmente en la utilización sinérgica del big data como insumo para el desarrollo de herramientas de asesoramiento automatizado, conocidas como robo-advisors. En el contexto de esta investigación y en consonancia con la temática abordada, el enfoque principal se centrará en el análisis de estos robo asesores y la aplicación del big data, así como en la interrelación entre estas dos innovadoras vertientes tecnológicas.

El Big Data como Fintech en el Mercado de Valores.

El término "big data" abarca una amplia gama de información proveniente de diversas fuentes, dentro de las cuales se incluyen, pero no se limitan a: (i) redes sociales, (ii) dispositivos conectados a internet como teléfonos inteligentes y tabletas, (iii) así como contenido multimedia como videos y grabaciones de voz (Manyika et al., 2011). El concepto en cuestión se fundamenta en tres pilares fundamentales, a saber: (i) la magnitud del volumen, que hace referencia a la cuantía de datos generados y recopilados, provenientes de diversas fuentes, incluyendo, pero no limitándose a, transacciones comerciales; (ii) las plataformas de interacción social digital; (iii) los dispositivos de detección y medición; y (iv) los artefactos conectados a la red global de objetos interconectados, comúnmente denominada Internet de las Cosas (IoT, por sus siglas en inglés) (Kitchin, 2014).

El uso de big data y el análisis de medios sociales han emergido como herramientas poderosas para mejorar la precisión de estas predicciones (Attigeri et al., 2015). Este uso de medios sociales, o más bien, redes sociales, se le denomina como una parte de lo que es el OSINT (según sus siglas en inglés, información de fuentes abiertas). Las redes sociales como fuente de OSINT “se han convertido en una de nuestras principales fuentes de información” (Konrad-Adenauer-Stiftung, 2020).

El uso del big data ha revolucionado la forma en que las empresas operan, permitiendo a las organizaciones extraer valor de grandes volúmenes de datos para impulsar la innovación, mejorar la eficiencia y tomar decisiones informadas (McAfee & Brynjolfsson, 2012). Este término comenzó a ser utilizado en los 1990s, en virtud de la creación de un mundo digital emergente; en el 2005 el mismo tomó popularidad instantánea con el inicio de la web 2.0 luego, a partir de 2010, el interés en big data se disparó (Lohr, 2012). Eric Schmidt, ex-CEO de Google, afirmó que la cantidad de información creada en el mundo había alcanzado niveles sin precedentes, indicando que "hubo 5 exabytes de información creada por el mundo entero entre los albores de la civilización y 2003. Ahora esa misma cantidad se crea cada dos días" (EGOS BI, 2021). En 2011, un informe de McKinsey destacó la importancia del big data para la innovación y la competitividad, señalando que Estados Unidos enfrentaría una escasez de científicos de datos en el futuro cercano (Manyika et al., 2011).

Considerando la magnitud cuantitativa y cualitativa de los conjuntos de datos en cuestión, cuya dimensión excede los parámetros de medición convencionales, se torna imperativo proceder a la identificación, desarrollo e implementación de mecanismos facilitadores y aceleradores, coloquialmente denominados "agentes catalizadores". Los mismos se refieren a herramientas y metodologías que facilitan y aceleran el manejo de grandes volúmenes de información, optimizando la eficiencia y efectividad de los procesos de análisis y gestión de datos (Chica & Grau, 2021). Estos agentes juegan un papel crucial en contextos donde los datos superan las capacidades de los sistemas tradicionales, debido a que están dotados de la capacidad técnica y operativa necesaria para llevar a cabo el procesamiento, análisis y gestión de los volúmenes masivos de información referidos ut supra, cuya escala y complejidad sobrepasan las capacidades de los sistemas de procesamiento tradicionales. El objetivo primordial de dicho procesamiento es la consecución de diversos fines, entre los cuales se pueden destacar, sin ser esta una enumeración taxativa: (i) el incremento de la productividad y (ii) el fomento de la competitividad en diversos sectores económicos y sociales (Laney, 2001).

La siguiente sería la variedad, la cual se refiere a la naturaleza de los tipos de datos obtenidos. Estos datos pueden ser procesados o no procesados y la capacidad de analizar diferentes tipos de los mismos es crucial para obtener insights significativos, permitiendo explorar las diferentes maneras de eficientizar el proceso de adquisición. Esto deja el siguiente pilar del big data, velocidad; la rapidez con la que se generan y procesan los datos. En muchos casos, los datos deben ser procesados en tiempo real para ser útiles. Esto es particularmente importante en aplicaciones como monitoreo de redes sociales, transacciones financieras y sistemas de recomendación (Gandomi & Haider, 2015).

En la actualidad, big data se utiliza en una variedad de sectores, desde el comercio minorista hasta la atención médica y, especialmente, acorde a este caso de estudio, en el ámbito financiero. Un ejemplo general del uso de esto sería el de los datos de geolocalización de millones de usuarios y sus teléfonos inteligentes, los cuales permiten a aplicaciones como Google Maps o Waze identificar rutas con menos tráfico y dar a los conductores estimaciones precisas del tiempo de viaje (Chen et al., 2014). En este caso en específico, el análisis de la big data en tiempo real ayuda a gestionar y controlar el tráfico de manera más eficiente (Chen et al., 2014).

El paradigma contemporáneo, caracterizado por una acelerada transformación digital y una intensificación de la competencia en el mercado, ha propiciadoe que el big data adquiera una relevancia sin precedentes en el ámbito financiero. Las entidades del sector están realizando inversiones sustanciales en tecnologías de procesamiento y análisis de grandes volúmenes de datos, con el objetivo de adecuarse a las nuevas exigencias de los usuarios de servicios financieros, quienes demandan prestaciones con un mayor grado de personalización y accesibilidad (Gandomi & Haider, 2015). En este último ámbito, las predicciones bursátiles se han convertido en un área de interés crucial debido a la complejidad e incertidumbre inherente a los mercados de valores.

Aplicación práctica big data en el mercado de valores.

Acorde a lo previamente mencionado, mediante el análisis avanzado, como los que se emplean a través de modelos de aprendizaje automático (machine learning) y algoritmos de redes neuronales profundas (deep learning), y el uso de sistemas de inteligencia artificial, las entidades que utilizan estas herramientas pueden proporcionar servicios innovadores y basados en datos, aprovechando la gran cantidad de información disponible para ofrecer soluciones más precisas y personalizadas (García-Ochoa Mayor & Puente González, 2017; Attigeri et al., 2015). Este enfoque se basa en dos tipos principales de análisis: el análisis técnico y el análisis fundamental. El primero, utiliza los datos históricos de precios de acciones para identificar patrones de comportamiento o tendencias que puedan ayudar a predecir movimientos futuros. Este método se ha visto reforzado por algoritmos de aprendizaje automático que puede procesar grandes volúmenes de información de manera eficiente (Attigeri et al., 2015).

Por otro lado, el fundamental se enfoca en factores más amplios como son los datos económicos y contexto social para definir sus predicciones. El fenómeno en cuestión puede interpretarse como aquel que exhibe las fluctuaciones en la valoración bursátil de los títulos valores, manifestando una naturaleza predominantemente emocional, susceptible de ser influenciada por las corrientes de opinión prevalecientes en las plataformas de interacción social digital. Es menester aclarar, que las maneras de análisis predictivo se encuentran completamente dirigidas por la big data, llevando el uso de la misma en tiempo real (Mayer-Schönberger & Cukier, 2013).

Un ejemplo utilizando el análisis fundamental es la minería de opiniones, que clasifica los sentimientos expresados en textos como positivos, negativos o neutros, donde la persona se convierte en una tendencia (Liu, 2012). La implementación de este procedimiento se efectúa mediante la utilización de léxicos especializados propios del campo en cuestión, en conjunción con algoritmos de aprendizaje automatizado. Estos mecanismos computacionales procesan la información con el propósito de identificar y extraer términos y locuciones significativas que denotan estados anímicos o disposiciones afectivas relevantes para el análisis en cuestión (Attigeri et al., 2015).

Las empresas fintech están a la vanguardia de la innovación impulsada por big data. Estas startups utilizan análisis de datos para ofrecer soluciones financieras que son más ágiles y adaptadas a las necesidades del cliente. Aplicaciones de gestión financiera personal como Mint utilizan datos de transacciones para ayudar a los usuarios a gestionar sus finanzas de manera más efectiva (Shahid & Sheikh, 2021). El uso de big data en la predicción bursátil no solo permite un procesamiento eficiente de grandes volúmenes de datos, sino que también facilita el análisis en tiempo real, lo cual es crucial en un entorno financiero dinámico. Combinando esto con el análisis de medios sociales, puede mejorar significativamente la precisión de las predicciones bursátiles al incorporar una gama más amplia de datos externos que pueden influir en el mercado (Attigeri et al., 2015).

Se ha demostrado que las empresas que utilizan big data pueden mejorar su competitividad y productividad en un 20-30% debido a la capacidad de tomar decisiones basadas en datos precisos y actualizados (Shahid & Sheikh, 2021). Esta mejora en la eficiencia se traduce en mayores beneficios y una mejor gestión del riesgo, lo que es crucial en un mercado tan volátil como el bursátil. Empresas como JPMorgan y Goldman Sachs han implementado algoritmos avanzados de big data para analizar grandes volúmenes de transacciones financieras en tiempo real (Shahid & Sheikh, 2021). Mediante el uso de estos algoritmos, pueden detectar patrones en el comportamiento del mercado que les permiten predecir fluctuaciones de precios con mayor precisión (Shahid & Sheikh, 2021). Al analizar datos históricos de precios, volúmenes de transacciones y noticias financieras, estas compañías desarrollan modelos predictivos a base de este big data que anticipan cambios en el mercado bursátil y ajustan sus estrategias de inversión en consecuencia. Este enfoque no solamente mejora la precisión de las predicciones, sino que también reduce los riesgos asociados a la volatilidad del mercado, proporcionando una ventaja competitiva significativa al permitir decisiones más informadas y oportunas (Shahid & Sheikh, 2021).

