Por qué no existe todavía una computadora que permita ganar siempre en la bolsa
Desde la fluctuación constante de los datos hasta la dificultad que presenta la causalidad a la inteligencia artificial, distintos factores hacen muy difícil todavía la creación de un sistema superador
Infobae
La innovación tecnológica transformó la vida cotidiana: Spotify puede elegir canciones para el listado de reproducción de una persona, Amazon puede predecir el próximo producto que comprará un cliente, el ADN puede ser editado y el auto eléctrico cambiará el paisaje urbano. Wall Street, mientras tanto, parece una fortaleza inexpugnable: no se ha podido encontrar un sistema computarizado para ganarle a la bolsa.
"Los esfuerzos por modelar científicamente el mercado, que comenzaron a mediados de la década de 1980, han absorbido los talentos de algunos de los graduados más brillantes de los programas de matemática y ciencias de la computación", presentó Bloomberg Businessweek el problema de la demora de la inteligencia artificial en la transformación del mercado de valores.
Unos pocos fondos de inversión, como Renaissance Technologies, PDT Partners y D.E. Shaw, lograron obtener ganancias mediante transacción sistemática a partir de modelos cuantitativos derivados de análisis matemáticos y estadísticos. Pero en general la mayor parte de las operaciones se hacen con los mismos modelos científicos de décadas atrás, y entre los mismos sectores de élite.
Invertir es una cuestión compleja. Según Ciamac Moallemi, profesor de la Escuela de Negocios de la Universidad de Columbia, en Nueva York, "es uno de los problemas más difíciles en aprendizaje de máquinas aplicado".
La primera dificultad que enfrentan los ingenieros financieros es que los datos cambian incesantemente: son fluctuantes. Un ejemplo opuesto, de dato estacionario, "es la distancia entre el ojo izquierdo y la nariz": como es constante, el reconocimiento facial se vuelve algo realizable.
En cambio, "en los mercados financieros los datos pueden cambiar drásticamente y de manera inesperada: por ejemplo, cuando las tasas de interés se volvieron negativas en buena parte de Europa y Japón en 2013″, ilustró la publicación. Hay situaciones más banales, como cuando el mercado de acciones pasó a expresarse en decimales en lugar de fracciones, en 1998. Pero, sobre todo, los datos se mueven constantemente. Eso implica que hay más ruido que señales.
"Las acciones se mueven todo el tiempo, y no siempre por razones discernibles. La mayor parte de los movimientos del mercado son lo que los economistas llaman 'ruido transaccional'. Para volver a la analogía del reconocimiento de imágenes, tratemos de imaginar a una computadora que trata de identificar a la gente en fotos tomadas en la oscuridad: la mayoría de los datos en esas fotos es ruido, píxeles negros sin utilidad", explicó Bloomberg.
El conjunto de datos disponibles es, además, relativamente pequeño. Si se lo compara con la cantidad de información que Facebook puede analizar por día —350 millones de fotos, por caso—, el historial de 118 periodos anuales de los registros bursátiles, que son confiables desde 1900, son escasos. Además, no se pueden rotar ni editar como las fotos: no se puede aumentar la cantidad de información de manera artificial.
Por otra parte, la ventaja comparativa que se busca es realmente mínima. Cualquier señal obvia —por ejemplo, comprar el primer día de cada mes—, aun si funciona, será pronto descubierta y agotada por otros. "Por eso los investigadores se han concentrado en señales muy débiles, que podrían predecir el precio futuro con una certeza del 51% solamente".
Dijo Whitney: "Buscamos patrones que estén apenas en el borde de la detección". Para que esas ventajas sean eficaces, dado lo pequeñas que son, hace falta una inversión muy grande.
Además de la previsión, el costo de las transacciones representa un problema por el desfase: las acciones se venden a un valor enunciado sólo hasta cierta cantidad; si se desean más, el precio se desliza hacia un pequeño aumento. "La única manera de conocer el precio verdadero, dado el desfase, es hacer una transacción en el mercado", ilustró Bloomberg.
Por ejemplo, si se identifica que determinada compañía está 1% por debajo de su valor, se tiende a comprar una cantidad tal que no cause un aumento por deslizamiento. Pero si un modelo pudiera conocer, con un 80% de predicción, que el margen para comprar sin incrementar es cinco veces mayor al que se considera, tendría allí su ganancia.
Qué información alternativa se puede agregar es otro problema. "Puede ser de ayuda para firmas que tienen menos habilidad para sacar señales de los conjuntos de datos clásicos", dijo Jon McAuliffe, de la Universidad de California en Berkeley y director de inversiones en Voleon Capital Management. Pero las fotos satelitales, por caso, son cada vez más fáciles de obtener, por lo cual se trata de una ventaja comparativa que durará poco.
"Encontrar nuevas señales de mercado es todavía una tarea humana", explicó el artículo. Para construir un sistema de inversión autónomo es necesario que la máquina pueda comprender la causalidad. "Esto es no sólo advertir que, por caso, un aumento en unas acciones determinadas suele ir acompañado de una sacudida en las tasas de interés, sino también poder explicar la razón por la que esto sucede. Los humanos son buenos en este tipo de pensamiento, pero la inteligencia artificial apenas ha comenzado a progresar allí".
Y por último —otro factor humano— la naturaleza adversarial de las transacciones en el mercado financiero es lo opuesto a la norma de publicar y colaborar que tienen los científicos. Eso hace que las grandes mentes de la inteligencia artificial no se sientan atraídas por las finanzas, ya que el estímulo económico no reemplaza el del prestigio.
