DiffQuant optimiza el ratio de Sharpe directamente mediante un simulador de trading diferenciable

DiffQuant — un prototipo de código abierto que elimina una contradicción fundamental en el trading de ML: los modelos aprenden a minimizar el error cuadrático medio, pero se evalúan por la razón de Sharpe. Los autores cerraron esta brecha haciendo todo el pipeline de trading — desde características hasta PnL y comisiones — un único grafo computacional diferenciable.

Problema de Objetivos Sustitutos

En la mayoría de los sistemas de ML para trading cuantitativo, el esquema se ve así: entrenar una red neuronal para predecir retornos o dirección de precio, minimizando MSE o BCE. Entonces, sobre esas predicciones, construir una estrategia de trading y evaluarla por la razón de Sharpe — la relación entre rendimiento medio y volatilidad. El problema: estos dos objetivos están matemáticamente desconectados.

Mejor MSE no garantiza mejor Sharpe. En la práctica, la red neuronal gasta recursos reduciendo error de predicción en regímenes de mercado donde esto no afecta el resultado final del trading. Una mejora del 15% en precisión de pronóstico puede no generar ninguna ganancia de Sharpe — y este es un problema documentado tanto en papers académicos como entre profesionales de la industria cuantitativa.

Soluciones parciales — funciones de pérdida de ranking, métricas proxy personalizadas, ponderación post-hoc — no resuelven el núcleo del problema: el gradiente durante el entrenamiento no ve la mecánica de trading real.

Cómo Funciona el Simulador Diferenciable

DiffQuant resuelve el problema directamente: todo el pipeline de trading se implementa como un único grafo computacional con operaciones continuas:

• Características de mercado → bloque de red neuronal de predicción de señal
• Señal → posición objetivo considerando restricciones de tamaño y dirección
• Posición → PnL paso a paso con modelo explícito de slippage y comisiones
• PnL acumulado → razón de Sharpe como función de pérdida escalar diferenciable

El desafío técnico clave es hacer que el posicionamiento y costos sean diferenciables, ya que las operaciones de trading reales son discretas. Los autores utilizan aproximaciones suaves: en lugar de transiciones abruptas entre posiciones — funciones continuas suficientemente precisas para el flujo de gradiente.

"Esto no es un sistema de trading listo — es una formulación diferente

del problema," enfatizan los autores.

Como resultado: el gradiente respecto a la razón de Sharpe se propaga hacia atrás a través de todo el pipeline hasta los pesos de la red neuronal. El modelo se entrena directamente en el criterio por el cual será evaluado en producción.

Sharpe +1.73 y +1.15 Después de Comisiones

El prototipo se probó en dos trimestres consecutivos held-out — períodos que el modelo no vio durante el entrenamiento ni el ajuste de hiperparámetros. Sharpe +1.73 en el primer trimestre y +1.15 en el segundo después de considerar comisiones reales. Ambos valores superan uno — el benchmark base aceptado para estrategias algorítmicas. El código, datos y protocolo completo del experimento se han publicado en acceso abierto. Cualquiera con acceso a datos de mercado similares puede reproducir los resultados. Los autores deliberadamente evitaron complejidad — ninguna arquitectura exótica ni características no estándar: solo un cambio en la función de pérdida.

Qué Significa Esto

DiffQuant demuestra que la formulación correcta del problema importa más que la elección de arquitectura. Si una estrategia en producción se evalúa por Sharpe — la optimización durante el entrenamiento debe apuntar precisamente a eso, no a sustitutos. Para fondos cuantitativos e investigadores independientes, esta es una señal práctica: la brecha entre el objetivo de entrenamiento y la métrica real se puede cerrar técnicamente — y esto cambia no solo el resultado, sino también qué aprende realmente el modelo.