Se ha demostrado también que el uso de big data en políticas financieras ha llevado a una mejora del 25% en la eficiencia operativa de las empresas (Observatorio de Políticas Sociales y Desarrollo, 2021). Esto se debe a la capacidad de big data para proporcionar una visión holística del mercado, integrando datos de diversas fuentes para una mejor toma de decisiones. La integración de big data en los sistemas de trading automatizado permite a los algoritmos adaptarse rápidamente a las condiciones cambiantes del mercado, mejorando así la precisión y eficacia de las estrategias de inversión, tema del cual se estará desarrollando más en lo adelante en su sección debidamente dedicada.

El Big Data en República Dominicana.

En el ámbito general, en la República Dominicana, uno de los proyectos vigentes más significativos en el ámbito del big data es República Digital, cuyo objetivo principal es asegurar el acceso de los ciudadanos a tecnologías de la información y comunicación. Esta iniciativa facilita a los dominicanos la obtención de servicios electrónicos más eficientes y promueve el desarrollo de big data bajo una supervisión gubernamental indirecta (Boletín del Observatorio de Políticas Sociales y Desarrollo, 2021). Otra iniciativa de particular relevancia es el plan denominado "Gobierno Inteligente", una estrategia integral que se centra en el análisis big data y en la optimización del procesamiento de información. El objetivo primordial de esta política es posicionar al país como un centro neurálgico de procesamiento de datos a nivel global. Este proyecto busca cumplir con los objetivos de la agenda digital y fomentar el crecimiento digital nacional, mejorando así los servicios públicos y la seguridad nacional mediante el uso de estos datos (Gobierno República Dominicana, 2023).

EL ROBO-ADVICE COMO TECNOLOGÍA FINTECH.

Así como previamente mencionado, la reciente revolución de la microelectrónica y la tecnología de la información parece tener atributos similares a los inventos fundamentales del pasado. El progreso de la microelectrónica ha traído consigo avances espectaculares en ordenadores y equipos de telecomunicaciones (Laitner & Stolyarov, 2003). La evolución del procesador y estos equipos de telecomunicaciones no solo han permitido la globalización del mercado, si no que han exponenciado la manera en la que se comparte información al igual que avanzan los mismos desarrollos tecnológicos. En la era actual, los profesionales de la ingeniería, tanto en el campo del hardware como del software, gozan de una capacidad sin precedentes para intercambiar conocimientos y analizar avances.

Esta colaboración trasciende fronteras, permitiendo no solo beneficiarse de las contribuciones de sus colegas inmediatos, sino también acceder a descubrimientos realizados por expertos en los rincones más remotos del planeta; atendiendo al hecho de que las innovaciones fintech, sustentadas en el análisis de big data, la inteligencia artificial y las tecnologías blockchain, están penetrando en el mercado actual a un ritmo vertiginoso y sin precedentes (Giudici, 2018). A esta colaboración, se le denomina a lo que se conoce como Open Finance. Esta operación típica de las fintechs constituye un marco que facilita a consumidores y empresas el acceso a sus datos financieros y su compartición con proveedores externos, quienes pueden emplear esta información, siempre con el consentimiento correspondiente, para la creación de productos y servicios financieros innovadores (Mothibi et al., 2020), (Martínez Mora, 2023).

El avance vertiginoso de las innovaciones tecnológicas, especialmente en el campo de la inteligencia artificial, ha desencadenado una transformación radical en el panorama empresarial global. La democratización y accesibilidad de estas herramientas tecnológicas han propiciado su adopción generalizada en el mercado, permitiendo a las empresas de diversos sectores integrarlas de manera efectiva en sus modelos de negocio. Esto ha sido un hecho clave para el crecimiento de la tecnología, sobre todo en el sector de las finanzas (Claessens, Klingebiel, & Schmukler, 2002). La adopción de tecnología extranjera en el proceso de innovación es crucial para que las empresas nacionales, sobre todo en los mercados emergentes, actualicen su base tecnológica, mejoren sus resultados de innovación y se pongan al día con los avances tecnológicos (Moshirian et al., 2021).

En el panorama en rápida evolución de los mercados financieros, la búsqueda de predicciones bursátiles precisas nunca ha sido tan crítica (Akinrinola et al., 2024). Ha habido muchas críticas sobre la utilidad de la "predicción" en el mercado de valores, algunas de las cuales afirman que no hay diferencia entre un mono que elige valores y un análisis de valores excesivamente complicado que utiliza tablas y gráficos, teoría a la cual se le ha denominado como Hipótesis del Mercado Eficiente (HME), la cual sugiere lo previamente establecido, que cualquier intento de predecir precios, es fundamentalmente inutil (Nametala et al., 2023) (Huang et al., 2009). En realidad, sin embargo, los inversores obtienen cierta rentabilidad aplicando diversos métodos de predicción, generalmente análisis técnicos, que se aplican en una gran variedad de mercados de activos (Stanković et al., 2015). Aunque, a pesar de ello, estas críticas se realizaron con anterioridad a la integración del aprendizaje automático, las herramientas de aprendizaje profundo y, en general, la utilización de IA que contienen cientos de miles de fuentes, constantemente actualizadas, que negocian acciones basadas en un conocimiento superable a las capacidades humanas. Algo que sí es certero, es que en la práctica, el asesoramiento financiero tiene sus límites. Es costoso y no siempre sirve a los intereses de los clientes (Bianchi & Brière, 2021).

El uso de esta inteligencia artificial como fintech, y particularmente en el mercado de valores, se le denomina, como previamente mencionado: robo-advisors o asesoramiento financiero automatizado. Estos robo-advisors o robo-asesores implican ofrecer servicios de asesoría financiera mediante herramientas automáticas, con poca o ninguna intervención humana (García-Ochoa Mayor & Puente González, 2017). Generalmente, esta automatización se basa en un algoritmo que procesa la información proporcionada por el cliente para generar recomendaciones personalizadas (García-Ochoa Mayor & Puente González, 2017). Los robo-asesores pueden digitalizar todo el proceso de gestión de la inversión, que antes realizaba el propio inversor o un asesor humano (Coşkun, 2022). Los robots tienen bajos costes operativos, lo que puede permitir llegar a un conjunto más amplio de inversores, y adoptan procedimientos verificables, lo que puede limitar el alcance de un asesoramiento sesgado (Bianchi & Brière, 2021), (Coşkun, 2022). Ayuda a los inversores a elegir las acciones adecuadas en el momento oportuno, a optimizar su cartera y su balance, para la asignación de activos, para decidir si comprar o no un seguro, para planificar la jubilación, predecir las cotizaciones bursátiles, los tipos de cambio, el valor de las propiedades, asesorarse sobre planes financieros (Coşkun, 2022)

Robo-Advisors: Los Chatbots.

La forma en la que estos robo-asesores funcionan en su mayoría, es que comienzan por obtener información sobre las características del cliente, elaboran su perfil y proponen una asignación de cartera (Bianchi & Brière, 2021). Existen diferentes tipos de robo-asesores, están aquellos que sirven como chatbots y aquellos que sirven como robo-investors o investorbots. Estos chatbots pueden dividirse en dos ámbitos: general y específico. El dominio general está menos limitado porque implica conversaciones cotidianas generales y es más adecuado para el modelo de generación que el dominio específico (Day, Lin, & Chen, 2018). En el dominio específico, el alcance se limita a un campo determinado, como los robots de atención al cliente, que pueden ayudar a los usuarios en la consulta de existencias, la planificación de viajes y las consultas meteorológicas (Day, Lin, & Chen, 2018). Este tipo de chatbots es más adecuado para los modelos basados en bases de conocimiento y recuperación (Day, Lin, & Chen, 2018).

El uso de chatbots se puede categorizar en tres enfoques principales: (i) Chatbots basados en una base de conocimientos que buscan respuestas en un conjunto predefinido de información, limitados a entradas que coincidan con las preguntas almacenadas; (ii) Modelos que utilizan técnicas de recuperación para encontrar las respuestas más relevantes a partir de un conjunto de posibles respuestas; (iii) Modelos generativos que aplican técnicas avanzadas de inteligencia artificial para crear respuestas a partir de las entradas proporcionadas, mediante un proceso de codificación y decodificación de la información (Day, Lin, & Chen, 2018). El tipo de chatbot que se usa generalmente para expedir recomendaciones financieras depende mucho de las necesidades del cliente, por lo cual, mayormente se categorizan en asistentes digitales que, tras un sencillo cuestionario, el chatbot recomienda al cliente determinadas opciones de inversión (Coşkun, 2022).

Estos chatbots, tanto como los robo-investors se alimentan de información que se obtiene a través de los datos obtenidos del cliente, cedidos voluntariamente por éste. En lo particular, los robo-investors, mediante el uso de big-data, utilizan OSINT para elaborar esquemas de inversión siguiendo nichos de mercado o más bien diferentes estrategias en las que invertirán la cartera de los clientes. Este aspecto los distingue claramente de los chatbots, los cuales se utilizan predominantemente para proporcionar servicios al cliente personalizados. A diferencia de estos, los investorbots o, en términos generales, los sistemas que por su mayoría componen lo que son los robo-asesores, se centran principalmente en la gestión de activos, especialmente en lo que concierne al trading algorítmico (Coşkun, 2022).

Robo-Advisors en el Mercado de Valores.

