El aprendizaje automático en finanzas suscita tantas fantasías como malentendidos. Esta lección busca lo contrario: explicar con honestidad lo que un modelo puede hacer y, sobre todo, lo que nunca podrá hacer.
Lo que un modelo hace realmente
Un modelo de aprendizaje automático busca regularidades estadísticas entre variables de entrada (las «features»: momentum, volatilidad, valoración, volúmenes…) y un resultado observado (la rentabilidad a N días). No tiene ninguna comprensión de la economía: detecta asociaciones en datos pasados.
Por qué las finanzas son el peor terreno de juego del ML
- La relación señal/ruido es catastrófica: casi toda la variación de precios es ruido.
- Los datos no son estacionarios: los regímenes de mercado cambian, y lo que funcionaba ayer deja de funcionar.
- El sistema es reflexivo: si una estrategia funciona y se difunde, su explotación la destruye.
- Los datos escasean: solo unas décadas de histórico, donde otros campos tienen miles de millones de ejemplos.
La promesa de la que hay que huir
Todo modelo que anuncie una precisión elevada en la predicción de cotizaciones está sobreajustado o es deshonesto. Un modelo honesto muestra una ventaja PEQUEÑA pero estadísticamente real, y eso ya es enorme, porque es esa pequeña ventaja, repetida, la que construye la rentabilidad.
La explicabilidad: el verdadero reto
Una predicción sin explicación es inutilizable: no hay forma de saber si el modelo ha captado un mecanismo real o un artefacto de los datos. Los valores SHAP permiten medir la contribución de cada factor a una predicción dada, y así mantener el control.
La postura de Earnnest
Un modelo solo tiene sitio en Earnnest si se mide, y se retira si no aguanta. Lo que se muestra sigue siendo un diagnóstico objetivo: la aplicación nunca dice «compre», porque ningún modelo debería decirlo, y porque se mantiene neutra y no personalizada.
La postura correcta
Un modelo es un asistente, no un oráculo. Procesa más datos que usted y sin emociones; pero no entiende nada del mundo, ignora lo que no está en sus datos y se equivocará. Úselo para iluminar una decisión, nunca para ahorrársela.
À retenir
- ✓El ML detecta regularidades estadísticas, no comprende la economía.
- ✓Las finanzas son un terreno hostil: ruido masivo, no estacionariedad, reflexividad, pocos datos.
- ✓Desconfíe de las grandes promesas de precisión; exija explicabilidad (SHAP).