La innovación tecnológica transformó la vida cotidiana: Spotify puede elegir canciones para el listado de reproducción de una persona, Amazon puede predecir el próximo producto que comprará un cliente, el ADN puede ser editado y el auto eléctrico cambiará el paisaje urbano. Wall Street, mientras tanto, parece una fortaleza inexpugnable: no se ha podido encontrar un sistema computarizado para ganarle a la bolsa.
"Los esfuerzos por modelar científicamente el mercado, que comenzaron a mediados de la década de 1980, han absorbido los talentos de algunos de los graduados más brillantes de los programas de matemática y ciencias de la computación", presentó Bloomberg Businessweek el problema de la demora de la inteligencia artificial en la transformación del mercado de valores.
Unos pocos fondos de inversión, como Renaissance Technologies, PDT Partners y D.E. Shaw, lograron obtener ganancias mediante transacción sistemática a partir de modelos cuantitativos derivados de análisis matemáticos y estadísticos. Pero en general la mayor parte de las operaciones se hacen con los mismos modelos científicos de décadas atrás, y entre los mismos sectores de élite.
Invertir es una cuestión compleja. Según Ciamac Moallemi, profesor de la Escuela de Negocios de la Universidad de Columbia, en Nueva York, "es uno de los problemas más difíciles en aprendizaje de máquinas aplicado".
La primera dificultad que enfrentan los ingenieros financieros es que los datos cambian incesantemente: son fluctuantes. Un ejemplo opuesto, de dato estacionario, "es la distancia entre el ojo izquierdo y la nariz": como es constante, el reconocimiento facial se vuelve algo realizable.
En cambio, "en los mercados financieros los datos pueden cambiar drásticamente y de manera inesperada: por ejemplo, cuando las tasas de interés se volvieron negativas en buena parte de Europa y Japón en 2013″, ilustró la publicación. Hay situaciones más banales, como cuando el mercado de acciones pasó a expresarse en decimales en lugar de fracciones, en 1998. Pero, sobre todo, los datos se mueven constantemente. Eso implica que hay más ruido que señales.
"Las acciones se mueven todo el tiempo, y no siempre por razones discernibles. La mayor parte de los movimientos del mercado son lo que los economistas llaman 'ruido transaccional'. Para volver a la analogía del reconocimiento de imágenes, tratemos de imaginar a una computadora que trata de identificar a la gente en fotos tomadas en la oscuridad: la mayoría de los datos en esas fotos es ruido, píxeles negros sin utilidad", explicó Bloomberg.
El conjunto de datos disponibles es, además, relativamente pequeño. Si se lo compara con la cantidad de información que Facebook puede analizar por día —350 millones de fotos, por caso—, el historial de 118 periodos anuales de los registros bursátiles, que son confiables desde 1900, son escasos. Además, no se pueden rotar ni editar como las fotos: no se puede aumentar la cantidad de información de manera artificial.
Por otra parte, la ventaja comparativa que se busca es realmente mínima. Cualquier señal obvia —por ejemplo, comprar el primer día de cada mes—, aun si funciona, será pronto descubierta y agotada por otros. "Por eso los investigadores se han concentrado en señales muy débiles, que podrían predecir el precio futuro con una certeza del 51% solamente".
Dijo Whitney: "Buscamos patrones que estén apenas en el borde de la detección". Para que esas ventajas sean eficaces, dado lo pequeñas que son, hace falta una inversión muy grande.
Además de la previsión, el costo de las transacciones representa un problema por el desfase: las acciones se venden a un valor enunciado sólo hasta cierta cantidad; si se desean más, el precio se desliza hacia un pequeño aumento. "La única manera de conocer el precio verdadero, dado el desfase, es hacer una transacción en el mercado", ilustró Bloomberg.
Por ejemplo, si se identifica que determinada compañía está 1% por debajo de su valor, se tiende a comprar una cantidad tal que no cause un aumento por deslizamiento. Pero si un modelo pudiera conocer, con un 80% de predicción, que el margen para comprar sin incrementar es cinco veces mayor al que se considera, tendría allí su ganancia.
Qué información alternativa se puede agregar es otro problema. "Puede ser de ayuda para firmas que tienen menos habilidad para sacar señales de los conjuntos de datos clásicos", dijo Jon McAuliffe, de la Universidad de California en Berkeley y director de inversiones en Voleon Capital Management. Pero las fotos satelitales, por caso, son cada vez más fáciles de obtener, por lo cual se trata de una ventaja comparativa que durará poco.
"Encontrar nuevas señales de mercado es todavía una tarea humana", explicó el artículo. Para construir un sistema de inversión autónomo es necesario que la máquina pueda comprender la causalidad. "Esto es no sólo advertir que, por caso, un aumento en unas acciones determinadas suele ir acompañado de una sacudida en las tasas de interés, sino también poder explicar la razón por la que esto sucede. Los humanos son buenos en este tipo de pensamiento, pero la inteligencia artificial apenas ha comenzado a progresar allí".
Y por último —otro factor humano— la naturaleza adversarial de las transacciones en el mercado financiero es lo opuesto a la norma de publicar y colaborar que tienen los científicos. Eso hace que las grandes mentes de la inteligencia artificial no se sientan atraídas por las finanzas, ya que el estímulo económico no reemplaza el del prestigio.