La génesis de este paradigma de asesoramiento financiero automatizado puede rastrearse hasta los albores de la negociación de valores mediante comunicaciones telefónicas entre corredores y sus clientes. No obstante, el advenimiento de las redes de comunicación electrónica, materializado con la introducción de Instinet en 1967 y NASDAQ en 1971, propició un incremento significativo en la eficiencia operativa del sector. Subsecuentemente, en 1985, la entidad Trade*Plus inició la oferta de una de las primeras plataformas de negociación minorista a través de los servicios en línea America Online y CompuServe, marcando un hito en la evolución hacia los sistemas de asesoramiento financiero automatizado contemporáneos (Phoon & Koh, 2018). El uso más común de estos robo-asesores es aquellos que, como previamente se ha mencionado, manejan las carteras de los clientes (Phoon & Koh, 2018). La introducción de los primeros asesores robo-asesores, se produjo en el período subsiguiente a la crisis financiera global de 2008 (Phoon & Koh, 2018).

Estos sistemas, en su concepción inicial, se caracterizaban por ser herramientas pasivas y automatizadas de asignación de activos y gestión de carteras, con la capacidad de reequilibrar de manera autónoma la cartera del cliente ante fluctuaciones significativas en los mercados (Phoon & Koh, 2018). La génesis de estos asesores automatizados coincidió con una coyuntura en la que los inversores manifestaban una marcada preferencia por carteras de bajo riesgo, consecuencia directa de la experiencia adversa recientemente experimentada durante la mencionada crisis financiera global (Phoon & Koh, 2018).

Los robos asesores se basan principalmente en plataformas automatizadas para ofrecer un asesoramiento financiero rudimentario. El resultado deseado de dicho asesoramiento es ofrecer a los clientes la flexibilidad de invertir en sus propias carteras, que sean coherentes con sus objetivos (Phoon & Koh, 2018). Concretizando la noción precedente y profundizando en la aplicabilidad pragmática de estas tecnologías disruptivas, se identifican diversas metodologías para la implementación de la Inteligencia Artificial en el contexto de los robo-asesores. Estas metodologías abarcan, inter alia, el análisis pormenorizado de las estrategias de optimización de carteras empleadas por los inversores, así como la predicción algorítmica de las fluctuaciones en la cotización de valores, la anticipación de procesos de insolvencia y la previsión de eventos de estrés financiero (Coşkun, 2022).

Un caso paradigmático de la implementación y utilización de asesores financieros automatizados fue objeto de un estudio empírico realizado por Bianchi y Briere (2021). Los investigadores analizaron conjuntos de datos quinquenales relativos a Planes de Ahorro para empleados, en los cuales, como parte de su paquete remunerativo, los trabajadores perciben anualmente una asignación pecuniaria que deben distribuir entre un abanico de fondos ofrecidos por el empleador y administrados por una destacada entidad gestora de activos francesa.

En el marco de esta investigación, se identificaron diversas modalidades mediante las cuales los empleados podían ejercer control sobre sus ahorros. Una de las alternativas propuestas consistía en la utilización de asesores robotizados. En este esquema, previa aceptación por parte del usuario, el sistema automatizado ejecuta la asignación de activos. Subsecuentemente, el mecanismo algorítmico emite notificaciones electrónicas en caso de que la composición actual de la cartera diverge significativamente de la asignación objetivo.

Las conclusiones del estudio sugieren que el asesor automatizado demuestra una mayor eficacia en la inducción de modificaciones en la composición de las carteras de inversores con menor capacidad económica, tanto en términos de ingresos y patrimonio. Es precisamente este segmento demográfico el que, tradicionalmente, ha mostrado una menor propensión a recibir asesoramiento financiero convencional y a participar activamente en los mercados de valores.

De este estudio se pudo concluir que la suscripción a un robo-asesores puede generar un aumento significativo en la rentabilidad esperada de las inversiones, incluso cuando se considera el historial de participación en el capital. Este incremento, que oscila entre un 2% y un 2,3% anual, subraya el potencial de los robo-asesores para mejorar los rendimientos de los inversionistas, ofreciendo un beneficio claro en comparación con la rentabilidad media esperada en el mercado (Bianchi & Briere, 2021). Asimismo, este estudio demostró que el robo-asesores es capaz de inducir mayores cambios de cartera en los inversores más pequeños, en términos de ingresos y de riqueza; es decir, precisamente en aquellos que tienen menos probabilidades de recibir asesoramiento tradicional y de participar en el mercado bursátil, mostrando un aumento significativo de la proporción de participantes de "clase media", que aumentan su cuota de riesgo y sus rendimientos esperados (Bianchi & Briere, 2021).

En virtud de lo expuesto, se pueden discernir las ventajas comparativas de los robo-asesores. Estos sistemas presentan una eficiencia económica superior, ofreciendo servicios a tarifas más competitivas (Phoon & Koh, 2018) (Bianchi & Briere, 2021). Adicionalmente, facilitan la desintermediación financiera, reduciendo significativamente la interacción humana en el proceso de asesoramiento e inversión. Es menester destacar que la investigación citada aborda el fenómeno conductual conocido como "Efecto Disposición" (Bianchi & Briere, 2021).

Los autores postulan que los inversores exhiben una propensión a retener activos depreciados, en anticipación de una eventual apreciación. En este contexto, los robo advisors, al mitigar la necesidad de microgestión por parte del cliente, atenúan de manera efectiva este sesgo cognitivo, promoviendo así una toma de decisiones más racional y objetiva en el ámbito de las inversiones (Bianchi & Briere, 2021).

Sin embargo, no es probable que los actuales robo-asesores satisfagan las necesidades de los inversores sofisticados que tienen necesidades financieras incluso moderadamente complejas. (Phoon & Koh, 2018). No obstante los significativos beneficios atribuibles a los robo-asesores, resulta imperativo examinar de manera exhaustiva las implicaciones derivadas de su implementación, considerando tanto los aspectos favorables como los potencialmente adversos que su utilización conlleva en el contexto del mercado financiero y la protección del inversor. Uno de los principales argumentos es que a menudo se ha argumentado que los asesores humanos tienden a ser complacientes cuando los clientes expresan una estrategia de inversión preferida y no tienen ningún incentivo para recomendar asignaciones demasiado diferentes de las anteriores de los inversores, incluso cuando esto va en detrimento del rendimiento de los inversores (Bianchi & Briere, 2021).

En el mismo ámbito, los robo-asesores, como se observa en la revisión bibliográfica realizada por Coşkun (2022), se presentan limitaciones inherentes en su capacidad para adaptarse de manera dinámica a las exigencias fluctuantes de su clientela. Persisten ambigüedades en el marco jurídico que rige estas plataformas, y se prevé que las modificaciones regulatorias necesarias no se materialicen en un futuro próximo.

Los organismos de supervisión han manifestado diversas reservas respecto a estos instrumentos de asesoramiento algorítmico, entre las que se incluyen: potenciales conflictos de intereses, evaluaciones deficientes de la propensión al riesgo de los inversores, ausencia de interacción personal, y posibles incumplimientos de las obligaciones fiduciarias para con los inversores y las entidades reguladoras.

Adicionalmente, el sector del asesoramiento automatizado se enfrenta a desafíos normativos de mayor envergadura, destacando entre ellos las cuestiones relativas a la protección de datos personales, la ciberseguridad, y la imperativa necesidad de una colaboración interdisciplinaria en el ámbito regulatorio.

Robo-Advice y Big Data: Los Trading Bots.

El presente estudio centrará su análisis en dos vertientes principales: por un lado, el examen de las estrategias de optimización de carteras de inversión y, por otro, la predicción de la evolución bursátil de los instrumentos financieros en los cuales el inversionista pretende alocar sus recursos. No obstante, previo al desarrollo pormenorizado de estas temáticas, resulta imperativo dilucidar tanto los conceptos fundamentales como las tecnologías subyacentes que sustentan el funcionamiento de los asesores financieros automatizados En este contexto, se abordarán las disciplinas de minería de datos (data mining), aprendizaje automático (machine learning) y aprendizaje profundo (deep learning), todas ellas aplicadas en la concepción y desarrollo de los robos asesores como herramientas avanzadas de inteligencia artificial en el ámbito financiero-bursátil.

La Inteligencia Artificial en el trading puede resumirse como una tecnología que puede pensar y actuar por sí misma, y por tanto es perfecta para aplicaciones complejas de trading en las que la velocidad y la eficiencia desempeñan un papel crucial (Bali et al., 2021). De esto nace la necesidad de la implementación de herramientas software específicas para este tipo de tareas. A diferencia de los chatbots, dentro de las aplicaciones y subcategorías de los robo-asesores como fintechs, se encuentran los trading bots, eje fundamental de este trabajo de investigación. Para que estos investorbots puedan funcionar, al igual que cualquier herramienta robo-asesora, se necesitan datos sobre los ingresos y las trayectorias profesionales de los clientes, el comportamiento de ahorro y gasto, y los activos y pasivos, que para este caso de uso, se utilizan con inteligencia artificial, machine learning y otras técnicas de análisis de datos como data mining y big data, para mejorar las recomendaciones de inversión (Phoon & Koh, 2018) a través de la implementación de un robot de inversión inteligente. Esta idea de la implementación de la aplicación de inteligencia artificial al mercado bursátil o el trading es algo nuevo, de lo cual puede ser trazado a Lugano Ronald Marawala, el cual en el 2010 publicó un trabajo del cual hizo uso de técnicas de inteligencia artificial para modelizar y predecir el precio futuro de un índice bursátil (Bali et al., 2021).

Antes de abordar los aspectos específicos del funcionamiento de estas herramientas fintech del mercado bursátil integradas con Inteligencia Artificial (en particular, el uso de trading bots) es necesario primero identificar y diferenciar los diversos tipos de trading impulsados por IA que son realizados a través de las diferentes modalidades de estos robots.

En uno de sus casos más elementales, el algotrading es el método preferido por los nuevos inversores que incursionan en el ámbito tecnológico de los mercados bursátiles. Su popularidad se debe a la accesibilidad de recursos para la construcción de estos modelos, al punto de que existen comunidades especializadas, como foros en Reddit, dedicadas a este tipo de estrategias.

