Por qué las redes neuronales no predicen el mercado de la Bolsa de Moscú y dónde el ML sí ayuda a los traders

En un encuentro sobre aprendizaje automático en el trading celebrado en Moscú se escuchó una tesis sobria: las redes neuronales son casi inútiles como herramienta de predicción directa del precio. Sin embargo, el ML sí ayuda en tareas más acotadas: determinar el régimen de mercado, filtrar operaciones malas y reducir las pérdidas en la ejecución.

La ilusión de predecir el precio

En el mercado sigue viva una fantasía popular: basta con mostrar al modelo el gráfico de Sberbank o de un índice para que devuelva el precio exacto de mañana. En la práctica, esto se desmorona muy rápido. El precio es demasiado ruidoso, el mercado cambia constantemente y cualquier patrón hallado en el histórico suele desaparecer justo cuando la estrategia pasa a operar con dinero real. En el trading de alta frecuencia la situación es aún más dura: cuentan los nanosegundos y un modelo pesado puede hundir el sistema con su latencia.

«El ML no da control sobre el mercado y no es un botón mágico para

hacer dinero».

Por eso los participantes con experiencia ven el aprendizaje automático no como un generador de señales listas, sino como una capa auxiliar sobre una estrategia base. Incluso si un modelo acierta la dirección del movimiento más a menudo que el azar, no basta. Entre una buena predicción y el dinero están la cola en el libro de órdenes, el deslizamiento, y las comisiones del bróker y de la bolsa. Como resultado, un modelo formalmente sólido puede dar pérdidas donde el backtest parecía casi perfecto.

Dónde funciona el ML

La idea más sensata de la charla es sencilla: el aprendizaje automático aporta valor cuando la tarea es acotada y verificable. En lugar de intentar predecir el mercado en sí, el modelo ayuda a descomponerlo: en qué régimen está, qué señales conviene saltarse y dónde los costes se comerán el beneficio potencial. Este enfoque está mucho más cerca de la práctica real del algotrader individual, que no puede permitirse la infraestructura de un fondo de cobertura.

• Detección de la fase del mercado: tendencia, lateral, pico de volatilidad
• Filtrado de señales: qué operaciones de la estrategia base es mejor no tomar
• Optimización de la ejecución: cómo entrar en una posición con menos deslizamiento
• Análisis de la microestructura del libro de órdenes: búsqueda de patrones en el flujo de órdenes

Para el trader particular esto es especialmente importante, porque suele reunir todos los papeles a la vez: busca datos, los limpia, diseña variables, construye el modelo, prueba hipótesis, calcula riesgos y después lo lleva él mismo a producción. En ese contexto, el ML es útil no como escaparate de grandes promesas, sino como herramienta para una mejora concreta y acotada, por ejemplo, desactivar una estrategia de tendencia en un lateral marcado o no tomar una operación con mala ejecución esperada.

Por qué mueren las estrategias

La mayoría de los problemas no empieza en el modelo, sino antes, en la fase de datos y de verificación de hipótesis. Si falta un día en las velas, los futuros están empalmados con errores o las variables contienen por accidente información del futuro, el algoritmo encuentra al instante un patrón inexistente. En el histórico parece el santo grial, pero en el trading real termina muy pronto. De ahí el principio básico: garbage in, garbage out. La calidad de los datos y la honestidad del experimento importan aquí más que elegir entre bibliotecas y arquitecturas de moda.

De la charla sale un filtro útil de cinco preguntas que conviene pasar antes de escribir código: si hay una tarea concreta, si hay datos honestos, si la idea puede comprobarse teniendo en cuenta comisiones y latencia, si la predicción se convierte en una acción real y si todo ello produce un efecto económico. Si alguna de las preguntas no tiene una respuesta segura, se está incorporando el ML demasiado pronto. Si no, se cae en la trampa típica: parece haber predicción, pero tras todos los costes no hay beneficio.

Qué significa

Para el mercado, es una buena señal de sobriedad. Las redes neuronales no sustituyen a un sistema de trading ni eliminan el riesgo, pero ayudan a mejorar procesos de forma puntual allí donde la persona ya choca con el volumen de datos o la velocidad de reacción. Otra conclusión importante es que al mercado le falta intercambio de experiencia: mientras los traders individuales repiten por separado los mismos errores, el ML sigue siendo no un acelerador de beneficios, sino un acelerador de experimentos caros.