ML en trading: por qué no predice precios

Aprendizaje automático en el trading algorítmico: aplicaciones reales y errores comunes

El aprendizaje automático (ML) en trading no predice precios de acciones directamente, pero destaca al resolver tareas específicas y limitadas: identificar regímenes del mercado, filtrar señales de trading, optimizar la ejecución de órdenes y analizar la microestructura del libro de órdenes. En Rusia, los traders algorítmicos independientes gestionan todo el proceso —desde la preparación de datos hasta el despliegue en producción— a diferencia de los fondos de inversión donde las funciones están divididas. La mayoría de las estrategias basadas en ML fracasan por mala calidad de datos y pruebas defectuosas.

El rol del trader algorítmico independiente

Hoy en día, el trader algorítmico solitario actúa como un equipo completo de especialistas. Se encarga de:

• Recolección y limpieza de datos;
• Ingeniería de características;
• Construcción de modelos;
• Pruebas de hipótesis;
• Composición de estrategias;
• Cálculo de riesgos;
• Despliegue en producción.

Esto requiere hardware con GPU personal y herramientas de inteligencia artificial. A diferencia de los fondos con roles especializados, una sola persona asume todas estas responsabilidades. Una encuesta en una reunión de traders reveló que el 70% ha experimentado con ML, pero solo el 30% opera estrategias rentables con dinero real. El problema central? Falta de contenido sustancial: las conversaciones están llenas de pistas vagas, y todos reinventan la rueda, repitiendo los mismos errores.

Por qué la predicción directa de precios no funciona

El mito de que las redes neuronales pueden predecir el precio de Sberbank para mañana se derrumba bajo pruebas reales. La regresión sobre precios históricos genera ruido. En trading de alta frecuencia (HFT), el ML tiene límites: los modelos introducen retrasos críticos cuando se necesita precisión de nanosegundos.

La generación de señales mediante ML suele fallar. En cambio, el ML brilla en:

• Detección de regímenes del mercado: desactivar estrategias de seguimiento de tendencias en mercados laterales;
• Filtrado de señales: eliminar operaciones perdedoras de estrategias base;
• Optimización de ejecución: minimizar el slippage y comisiones;
• Análisis de microestructura del libro de órdenes: detectar patrones en el flujo de órdenes invisibles al ojo humano.

Estas aplicaciones generan alpha sin la ilusión de predicción.

Errores clásicos en pruebas

La mayoría de las estrategias colapsan durante la prueba retrospectiva. Trampas clave:

• Basura entra = basura sale: el 80% del tiempo se gasta en encontrar y limpiar datos. Perder un día de velas o fusionar mal futuros crea patrones falsos;
• Mirar hacia el futuro: divisiones incorrectas entre entrenamiento y prueba permiten que los modelos vean datos futuros (ver Marcus de Prado). La prueba parece perfecta; los resultados reales provocan llamadas de margen;
• Pronóstico ≠ Beneficio neto: el modelo acierta la dirección el 60% de las veces, pero el slippage, las comisiones y la latencia devoran todas las ganancias.

La brecha frente a los fondos occidentales no está en las ideas, sino en la infraestructura. La no estacionariedad y el sobreajuste son desafíos universales.

Validar ideas antes de programar

Antes de escribir código en Python, pregúntate cinco cuestiones:

• ¿La tarea está bien definida? (No "añadir una red neuronal", sino "reducir costos de ejecución");
• ¿Tienes datos honestos? (Limpio, sin fugas de información futura, accesible en tiempo real);
• ¿Puedes probarlo incluyendo comisiones y latencia?
• ¿El pronóstico se traduce en acción? (Camino claro desde el modelo hasta la operación);
• ¿Hay impacto económico? (Ganancia tras todos los costos).

Una respuesta negativa a cualquiera significa que es demasiado pronto para usar ML.

Lo que realmente importa

• El ML en trading resuelve problemas específicos, no predice precios;
• El 80% del éxito depende de los datos: limpiarlos y validarlos es crucial;
• Evita fugas de información futura en pruebas retrospectivas;
• Considera el beneficio neto con slippage y comisiones;
• Valida ideas usando la lista de cinco preguntas antes de programar.

El ML no es un botón mágico: es una herramienta para necesidades precisas. Las comunidades cerradas generan errores repetidos; compartir conocimientos acelera el progreso.

— Editorial Team