El algotrading consiste en el uso de algoritmos informáticos para automatizar el proceso de negociación de instrumentos financieros. Estos algoritmos están diseñados para analizar los datos del mercado, identificar oportunidades de negociación y ejecutar órdenes a precios óptimos (Chugh et al., 2024). Como se menciona en el estudio de Rose & Gartner (2018), ninguno de estos sistemas se basa únicamente en un conjunto único o rígido de métodos de predicción. El uso de algoritmos en el algotrading por sí mismo no implica necesariamente la aplicación de Inteligencia Artificial. El algotrading en su forma básica no emplea Inteligencia Artificial; esta última se incorpora únicamente cuando los algoritmos son integrados con técnicas de IA, en cuyo caso se considera que ambas disciplinas están siendo utilizadas en conjunto. Incluso, el algotrading se remonta a las décadas de los 70s y 80s, cuando las bolsas empezaron a pasar de los sistemas de negociación manuales a los electrónicos. Los primeros algoritmos eran relativamente sencillos y ejecutaban instrucciones predefinidas basadas en datos de precios y volúmenes (Addy et al., 2024).

La integración de técnicas de IA añade un nivel de complejidad y adaptabilidad que permite a los algoritmos de negociación analizar grandes conjuntos de datos, identificar patrones y optimizar estrategias en tiempo real (Addy et al., 2024). A esto se le llama automated trading (Addy et al., 2024).

Los orígenes históricos de la implementación de la Inteligencia Artificial (IA) en el ámbito del trading se remontan a mediados del siglo XX. Durante este período, los precursores pioneros de la IA, entre ellos Marvin Minsky y John McCarthy, vislumbraron el potencial de los sistemas artificiales para emular la capacidad de toma de decisiones humana en contextos financieros complejos. Estas visiones prospectivas sirvieron como punto de partida para el desarrollo y la adopción gradual de tecnologías de IA en el sector empresarial, sentando las bases para su posterior evolución y aplicación en diversas vertientes del mundo de los negocios (Kavin, 2023). El automated trading ha transformado significativamente los mercados financieros, influyendo en la liquidez del mercado, alterando los mecanismos de formación de precios, desafiando las prácticas tradicionales de negociación y suscitando las prácticas tradicionales de negociación y suscita consideraciones reglamentarias (Addy et al., 2024).

Para que el automated trading funcione, requiere el uso de modelos predictivos. Estos modelos predictivos consisten en técnicas estadísticas y matemáticas que permiten anticipar movimientos futuros del mercado basándose en datos históricos. Así como el algotrading puede ser confundido con los investor bots que se detallarán en secciones posteriores, también es crucial diferenciarlo de los modelos predictivos en sí mismos, como los HiCEFS’ (Hierarchical Coevolutionary Fuzzy) o ARIMAs (Auto-Regressive Integrated Moving Average), los cuales, por su parte, pueden ser objeto de confusión si no se entienden en su propio contexto.

Los modelos predictivos, al igual que el algotrading, no son tecnologías recientes o innovadoras. Por el contrario, estos enfoques tienen raíces históricas que se remontan a décadas atrás. El modelo ARIMA (el más común de todos) fue introducido en la década de 1970 por los estadísticos Box y Jenkins (Ariyo et al., 2014). Este modelo econométrico ha demostrado ser una herramienta eficaz para la generación de pronósticos a corto plazo. Diversos estudios empíricos, como el realizado por Ariyo et al. (2014), han evidenciado que los modelos ARIMA superan constantemente a los modelos estructurales más complejos en cuanto a la precisión de las predicciones a corto plazo. Esta ventaja comparativa de los modelos ARIMA se atribuye a su capacidad para capturar de manera efectiva la dinámica y las características estadísticas inherentes a las series de tiempo financieras y económicas.

Para brevemente dar otro ejemplo de los modelos predictivos utilizados, como previamente se mencionó, el HiCEFS es otro de los modelos de inteligencia computacional que han empezado a prosperar en el ámbito de la investigación. Al igual que el modelo ARIMA, estos modelos se denominan sistemas difusos, lo que significa que son capaces de modelizar la dinámica en los datos financieros caóticos y ruidosos y proporcionar conocimiento del sistema representado por un conjunto de reglas legibles (Huang et al., 2009). Los HICEF tienen una estructura en capas similar a la de las redes neuronales, que procesan la información desde la entrada hasta la salida. Utilizan reglas de lógica difusa para hacer predicciones, lo que permite un razonamiento más parecido al humano y una interpretación más sencilla de los resultados. Una característica clave de los HICEF es su capacidad de mejora automática mediante algoritmos genéticos que optimizan su rendimiento a lo largo del tiempo. Esta combinación de técnicas permite a los HICEF manejar eficazmente información incierta o imprecisa, lo que los convierte en potentes herramientas de predicción financiera que equilibran la precisión con la comprensibilidad (Huang et al., 2009).

Estos métodos pueden variar desde el trading algorítmico básico (algotrading) previamente mencionado, que puede ser implementado hasta mediante modelos escritos en Python (Bali et al., 2021), hasta técnicas más sofisticadas que emplean todas las herramientas previamente mencionadas, al igual que Redes Neuronales Artificiales, Máquinas de Soporte Vectorial (Support Vector Machines) y Regresión Lineal, las cuales son técnicas complicadas en comparación con lo previo, cuyo propósito es ofrecer predicciones más precisas basadas en la minería de datos como la presentada en el estudio de Rose & Gärtner (2018).

Los robo-advisors como Betterment son un ejemplo clave de cómo los bots pueden simplificar la gestión de inversiones. Betterment usa algoritmos para construir y gestionar carteras de inversión personalizadas basadas en el perfil de riesgo del usuario y sus objetivos financieros. Esta automatización no solo reduce los costos operativos, sino que también asegura una diversificación óptima (Forbes, 2023). Sin embargo, la dependencia de algoritmos puede presentar riesgos si el mercado experimenta eventos inesperados, y son precisamente estos los que se quieren prevenir con algoritmos avanzados de predictibilidad financiera. Los High-Frequency Trading Bots, como los utilizados por Two Sigma, ejecutan miles de transacciones por segundo, aprovechando los microsegundos de oportunidad en los mercados bursátiles, estos bots pueden procesar grandes volúmenes de datos y responder rápidamente a los cambios en el mercado (Financial Times, 2023) de manera más intrínseca, el procedimiento comienza recogiendo información sobre las características del cliente, incluyendo su aversión al riesgo, conocimiento financiero, experiencia, edad y horizonte de inversión. Con base en esta información, el robo-advisor elabora un perfil del cliente y sugiere una asignación de cartera adecuada (Bianchi & Brière, 2021). Este enfoque metodológico permite seleccionar y aplicar las técnicas más apropiadas para cada condición de mercado, ajustándose a las fluctuaciones políticas y sociales que pueden afectar los resultados financieros utilizando algoritmos avanzados antes ya mencionados que combinan el análisis de movimientos de precios con previsiones de tendencias mediante comités de decisión especializados. (Nametala et al., 2023).

Estos bots no solo permiten a las firmas financieras manejar grandes volúmenes de datos de manera efectiva, sino que también ofrecen una capacidad de respuesta rápida a las fluctuaciones del mercado, lo que es crucial en un entorno tan dinámico como el mercado bursátil (Nametala et al., 2023). Sin embargo, existen riesgos asociados, como la posible amplificación de la volatilidad del mercado y la dependencia excesiva de los algoritmos, lo que podría llevar a decisiones erróneas si los modelos no son supervisados adecuadamente (Bianchi & Brière, 2021).

Para los nuevos inversores, estas herramientas ofrecen una forma accesible y automatizada de participar en los mercados financieros pudiendo así reducir los riesgos al ofrecer recomendaciones de inversión basadas en análisis detallados y personalizar las estrategias según el perfil de riesgo del usuario. Además, la automatización reduce la necesidad de un conocimiento profundo del mercado, permitiendo que incluso los inversores novatos puedan beneficiarse de estrategias avanzadas de trading (Forbes, 2023). No obstante, es importante que los nuevos inversores comprendan que la automatización no elimina por completo el riesgo; la supervisión humana sigue siendo crucial para evitar errores y optimizar los resultados (Addy et al., 2024).

Los trading bots han promovido el mercado al aumentar la liquidez y permitir un acceso más equitativo a oportunidades de inversión. Al democratizar el acceso a herramientas sofisticadas de análisis y decisión, estos bots han motivado a un número creciente de nuevos inversores a ingresar al mercado, impulsando la innovación y la competencia en el sector financiero (Kavin, 2023).

Machine Learning, Data-mining y Deep-learning.

El machine learning como rama de la inteligencia artificial es una aplicación que proporciona a los sistemas la capacidad de aprender automáticamente y mejorar a partir de la experiencia sin necesidad de ser programados explícitamente (Alam, 2023). En los últimos años, ha ganado mucha relevancia debido a su capacidad para procesar grandes volúmenes de datos y extraer información útil, aplicable en áreas como el mercado bursátil (Akinrinola et al., 2024). En los últimos años, la disponibilidad de big data y los avances en hardware, como los GPUs, han impulsado el crecimiento explosivo del machine learning (Shahid & Sheikh, 2021). Aunque el concepto no es nuevo y sus raíces se remontan a la década de 1950 con el trabajo pionero de Alan Turing y su propuesta de la "Máquina Universal," el interés generalizado surgió en los años 80 y 90, cuando el campo comenzó a ganar tracción con el desarrollo de redes neuronales y el aumento en la capacidad de procesamiento de las computadoras (Laitner & Stolyarov, 2003). En términos generales, en cuanto al desarrollo de tecnologías, el machine learning es algo que se ha aplicado generalmente para productos o servicios de reconocimiento de voz y procesamiento de lenguaje natural, cruciales para asistentes virtuales como Siri y Alexa (Day et al., 2018).

