Cuando la máquina es mejor que el humano: machine learning y trading financiero

Cuando la máquina es mejor que el humano: machine learning y trading financiero

Las matemáticas y el machine learning aplicado al trading no son infalibles, pero son la mejor alternativa ante sistemas caóticos como los mercados financieros.

Los mercados financieros cada vez son más complejos. Las diferencias entre los números y las expectativas que motivaban las operaciones, influenciadas por las emociones humanas, han dado paso a operaciones matemáticas complejas. Fisher Black y Myron Scholes confirmaron cómo, utilizando procesos estocásticos para modelar variaciones de precios, se podía estimar el valor actual de una opción europea de compra o venta en una fecha futura utilizando una (compleja) fórmula matemática.

No obstante, ningún sistema matemático, por avanzado y complejo que sea, puede predecir el futuro real, aunque sí acercarse a él. La minería de datos está de moda. El uso de sistemas complejos automatizados, matemáticos y econométricos, para desarrollar predicciones en base a históricos es el nuevo dorado. Y no se dispara a ciegas. Los modelos matemáticos actuales para operar en el mercado de valores, más allá del análisis fundamental, tienen en cuenta variables endógenas y exógenas especialmente complejas para minimizar el error del modelo.

Las matemáticas y la automatización han superado a la intuición, a las expectativas y a las emociones. No obstante, las máquinas todavía no comprenden muy bien cómo funcionan los mercados. Hace un par de año leía en Seeking Alpha un artículo bastante ácido bajo el título de Why Data-Mined Market Predictions Are Worse Than Useless, que a su vez se basaba en un artículo de Ryan Detrick.

Hablamos de 2014, un año en el que las buzzwords de moda eran Millennials y Growth Hacking, y todavía el tema de la minería de datos, el big data como estrategia de marketing y el usémoslo-en-todo estaba lejos de llegar. Pero en 2014 ya se hacía big data y minería de datos para operaciones de alto riesgo.

Y el artículo de Seeking Alpha tenía razón. El autor tomaba como referencia la inferencia de una posición alcista sobre el índice S&P utilizando como base una muestra de 18 casos de operaciones de bajo volumen. Cualquiera podría adivinar que, utilizar una muestra tan pequeña, sin referencias de análisis de robustez y sin determinar el número de iteraciones utilizadas, no permitía sacar conclusiones acertadas. Lógicamente, la complejidad de este tipo de estudios estaba lejos de determinar que el uso de minería de datos y matemáticas de trading eran la mejor alternativa.

Por entender mejor el asunto, que fue bastante sonado, Ryan Detrick no tuvo en cuenta que la trayectoria de los mercados de renta variable sobre los que se estaba infiriendo, se ve afectada directamente por la trayectoria de los mercados de deuda y de divisas, y que por tanto, su modelo no era válido.

Las máquinas convierten a los mercados en más líquidos y eficientes

Machine learning para realizar predicciones solo funciona correctamente con grandes minerías de datos Llegados a este punto, cualquiera consideraría que los mercados están lejos de ser simples, y por ello, no se puede utilizar minería de datos basada en una sola variables histórica sin tener en cuenta la influencia de múltiples factores, pues esto no dice absolutamente nada per se de lo buena que es una predicción. Para poder hacer una predicción con algún valor hay que identificar ciertas características que, combinadas de una manera determinada, tengan cierto poder predictivo sobre eventos futuros, da igual si utilizando una IA o el racionamiento humano.

machine learning

El problema de las matemáticas del trading y del uso de machine learning es que, a diferencia de otras disciplinas como la física o ciencias puras, los mercados financieros no se pueden describir en su totalidad por ecuaciones, pues en su parte más simple son el resultado de interacciones especialmente complejas basadas en el intercambio de miles de millones operaciones.

La razón detrás de esto es que, algunos fenómenos de los mercados financieros (o incluso variantes del mismo fenómeno) no pueden ser descritos por algunas de las variables que afectan, por lo que la minería de datos y los sistemas de machine learning no puede predecir a futuro utilizando errores a pasado. Al igual que en muchas ocasiones nosotros -los humanos-, no podemos comprender muchas de las causas que afectan al movimiento de mercados y, por tanto, no pueden ser utilizados en predicciones futuras.

Pero eso no quiere decir que el uso de machine learning, de la minería de datos y de las matemáticas de trading sea negativo para los mercados. En términos generales, el uso de esta tecnología permite hacer mercados mucho más complejos, pero también mucho más eficientes y líquidos, aumentando el número de operaciones y reduciendo, en parte, el componente emocional que en muchas ocasiones es el causante de esos fenómenos no correlacionados con la realidad. Al final, de lo que se trata es de que los análisis cuantitativos, que en la mayoría de las ocasiones son la base para operar, estén lo más depurados posibles.

Las máquinas han resultado más eficientes, pero también más peligrosas Nosotros, como seres humanos, estamos afectados por tantos sesgos cognitivos que en realidad no debería sorprendernos si nuestro juicio nos traiciona, incluso cuando tenemos a nuestra disposición toda la información necesaria para hacer una predicción a futuro. Si a esto le sumamos que los mercados financieros son sistemas caóticos que nacen de la interacción de millones de agentes, nadie puede saber cómo esos agentes actuarán en el futuro.

En esta situación de tira y afloja entre nosotros y la máquina, nadie puede seguir dudando que el batna de la cuestión sea perder el miedo a la máquina y ayudarla a ayudarnos en los mercados.

0 comentarios: