Por Qué las Redes Neuronales No Predicen los Mercados del Intercambio de Moscú y Dónde el ML Realmente Ayuda a los Traders

En una reunión sobre aprendizado automático en trading en Moscú, se presentó una tesis sobria: las redes neuronales son casi inútiles como herramienta para el pronóstico directo de precios. Sin embargo, ML realmente ayuda con tareas más estrechas: determinar el modo de mercado, filtrar operaciones malas y reducir pérdidas en la ejecución.

La Ilusión de la Previsión de Precios

El mercado aún alberga una fantasía popular: simplemente muestra a un modelo un gráfico de Sber o un índice, y producirá el precio exacto para mañana. En la práctica, esto se desmorona muy rápidamente. El precio es demasiado ruidoso, el mercado cambia constantemente, y cualquier patrón encontrado en datos históricos a menudo desaparece en el momento en que la estrategia se ejecuta con dinero real. En el trading de alta frecuencia, la situación es aún más rigurosa: los nanosegundos importan, y un modelo pesado puede simplemente matar el sistema con latencia.

"ML no proporciona control sobre el mercado y no es un botón mágico

para 'dinero'."

Por eso los participantes experimentados del mercado ven el aprendizado automático no como un generador de señales listas, sino como una capa de soporte sobre la estrategia base. Incluso si el modelo adivina la dirección del movimiento más a menudo que el azar, eso no es suficiente. Entre un pronóstico hermoso y el dinero están la cola de órdenes, el slippage, las comisiones de corretajes y bolsas. Como resultado, un modelo formalmente fuerte puede mostrar pérdidas donde el backtesting se veía casi perfecto.

Dónde Funciona ML

El pensamiento más sensato de la discusión es simple: el aprendizado automático aporta valor donde la tarea es estrecha y verificable. En lugar de intentar predecir el mercado en sí, el modelo ayuda a desglosarlo en componentes: en qué modo se encuentra, qué señales omitir y dónde los costos devorarán las ganancias potenciales. Este enfoque es mucho más cercano a la práctica real de un trader algorítmico en solitario, que no puede permitirse la infraestructura de fondos de cobertura.

• Determinación de la fase de mercado: tendencia, lateral, pico de volatilidad
• Filtrado de señales: qué operaciones de la estrategia base omitir
• Optimización de ejecución: cómo entrar en una posición con menos slippage
• Análisis de microestructura del libro de órdenes: búsqueda de patrones en el flujo de órdenes

Para un trader minorista, esto es especialmente importante porque a menudo combinan todos los roles a la vez: encontrar datos, limpiarlos, crear características, construir el modelo, probar hipótesis, calcular riesgos y luego desplegar el resultado en producción por su cuenta. En esta configuración, ML es útil no como una vitrina con promesas grandiosas, sino como una herramienta para mejoras específicas y estrechas — por ejemplo, desactivar una estrategia de tendencia en un mercado lateral rígido o evitar una operación con ejecución esperada deficiente.

Por Qué Mueren las Estrategias

La mayoría de los problemas comienzan no en el modelo, sino antes — en la etapa de datos y prueba de hipótesis. Si falta un día en las velas, los futuros se fusionan con errores, o las características contienen accidentalmente información del futuro, el algoritmo instantáneamente encuentra un patrón que no existe. En datos históricos parece el Santo Grial, pero en negociación real termina muy rápidamente. De ahí el principio principal: garbage in, garbage out. La calidad de los datos y la honestidad experimental importan más aquí que elegir entre bibliotecas y arquitecturas de moda.

De la discusión surge un filtro útil de cinco preguntas que debe ejecutarse antes de escribir código: ¿hay una tarea específica, hay datos honestos, se puede probar la idea considerando comisiones y retrasos, la previsión se traduce en acción real, y produce valor económico? Si no hay una respuesta confiada a ni una pregunta, ML se está implementando demasiado pronto. De lo contrario, obtiene la trampa típica: hay una previsión, pero ninguna ganancia después de todos los costos.

Qué Significa Esto

Para el mercado, esta es una buena señal de sobriedad. Las redes neuronales no reemplazan un sistema de trading y no eliminan el riesgo, pero ayudan a hacer mejoras dirigidas a procesos donde los humanos ya están alcanzando los límites del volumen de datos o la velocidad de reacción. Otra conclusión importante — el mercado carece de intercambio de experiencias: mientras los individuos repiten los mismos errores por separado, ML sigue siendo no un acelerador de ganancias, sino un acelerador de experimentos costosos.