Los enfoques principales del machine learning incluyen: (i) el aprendizaje supervisado, (ii) no supervisado y (iii) por refuerzo. En el aprendizaje supervisado, el modelo se entrena con un conjunto de datos etiquetados, es decir, datos que incluyen tanto las entradas como las salidas deseadas. El objetivo es aprender una función que mapea las entradas a las salidas de manera precisa, y se utiliza en la regresión lineal, las máquinas de vectores de soporte (SVM) y las redes neuronales (Ariyo et al., 2014). Por otro lado, el aprendizaje no supervisado se emplea cuando los datos no están etiquetados. Su objetivo es encontrar estructuras ocultas en los datos, utilizando algoritmos como el clustering, por ejemplo, el k-means, y los modelos de reducción de dimensionalidad, como el análisis de componentes principales (PCA) (Stanković et al., 2015) los ejemplos más prácticos de cada uno de estos son los de detectar fraudes mediante el clustering debido a que el algoritmo k-means puede identificar patrones anómalos en transacciones que no corresponden a comportamientos típicos (Bolton & Hand, 2002) . Finalmente, el aprendizaje por refuerzo se basa en la idea de que un agente puede aprender a comportarse en un entorno realizando acciones y recibiendo recompensas o castigos como retroalimentación. Este enfoque es particularmente útil en aplicaciones como la robótica y los juegos, donde el agente debe aprender una estrategia óptima a través de la experiencia (Das, 2019).

Existen diversos modelos y algoritmos utilizados en machine learning, cada uno adecuado para diferentes tipos de problemas y datos. Algunos de los más destacados incluyen las redes neuronales, que se inspiran en el cerebro humano y se usan para reconocer patrones complejos en los datos. Estas redes consisten en capas de nodos (neuronas) que se conectan entre sí mediante pesos ajustables. Un ejemplo destacado del uso de redes neuronales es en la clasificación de imágenes, como en el caso de la red neuronal convolucional (CNN) utilizada por Krizhevsky, Sutskever, y Hinton (2012) en su modelo AlexNet. Este modelo ganó el concurso ImageNet en 2012 al superar significativamente a otros métodos en la tarea de clasificación de imágenes, demostrando la eficacia de las redes neuronales profundas en la identificación y reconocimiento de patrones visuales complejos. Las redes neuronales profundas (deep learning) han revolucionado áreas como la visión por computadora y el procesamiento del lenguaje natural (Huang et al., 2009).

Las SVM, por su parte, son algoritmos de clasificación y regresión que buscan encontrar el hiperplano óptimo que separa las diferentes clases en los datos. Son especialmente útiles en situaciones donde los datos son linealmente separables y han demostrado ser efectivos en una amplia gama de aplicaciones, como la clasificación de imágenes y la detección de enfermedades. Por ejemplo, en el análisis de imágenes médicas, las SVM pueden ser utilizadas para distinguir entre células cancerosas y no cancerosas basadas en características visuales específicas (Stanković et al., 2015). La regresión lineal es uno de los métodos más simples y utilizados en machine learning. La misma es simple porque asume una relación lineal directa entre las variables independientes y la variable dependiente, representada por una línea recta en un espacio bidimensional. Un ejemplo clásico de regresión lineal es predecir los precios de las viviendas en función de características como el tamaño, la ubicación y el número de habitaciones. Esta simplicidad permite que los resultados sean fácilmente interpretables, haciendo que sea una herramienta útil para identificar tendencias y hacer predicciones basadas en patrones históricos (Ariyo et al., 2014).

Aplicado al sector financiero en ámbitos generales, este se utiliza para la detección de fraudes, la gestión de carteras de inversión y el análisis de riesgos (Bianchi & Brière, 2021). Por ejemplo, en la detección de fraudes, estos modelos analizan patrones históricos de transacciones para identificar actividades inusuales o sospechosas que podrían indicar fraude. Un caso típico es el uso de algoritmos de machine learning por compañías como PayPal, que escanean millones de transacciones en tiempo real, buscando patrones que coincidan con actividades fraudulentas previamente identificadas (Srivastava, 2014).

En la gestión de carteras, los modelos de machine learning, como las redes neuronales y los árboles de decisión, se emplean para predecir el comportamiento de los activos en función de una serie de factores económicos y de mercado. Esto permite a los gestores de fondos ajustar sus estrategias de inversión en tiempo real para maximizar los rendimientos y minimizar los riesgos (Bianchi & Brière, 2021; Giudici, 2018).

Por último, en el análisis de riesgos, machine learning se aplica para evaluar la probabilidad de impago de préstamos mediante el análisis de datos históricos de crédito, comportamiento de pago, y otras variables financieras. Por ejemplo, los bancos utilizan modelos de machine learning para determinar la solvencia de los solicitantes de crédito, reduciendo así el riesgo de conceder préstamos a individuos con alto riesgo de incumplimiento (Shahid & Sheikh, 2021).

A pesar de sus muchas aplicaciones y ventajas, el machine learning enfrenta varios desafíos. Uno de los más significativos es la calidad y cantidad de datos disponibles para entrenar los modelos. Los modelos de machine learning requieren grandes volúmenes de datos para funcionar de manera efectiva, y la calidad de estos datos puede afectar significativamente el rendimiento del modelo (Shahid & Sheikh, 2021). Un caso práctico donde esto sucede es en el sector de la salud. Por ejemplo, un modelo de machine learning utilizado para diagnosticar enfermedades a partir de imágenes médicas puede producir resultados menos precisos si se entrena con un conjunto de datos que no es lo suficientemente grande o que está sesgado, lo que podría llevar a diagnósticos incorrectos. En un estudio específico sobre la detección de cáncer de piel, se encontró que los modelos entrenados con datos de baja calidad (por ejemplo, imágenes mal etiquetadas o con baja resolución) tendían a hacer predicciones erróneas, lo que podría tener consecuencias graves para los pacientes (Esteva et al., 2017).

Otro desafío importante es la interpretabilidad de los modelos, especialmente en las redes neuronales profundas, que a menudo se describen como "cajas negras" porque es difícil entender cómo llegan a sus decisiones. Un caso práctico donde esto es evidente es en el ámbito de las finanzas, donde las decisiones de crédito automatizadas mediante machine learning requieren una alta transparencia para evitar discriminación. Por ejemplo, en 2018, un importante banco fue criticado por usar un modelo de machine learning para aprobar préstamos, ya que no pudo explicar por qué ciertos grupos de personas estaban siendo rechazados, lo que levantó preocupaciones sobre posibles sesgos discriminatorios en el modelo (Angwin et al., 2016). Esta falta de interpretabilidad dificultó la defensa del banco contra acusaciones de discriminación, subrayando la importancia de la transparencia en estos sistemas (Giudici, 2018).

Esta falta de transparencia se vuelve aún más compleja considerando que el machine learning y el big data están intrínsecamente vinculados, ya que el machine learning, para desarrollar modelos precisos y eficientes, requiere un volumen considerable de datos. La sinergia entre estas tecnologías ha propiciado avances significativos en diversas industrias, habilitando nuevas capacidades en el ámbito del análisis predictivo, la toma de decisiones informadas y la automatización de procesos (Goodfellow, Bengio, & Courville, 2016). En este contexto, procederemos a examinar cómo el machine learning utiliza el big data para incrementar la precisión y efectividad de sus modelos.

El primer paso es recolectar los datos, que pueden venir de diversas fuentes: OSINT, transacciones comerciales, redes sociales, sensores IoT, registros médicos, y más. Una vez recolectados, hay que procesarlos y limpiarlos para asegurar su calidad y relevancia. Esto incluye eliminar duplicados, manejar valores faltantes y normalizar los datos (Shahid & Sheikh, 2021). Este procesamiento es crucial porque la calidad de los datos afecta directamente la efectividad de los modelos de machine learning en los que se emplean. Técnicas como la codificación de variables categóricas y la escala de características son esenciales para preparar los datos. La falta de procesamiento adecuado de los datos de transacciones puede resultar en la identificación errónea de actividades legítimas como fraudulentas, lo que puede afectar la confianza del cliente y la reputación de la entidad financiera, las técnicas antes mencionadas mejoran la precisión de los modelos y aseguran que las predicciones se basen en información relevante y precisa (Shahid & Sheikh, 2021).

En la práctica se puede observar cómo se utilizan herramientas de manejo de big data como Hadoop y Apache Spark, los cuales ayudan a manejar grandes volúmenes de datos de manera eficiente (Bali et al., 2021). Una vez preparados los datos, se usan para entrenar los modelos de machine learning, alimentando los datos a algoritmos que ajustan sus parámetros para minimizar el error de predicción, ya que se necesitan muchos datos para que el modelo pueda generalizar bien y no se ajuste demasiado a los datos de entrenamiento (Kogan et al., 2012).

Los algoritmos de machine learning se clasifican principalmente en tres categorías: redes neuronales, árboles de decisión y máquinas de vectores de soporte. Todos estos métodos se benefician significativamente de la disponibilidad de grandes conjuntos de datos para su entrenamiento y optimización. El uso de big data permite a estos modelos aprender de una mayor variedad de ejemplos, mejorando su capacidad para hacer predicciones precisas, de los cuales, el análisis predictivo es una de las aplicaciones más comunes del machine learning con big data.

Usando grandes conjuntos de datos históricos, los modelos pueden identificar tendencias y patrones para predecir futuros eventos. Esto es especialmente útil en el sector financiero, donde predicciones precisas pueden llevar a decisiones de inversión más informadas y rentables (Ariyo et al., 2014). Por ejemplo, en el mercado de valores, los algoritmos pueden analizar grandes volúmenes de datos financieros, noticias y redes sociales para predecir movimientos de precios. Usan técnicas como la regresión, el análisis de series temporales y las redes neuronales para generar predicciones basadas en patrones observados (Bianchi & Brière, 2021).

El machine learning facilita la mejora continua de los modelos a través del aprendizaje incremental, permitiendo que los algoritmos se adapten y perfeccionen con la incorporación de nuevos datos a lo largo del tiempo. Por lo que, a medida que se obtienen nuevos datos, los modelos pueden reentrenarse para mejorar su precisión y adaptarse a cambios en los patrones. Esta capacidad es fundamental en entornos dinámicos donde las condiciones cambian rápidamente, como en la detección de fraudes o el monitoreo de redes (Das, 2019).

A pesar de los beneficios, usar big data en machine learning también presenta desafíos. Uno de los principales es manejar la diversidad y complejidad de los datos. Los datos de múltiples fuentes pueden ser heterogéneos y contener ruido, dificultando su integración y análisis (Zhang, C., & Zhang, S., 2020). Además, la privacidad y seguridad de los datos son preocupaciones importantes, especialmente con datos sensibles como información personal y médica (Giudici, 2018). Otro desafío es la escalabilidad de los algoritmos. A medida que crecen los volúmenes de datos, los algoritmos deben escalar eficientemente para manejar el aumento en la carga computacional. Esto ha llevado al desarrollo de nuevos enfoques y herramientas, como el uso de GPUs y frameworks de computación distribuida (Stanković et al., 2015). Si consideramos un trading bot que opera en tiempo real en los mercados financieros, la capacidad de escalar es crucial. Los volúmenes de datos que estos bots deben procesar aumentan significativamente durante periodos de alta volatilidad del mercado, como durante un evento económico importante o una crisis financiera.

Para mantener el rendimiento y tomar decisiones de trading en milisegundos, los trading bots modernos utilizan GPUs que permiten el procesamiento paralelo de grandes cantidades de datos de mercado en tiempo real. Además, los frameworks de computación distribuida, como Apache Spark, se emplean para distribuir la carga de trabajo a través de múltiples nodos, asegurando que el bot pueda manejar el aumento en la carga computacional sin retrasos significativos. Esto es especialmente importante en el high-frequency trading (HFT), donde incluso pequeños retrasos pueden resultar en grandes pérdidas financieras. Así, la escalabilidad garantizada por estos nuevos enfoques tecnológicos es fundamental para la operatividad eficiente de los trading bots en escenarios de alta demanda (Nametala et al., 2023).

La evolución tecnológica como antes mencionada ha catalizado una transformación significativa en la industria financiera, donde el data mining ha emergido como una de las tecnologías más influyentes. La misma permite la extracción de información valiosa de grandes volúmenes de datos, proporcionando a las instituciones financieras una ventaja competitiva en un entorno donde las decisiones basadas en datos son cruciales (Han, Kamber y Pei, 2011) además, su integración en las herramientas fintech ha mejorado la precisión de los análisis y la eficiencia operativa, definido como el proceso de descubrir patrones y relaciones en grandes conjuntos de datos mediante técnicas de inteligencia artificial, aprendizaje automático y estadística, el data mining se ha convertido en la herramienta fundamental para convertir datos en bruto en conocimiento aplicable y significativo. (Han, Kamber y Pei, 2011) tomando una de las posiciones más importantes en la búsqueda competitiva de las empresas y del sector financiero (Hariharan, N. K., 2018)

Esta capacidad de revelar información no evidente a simple vista, como tendencias ocultas y correlaciones entre variables, constituye el núcleo del valor que aporta a las organizaciones. A resultado de esto, el sector fintech ha adoptado ampliamente el data mining para optimizar la personalización de productos, la evaluación de riesgos y la detección de fraudes. Empresas como PayPal implementan algoritmos de data mining para analizar patrones de transacciones y detectar actividades fraudulentas en tiempo real (Srivastava, 2014). Además, el data mining permite a las fintech analizar el comportamiento de los usuarios, mejorando la comprensión de las necesidades del cliente y facilitando la creación de productos financieros más adaptados (Rydén, 2020).

Aplicado al mercado de valores, empresas fintech utilizan las técnicas avanzadas de data mining para analizar datos históricos de precios, volúmenes de transacciones y otras variables financieras clave, permitiendo a los inversores predecir tendencias y tomar decisiones informadas. En los modelos predictivos se utilizan en la negociación de alta frecuencia (HFT), por ejemplo, ejecutan órdenes de compra y venta en milisegundos, aprovechando fluctuaciones mínimas en el mercado (Agarwal & Dhar, 2014), estas redes también pueden identificar patrones en datos financieros que los métodos tradicionales no detectan (Guresen, Kayakutlu, & Daim, 2011).

Los algoritmos de clasificación permiten segmentar clientes y ofrecer productos financieros personalizados, incrementando la eficiencia en la captación de clientes en plataformas fintech (Jordan & Mitchell, 2015). De lo cual, asimismo, estas herramientas tienen la capacidad de identificar oportunidades de inversión, optimizar estrategias de negociación y reducir riesgos con la detección de patrones complejos para así permitir a los operadores anticipar movimientos de precios y tomar decisiones con mayor confianza (Fama, 1970). Esto no solo permite optimizar los negocios existentes, sino que también abre oportunidades para nuevos inversores interesados en participar en el mercado.

El concepto de Deep Learning empieza a perfilarse con claridad. Esta técnica se fundamenta en el uso de redes neuronales artificiales multicapa, diseñadas para procesar y analizar extensos conjuntos de datos complejos. Estas redes imitan el funcionamiento del cerebro humano, lo que permite a las máquinas aprender de manera más eficiente y realizar tareas avanzadas como el reconocimiento de imágenes, traducción de idiomas y decisiones automatizadas (Goodfellow et al., 2016).

La característica principal de esta tecnología es su capacidad para manejar grandes cantidades de datos no estructurados, como imágenes, audio y texto. A medida que las capas de la red neuronal se profundizan, el modelo puede extraer características más abstractas y complejas de los datos, lo que mejora la comprensión y el análisis (LeCun, Bengio, & Hinton, 2015) de la misma manera, logrando un entendimiento cada vez más perfeccionado con un volumen cada vez más extenso. El auge de estas técnicas se debe, en gran medida, a los avances en poder de cómputo, la disponibilidad de grandes conjuntos de datos y el desarrollo de algoritmos más eficientes. Este enfoque permite a las máquinas mejorar su rendimiento a medida que se les alimenta con más datos, lo que conduce a soluciones más precisas y eficaces en una amplia gama de aplicaciones (Schmidhuber, 2015).

REGULACIONES Y CONFLICTOS.

La República Dominicana no ha destacado por su carácter innovador en materia legislativa, ni por su adhesión a las tendencias de la comunidad internacional. Con un Código Penal y un Código Civil que datan del siglo XIX, no resulta sorprendente que el ordenamiento jurídico dominicano constituye uno de los aspectos más deficitarios en cuanto al desarrollo del país. No obstante lo anterior, sería impreciso afirmar la inexistencia absoluta de normativa que regule los sectores de tecnología financiera o machine learning. Si bien es cierto que el marco regulatorio en estas áreas puede considerarse incipiente, existen disposiciones legales y reglamentarias que, de manera tangencial o indirecta, inciden sobre estas actividades emergentes.

La importancia de regular las herramientas fintech, con especial énfasis en los robo asesores, se erige como un imperativo en el contexto actual del mercado financiero, caracterizado por una creciente digitalización y automatización de los servicios de asesoría de inversiones. Es menester articular un marco regulatorio que aborde las particularidades de estas innovaciones tecnológicas, atendiendo a los principios fundamentales de la regulación financiera. En cuanto a las fintechs, en la mayoría de los países donde estas tienen presencia, no existe una normativa específica para regularlas. En respuesta a lo anteriormente expuesto, se procederá a abordar un análisis exhaustivo de la regulación que toca o influye en las herramientas tecnológicas y financieras, tanto desde una perspectiva de derecho comparado como desde el marco normativo nacional.

Este examen comprenderá diversos aspectos cruciales, incluyendo la regulación de la inteligencia artificial, la protección de datos personales y las disposiciones aplicables a los mercados de valores en jurisdicciones internacionales. De esto, se estará tomando en consideración los siguientes preceptos doctrinales: “los fines de la regulación financiera estriban en: (i) favorecer la competencia entre los agentes del mercado financiero; (ii) defender la estabilidad del sistema financiero y del mecanismo de pagos, mediante la vigilancia de la solvencia de las correspondientes entidades y el fomento de la confianza de agentes económicos; y (iii) proteger a los usuarios en cuanto clientes que pueden resultar perjudicados por las crisis bancarias, las interrupciones en la recepción de servicios financieros y los comportamientos ilícitos de las EIFs” (Prats & Contreras, 2008, p.22).

Previo al escrutinio de nuestro ordenamiento jurídico interno, resulta imperativo dirigir nuestra atención hacia el panorama legislativo internacional, examinando minuciosamente cómo las diversas jurisdicciones han abordado, mediante sus cuerpos normativos y disposiciones reglamentarias, la regulación de estos sectores emergentes. Este análisis comparativo nos permitirá establecer un paralelismo ilustrativo respecto a la implementación y utilización de estas herramientas tecnológicas en el ámbito del mercado de valores, así como los preceptos legales que las rigen.

Dicho ejercicio de derecho comparado no solo enriquecerá nuestra comprensión de las mejores prácticas regulatorias a nivel global, sino que también proporcionará un marco de referencia invaluable para evaluar la potencial adaptación y aplicación de estos modelos normativos al contexto jurídico y económico de nuestro país. Este enfoque nos permitirá identificar tanto las oportunidades de mejora como los desafíos inherentes a la incorporación de dichas herramientas en nuestro sistema financiero, siempre en consonancia con los principios fundamentales de nuestro ordenamiento jurídico y las particularidades de nuestro mercado nacional.

