COLABORACIÓN de Alberto García, Head of Asset Allocation/Portfolio Manager en ACCI Capital, en la que analiza algunas conclusiones del estudio Beyond Trend Following: Deep Learning for Market Trend Predictions, del que es coautor junto con Fernando Berzal.

En el ámbito de las inversiones, las estrategias tradicionales como el seguimiento de tendencias y la inversión en impulso han sido pilares para muchos gestores. Sin embargo, ambas se basan en el análisis de datos históricos, lo que las limita a reaccionar ante tendencias ya existentes en lugar de anticiparse a cambios futuros. Hoy en día, la inteligencia artificial (IA) y el aprendizaje automático (machine learning) están revolucionando este enfoque, ofreciendo herramientas que no solo identifican patrones pasados, sino que predicen tendencias futuras en los mercados financieros.

Limitaciones de las estrategias tradicionales

El seguimiento de tendencias consiste en comprar activos cuyos precios están subiendo y vender aquellos que están bajando, confiando en la continuidad de esas tendencias. Aunque funciona en ciertos mercados, como los futuros diversificados, puede generar resultados negativos en acciones individuales debido a la alta correlación entre estas. Por otro lado, la inversión en impulso selecciona activos con el mejor desempeño reciente, bajo la premisa de que continuarán superando al promedio. Sin embargo, ambas estrategias comparten un inconveniente: actúan sobre tendencias ya en marcha, limitando su capacidad para adaptarse rápidamente a cambios repentinos en los mercados.

La inteligencia artificial como herramienta predictiva

El uso de IA y aprendizaje automático permite superar estas limitaciones al construir modelos diseñados para anticipar cambios de tendencia. Estos modelos se basan en datos históricos, pero su ventaja radica en cómo procesan una gran cantidad de variables interrelacionadas para identificar señales que pueden predecir movimientos futuros en el mercado. En lugar de simplemente observar patrones de precios, los algoritmos analizan indicadores económicos, datos del mercado de bonos, índices de volatilidad, tasas de cambio y otras métricas relevantes.

Una innovación clave es el desarrollo de indicadores de riesgo, herramientas que resumen la situación actual del mercado en una única métrica numérica. Estos indicadores ofrecen probabilidades estimadas de eventos como caídas significativas en los mercados, permitiendo a los gestores ajustar sus carteras de manera proactiva. Por ejemplo, un indicador con valores negativos puede sugerir un enfoque defensivo, mientras que valores positivos indican un entorno más favorable para asumir riesgos.

La superioridad de los modelos no lineales

Los modelos lineales, aunque ampliamente utilizados, presentan limitaciones significativas en su capacidad para capturar la complejidad de los mercados financieros, que son inherentemente no lineales. Un cambio en una variable, por ejemplo, provoca una respuesta proporcional en los modelos lineales, independientemente del contexto. Esto los hace lentos para reaccionar ante eventos inesperados, como se observó durante la crisis de COVID-19, donde los modelos lineales no lograron anticipar los rápidos cambios en las condiciones del mercado.

En contraste, las redes neuronales profundas y otros modelos no lineales pueden capturar relaciones complejas entre múltiples variables. Estas herramientas permiten diseñar indicadores de riesgo más precisos y sensibles, capaces de reaccionar rápidamente ante fluctuaciones del mercado. Por ejemplo, una red neuronal entrenada para predecir cambios en el índice S&P 500 puede incorporar variables como datos de bonos del Tesoro, tasas de interés y volatilidad del mercado, mejorando la capacidad de anticipación.

Cómo se entrenan los modelos predictivos

El entrenamiento de estos modelos implica el uso de algoritmos de aprendizaje supervisado, en los cuales se proporciona un conjunto de datos etiquetados que contiene tanto las variables de entrada como los resultados esperados. Estos algoritmos aprenden a partir de datos históricos para identificar patrones que puedan aplicarse a datos futuros. Por ejemplo, para predecir caídas del mercado, un modelo puede ser entrenado para identificar períodos de alto riesgo basándose en una combinación de variables económicas y de mercado.

La selección de las variables adecuadas es crucial. Los modelos modernos integran cientos de indicadores, que van desde índices bursátiles globales hasta datos macroeconómicos. Para garantizar que los modelos puedan procesar eficientemente estas entradas, se emplean técnicas de ingeniería de características, como la normalización y la reducción de dimensionalidad mediante análisis de componentes principales (PCA) o autoencoders.

Regularización y robustez de los modelos

Uno de los desafíos clave en el aprendizaje automático es evitar el sobreajuste, es decir, que el modelo aprenda patrones específicos de los datos históricos que no se generalizan bien a nuevos datos. Para mitigar esto, se utilizan técnicas de regularización como la normalización L2, el dropout (que omite aleatoriamente ciertas neuronas durante el entrenamiento) y la incorporación de ruido controlado en los datos de entrada.

Además, los modelos modernos como las redes neuronales recurrentes (RNNs) y las redes basadas en atención (transformers) están diseñados para manejar secuencias temporales, como las series de tiempo financieras. Estas arquitecturas permiten capturar dependencias tanto a corto como a largo plazo, haciendo que los modelos sean más efectivos para predecir cambios bruscos en el mercado.

Aplicaciones prácticas

Los indicadores de riesgo basados en IA se pueden integrar en diversas estrategias de inversión, como:

• Estrategias de alternancia de riesgo: Cambiar entre sectores cíclicos (tecnología) y defensivos (bienes de consumo básicos) según el nivel de riesgo detectado.
• Portafolios diversificados: Ajustar dinámicamente la exposición a acciones y bonos en función de las condiciones del mercado.
• Asignación sistemática: Configurar portafolios predefinidos con diferentes niveles de riesgo y alternarlos según el indicador.

Estas herramientas no buscan reemplazar al gestor de inversiones, sino complementarlo, permitiéndole tomar decisiones mejor fundamentadas y personalizadas según su perspectiva.

Hacia un futuro más predecible

La implementación de la inteligencia artificial en la gestión de inversiones marca un punto de inflexión en cómo los mercados financieros pueden ser analizados y entendidos. Aunque los desafíos técnicos, como la selección de variables y el ajuste de hiperparámetros, siguen siendo significativos, las herramientas automatizadas están facilitando estos procesos.

El futuro de la inversión parece estar estrechamente vinculado al uso de IA. Combinando la capacidad analítica de los modelos con la experiencia humana, los gestores pueden navegar mercados cada vez más complejos y volátiles con una confianza renovada.