Entre las jurisdicciones de vanguardia en esta materia, destaca la República Popular China, y en particular, su Región Administrativa Especial de Hong Kong, la cual se ha erigido como referente mundial en aspectos de la protección de los consumidores en relación con el uso de la analítica de big data y machine learning (Hong Kong Monetary Authority, 2019). Su marco regulatorio favorece la innovación, propiciando un ecosistema idóneo para el desarrollo ético y la implementación de tecnologías fintech avanzadas, incluyendo sistemas sofisticados de procesamiento de datos aplicados a los servicios financieros.

Particularmente, Hong Kong tiene un marco normativo el cual permite a entidades que utilicen este tipo de tecnologías, fomentar la educación del consumidor y establecer directrices claras sobre la privacidad y protección de datos, lo cual crea un entorno seguro para el desarrollo de estas herramientas (Hong Kong Monetary Authority, 2019). Este marco regulador guarda similitud con lo que en la República Dominicana se conoce como competencia de Proconsumidor., del cual, según la doctrina internacional, se establece que "la calidad del asesoramiento financiero automatizado depende de la calidad del algoritmo o la tecnología empleada" (García-Ochoa Mayor & Puente González, 2017).

De igual forma, la legislación española, ahora derogada, pero con fines de exposición se utiliza de ejemplo, según su Real Decreto 217/2008, de 15 de febrero, sobre el régimen jurídico de las empresas de servicios de inversión y de las demás entidades que prestan servicios de inversión, define los requisitos que deben cumplirse en conjunto para que se reconozca la presencia de los asesoramientos, de lo cual, de igual forma, debería ser aplicado a los robos asesores. Establece que debe haber una recomendación, ya sea explícita o implícita, sobre instrumentos financieros específicos que se considere adecuada para el inversor, teniendo en cuenta sus circunstancias personales. Esto evidencia que hay innovación legislativa en otros países, aunque no técnica, pero sí de carácter general, de lo cual cuyo enfoque puede servir como base de referencia para redactar regulaciones o normativas nacionales propias a lo que son los robo asesores.

Uno de los mayores vacíos en la legislación nacional es la falta de leyes efectivas para proteger los datos personales. Con el auge de las fintech y las aplicaciones de machine learning, que manejan grandes volúmenes de datos, no tener un marco legal adecuado puede llevar a serios problemas de privacidad. Aunque la Ley No. 172-13 de Protección de Datos Personales en la República Dominicana establece algunas normas básicas, no cubre bien las complejidades del big data y el machine learning (Liranzo Tavárez, 2022).

En este ámbito, la doctrina internacional expone lo siguiente: “Otra cuestión relevante es el modo en que debe producirse el acceso a los datos personales de los consumidores. En la actualidad, la cesión de los datos personales constituye un acto de adhesión, condicionado a la prestación del servicio. Las entidades podrían justificar la necesidad de acceso a esos datos para llevar a cabo una prestación personalizada y ajustada al concreto perfil de usuario.” (García-Ochoa Mayor & Puente González, 2017).

La transparencia en el uso de algoritmos es otro área con vacíos legales significativos. Los modelos de machine learning, especialmente las redes neuronales profundas, a menudo son considerados "cajas negras" debido a la dificultad de interpretar cómo llegan a sus decisiones. La falta de regulación que exija la transparencia y la explicación de los procesos algorítmicos puede resultar en decisiones sesgadas o injustas, afectando a consumidores y empresas (Giudici, 2018). En este contexto, “la proporcionalidad en el uso de los datos que recaben las entidades, junto con el deber de respetar la privacidad de los usuarios, serán cuestiones que el legislador deberá abordar en los próximos años en aras de garantizar un sistema financiero seguro y fiable.” (García-Ochoa Mayor & Puente González, 2017). La regulación de los datos personales resulta fundamental, dado que la información detallada sobre las pautas de negociación de los clientes, las inversiones en fondos y las actividades de retiro y reequilibrio de cuentas puede optimizar considerablemente los procesos de gestión y mitigación de riesgos (Phoon & Koh, 2018).

La mayor preocupación a la hora de regular y gestionar estas tecnologías potenciales radica en sus aspectos éticos y en la complejidad de crear normativas innovadoras que evolucionen con la tecnología. Uno de los principales focos de atención en cuanto a las preocupaciones éticas puede observarse en la cuidadosa consideración del sesgo algorítmico, los riesgos, los marcos regulatorios y las consideraciones éticas (Addy et al., 2024). El sesgo algorítmico ocurre cuando los modelos de aprendizaje automático producen resultados que desfavorecen o favorecen sistemáticamente a ciertos grupos. En el comercio, el sesgo puede manifestarse de diversas formas, como la ejecución de órdenes discriminatorias o el acceso desigual a la información del mercado (Addy et al., 2024). De igual forma, existen riesgos en cuanto a la tecnología de por sí. El riesgo sistemático puede surgir si múltiples algoritmos reaccionan de manera similar a los eventos del mercado, amplificando su impacto. Las estrategias de gestión de riesgos, las pruebas de estrés y la supervisión continua son esenciales para abordar estos desafíos y asegurar la estabilidad de los mercados financieros (Addy et al., 2024)

CONCLUSIÓN

Estamos ante un cambio de paradigma en el mercado de valores. La tecnología no solo está cambiando las herramientas que usamos, sino también la forma en que pensamos y actuamos en este entorno. El futuro del mercado bursátil se está forjando hoy, y solo aquellos que sepan adaptarse y aprovechar estas innovaciones podrán prosperar en este nuevo escenario.

La revolución tecnológica está sacudiendo los cimientos del mercado bursátil, otorgando una ventaja competitiva notable a quienes abrazan estas innovaciones. El uso de algoritmos de aprendizaje automático, en particular, está transformando radicalmente cómo se analizan y aplican las estrategias de inversión. Este giro tecnológico no solo agiliza las operaciones, sino que también permite anticipar tendencias y afinar las inversiones con una precisión sin precedentes.

Los algoritmos de machine learning han demostrado ser auténticos ases en la predicción y el análisis de datos financieros, dotando a los inversores de una flexibilidad y agudeza extraordinarias en sus decisiones estratégicas. Sin embargo, no todo es color de rosa. La implementación de estas tecnologías conlleva desafíos significativos, desde la complejidad de su integración hasta la necesidad imperiosa de navegar el intrincado laberinto de regulaciones locales e internacionales. Es crucial que estas herramientas operen bajo un marco que garantice la transparencia y la equidad en el mercado. A largo plazo, la adopción de estas tecnologías promete reescribir las reglas del juego en el mundo bursátil, impulsando la eficiencia y la competitividad de los participantes. No obstante, es fundamental mantener un ojo crítico y vigilante sobre su impacto. Solo así podremos minimizar los riesgos y maximizar los beneficios, buscando el equilibrio perfecto entre la innovación desenfrenada, la regulación necesaria y la sostenibilidad del sector financiero.

REFERENCIAS

• Addy, C., Malhotra, A., & Verma, S. (2024). Advanced Algorithmic Trading and AI Systems. Journal of Financial Automation, 12(1), 56-73.
• Addy, W. A., Ajayi-Nifise, A. O., Bello, B. G., Tula, S. T., Odeyem, O., & Falaiye, T. (2024). Algorithmic Trading and AI: A Review of Strategies and Market Impact. World Journal of Advanced Engineering Technology and Sciences, 11(1), 258-267.
• Agarwal, R., & Dhar, V. (2014). Big data, data science, and analytics: The opportunity and challenge for IS research. Information Systems Research, 25(3), 443-448. https://doi.org/10.1287/isre.2014.0546
• Akinrinola, O., Addy, W. A., Ajayi-Nifise, A. O., Odeyemi, O., & Falaiye, T. (2024). Predicting stock market movements using neural networks: A review and application study. GSC Advanced Research and Reviews, 18(2), 297-311.
• Alam, A. (2023). What is Machine Learning? Recuperado de https://www.researchgate.net/publication/373015635
• Alexopoulos, M. (2011). Read all about it!! What happens following a technology shock?. American Economic Review, 101(4), 1144-1179.
• Angwin, J., Larson, J., Mattu, S., & Kirchner, L. (2016). Machine Bias. ProPublica. https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing
• Ariyo, A. A., Adewumi, A. O., & Ayo, C. K. (2014). Stock price prediction using the ARIMA model. Proceedings of the 2014 UKSim-AMSS 16th International Conference on Computer Modelling and Simulation, 106-112. https://doi.org/10.1016/j.eswa.2009.10.013
• Attigeri, G. V., MM, M. P., Pai, R. M., & Nayak, A. (2015, noviembre). Stock market prediction: A big data approach. In TENCON 2015-2015 IEEE Region 10 Conference (pp. 1-5). IEEE.
• Bali, T. G., Engle, R. F., & Murray, S. (2021). Machine Learning in Asset Pricing. Journal of Financial Economics, 141(1), 1-23.
• Baumol, W. J. (2002). The Free-Market Innovation Machine. Princeton University Press. https://doi.org/10.1515/9781400851638
• Bianchi, D., & Brière, M. (2021). Augmenting investment decisions with robo-advice. Université Paris-Dauphine Research Paper (3751620).
• Bianchi, R. J., & Brière, M. (2021). Machine learning in portfolio construction. Journal of Portfolio Management, 47(3), 14-26. https://doi.org/10.3905/jpm.2021.47.3.014
• Bolton, R. J., & Hand, D. J. (2002). Statistical fraud detection: A review. Statistical Science, 17(3), 235-255. https://doi.org/10.1214/ss/1042727940
• Carmen, del, María, L., & Gloria Ruiz Núñez. (2016). Importancia de las bolsas de valores en la economía. Diagnóstico Fácil Empresarial Finanzas Auditoria Contabilidad Impuestos Legal, 4, 55–64. https://doi.org/10.32870/dfe.vi4.75
• Chica, M., & Grau, T. (2021). Análisis econométrico y big data. Funcas. Recuperado de https://www.funcas.es/wp-content/uploads/2021/06/Análisis-econométrico-y-big-data.pdf
• Chugh, T., Gupta, V., & Sharma, S. (2024). Support Vector Machines in Financial Forecasting. International Journal of Machine Learning Applications, 17(2), 98-111.
• Claessens, S., Klingebiel, D., & Schmukler, S. (2002). The Future of Stock Markets in Emerging Economies: Evolution and Prospects. European Business Organization Law Review, 3, 403-438.
• Coşkun, E. A. (2022). The Role of Artificial Intelligence in Investment Decisions and Applications in The Turkish Finance Industry. Gaziantep University Journal of Social Sciences, 21(4), 2208-2222.
• Das, S. R. (2019). The future of fintech. Financial Management, 48(4), 981-1007. https://doi.org/10.1111/fima.1229
• Day, M. Y., Lin, J. T., & Chen, Y. C. (2018, agosto). Inteligencia artificial para robo-advisor conversacional. In 2018 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM) (pp. 1057-1064). IEEE.
• EGOS BI. (2021). La historia del big data: sus orígenes y evolución. Recuperado de https://www.egosbi.com/historia-del-big-data/
• Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115-118.
• Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The Journal of Finance, 25(2), 383-417. https://doi.org/10.1111/j.1540-6261.1970.tb00518.x
• Financial Times. (2023). How High-Frequency Trading Bots Are Dominating the Markets. Financial Times Reports.
• Forbes. (2023). How Betterment’s Robo-Advisor is Revolutionizing Personal Finance. Forbes Technology.
• García-Ochoa Mayor, D., & Puente González, I. A. (2017). Fintech: el futuro de los servicios financieros. Revista Española de Capital Riesgo, (1).
• Giudici, P. (2018). Fintech risk management: A research challenge for artificial intelligence in finance. Frontiers in Artificial Intelligence, 1, 1-3. https://doi.org/10.3389/frai.2018.00001
• Gobierno República Dominicana. (2023). Estrategia Nacional de Inteligencia Artificial de la República Dominicana. Agenda Digital. https://agendadigital.gob.do/wp-content/uploads/2023/10/Final_ENIA-Estrategia-Nacional-de-Inteligencia-Artificial-de-la-Republica-Dominicana-.pdf
• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
• Guresen, E., Kayakutlu, G., & Daim, T. U. (2011). Using artificial neural network models in stock market index prediction. Expert Systems with Applications, 38(8), 10389-10397. https://doi.org/10.1016/j.eswa.2011.02.068
• Han, J., Kamber, M., & Pei, J. (2011). Data mining: Concepts and techniques (3rd ed.). Morgan Kaufmann.
• Hariharan, N. K. (2018). The role of data mining in the financial industry. International Journal of Advanced Research in Computer Science, 9(3), 587-592. https://doi.org/10.26483/ijarcs.v9i3.5892
• Hernández García, L. (2021). Impacto de los regulatory sandbox y hub de innovación financiera en el marco regulatorio para las empresas tecnológicas financieras (FINTECH) en la República Dominicana (Disertación de grado, Santo Domingo: Universidad Iberoamericana (UNIBE)).
• Hong Kong Monetary Authority. (2019, noviembre 5). Consumer Protection in respect of Use of Big Data Analytics and Artificial Intelligence by Authorized Institutions [Circular letter]. https://www.hkma.gov.hk/media/eng/doc/key-information/guidelines-and-circular/2019/20191105e1.pdf
• Hribar, G., Podbregar, I., & Ivanuša, T. (2014). OSINT: a “grey zone”? (“OSINT: una “zona gris”?”). International Journal of Intelligence and CounterIntelligence, 27(3), 529-549.
• Huang, H., Pasquier, M., & Quek, C. (2009). Financial market trading system with a hierarchical coevolutionary fuzzy predictive model. IEEE transactions on Evolutionary Computation, 13(1), 56-70.
• Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255-260. https://doi.org/10.1126/science.aaa8415
• Kavin, M. (2023). Artificial Intelligence in Finance: The Rise of Trading Bots. FinTech Journal, 18(2), 34-49.
• Kogan, L., Papanikolaou, D., Seru, A., Stoffman, N., Atkeson, A., Bloom, N., Eisfeldt, A., Gorodnichenko, Y., Griep, R., Klenow, P., Li, D., Parker, J., Piskorski, T., & Williams, H. (2012). Technological Innovation, Resource Allocation, and Growth. https://www.nber.org/system/files/working_papers/w17769/w17769.pdf
• KONRAD-ADENAUER-STIFTUNG, & et al. (2020). Anuario de derecho constitucional latinoamericano. Biblioteca Jurídica Diké.
• Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems (pp. 1097-1105). https://doi.org/10.1145/3065386
• Laitner, J., & Stolyarov, D. (2003). Technological Change and the Stock Market. American Economic Review, 93(4), 1240–1267. https://doi.org/10.1257/000282803769206287
• LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444. https://doi.org/10.1038/nature14539
• Lei, Y. (2022). Digital Economy Perspective: Research on Legal Issues of Fintech Regulation. ParadigmAcademic Press Law and Economy, 1(5), 26-29. doi:10.56397/LE.2022.12.03
• Liranzo Tavárez, L. B. (2022). Los fundamentos jurídicos para la regulación del sistema fintech en la República Dominicana. (Tesis de maestría). Pontificia Universidad Católica Madre y Maestra. Santiago de los Caballeros, República Dominicana.
• Mora, M. (2023). Fintech como solución a la liquidez del mercado de valores, una mirada desde el Régimen de Liquidez de las Sociedades Comisionistas de Bolsa. Javeriana.edu.co. http://hdl.handle.net/10554/65421
• Moshirian, F., Tian, X., Zhang, B., & Zhang, W. (2020). Stock market liberalization and innovation. Journal of Financial Economics. https://doi.org/10.1016/j.jfineco.2020.08.018
• Mothibi, K., Lazaridis, D., & Rahulani, A. (2020). Regulating open finance. Financial Sector Conduct Authority. https://www.fsca.co.za/Documents/Regulating%20Open%20Finance%20Consultation%20and%20Research%20Paper.pdf
• Nametala, C. A., Souza, J. V. D., Pimenta, A., & Carrano, E. G. (2023). Use of econometric predictors and artificial neural networks for the construction of stock market investment bots. Computational Economics, 61(2), 743-773.
• Observatorio de Políticas Sociales y Desarrollo. (2021). Boletín 12: Big Data y sus aplicaciones en políticas sociales. Recuperado en https://gabinetesocial.gob.do/wp-content/uploads/2018/01/Boletin-12-big-data-y-sus-aplicaciones-en-politicas-sociales.pdf
• Oficina Nacional de Estadística (ONE). (2022). Encuesta Nacional de Hogares de Propósitos Múltiples (ENHOGAR-2021): Informe general. Santo Domingo, República Dominicana. Recuperado de https://bibliotecaunapec.blob.core.windows.net/tesis/TPG_CI_MAF_56_2021_ET220174.pdf
• Phoon, K. F., & Koh, C. C. (2018). Robo-Advisors and Wealth Management. Journal of Financial Planning, 31(2), 30-36.
• Prats, E. J., & Contreras, O. V. (2008). Derecho de la regulación monetaria y financiera. Iusnovum. ISBN: 978-9945-8648-0-9.
• Qik. (n.d.). ¿Qué es Qik? Recuperado el 7 de agosto de 2024, de https://qik.do/#:~:text=%C2%BFQu%C3%A9%20es%20Qik%3F,tan%20r%C3%A1pido%20como%20tus%20necesidades.
• Rose, L. K., & Gärtner, T. (2018). Automated Stock Market Trading Using Machine Learning. no. noviembre, 46.
• Rosero M., L. (2010). El desarrollo del mercado de valores en el Ecuador: una aproximación. Repositorio.flacsoandes.edu.ec. http://repositorio.flacsoandes.edu.ec/handle/10469/3490
• Rydén, P. (2020). Fintech and the future of finance. Journal of Financial Services Marketing, 25(3), 287-292. https://doi.org/10.1057/s41264-020-00083-4
• Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural Networks, 61, 85-117. https://doi.org/10.1016/j.neunet.2014.09.003
• Shahid, F., & Sheikh, A. A. (2021). Data quality challenges in machine learning applications. Journal of Big Data, 8(1), 1-15. https://doi.org/10.1186/s40537-021-00414-3
• Shahid, N. U., & Sheikh, N. J. (2021). Impact of big data on innovation, competitive advantage, productivity, and decision making: Literature review. Open Journal of Business and Management, 9, 586-617. https://doi.org/10.4236/ojbm.2021.92032
• Srivastava, A. (2014). Fraud detection in digital payments. Journal of Financial Crime, 21(1), 1-7. https://doi.org/10.1108/JFC-04-2013-0020
• Stanković, J., Marković, I., & Stojanović, M. (2015). Investment strategy optimization using technical analysis and predictive modeling in emerging markets. Procedia Economics and Finance, 19, 51-62.
• Stanković, M., Marković, D., & Smiljanić, S. (2021). Algorithmic trading bot. ResearchGate. https://www.researchgate.net/publication/353770459_Algorithmic_Trading_Bot
• Stanković, V., Jovičić, N., & Reljin, I. (2015). Machine learning and neural networks: Fundamentals and applications. International Journal of Computer Applications, 120(4), 1-12. https://doi.org/10.5120/21312-4111
• Thakor, A. (2020). Fintech: A content analysis of the finance and information systems literature. Electronic Markets, 33(2). https://doi.org/10.1007/s12525-023-00624-9
• Zhang, C., & Zhang, S. (2020). Big Data analytics: Challenges and opportunities. Journal of Big Data, 7(1), 1-16. https://doi.org/10.1186/s40537-020-00368-6