Machine learning, aportando valor a la inversión

En un post anterior de machine learning aplicado a las finanzas vimos cómo y en qué casos puede el machine learning aportar valor a la inversión.

En el mundo de la inversión, cualquier herramienta que aporte una ventaja competitiva al inversor puede ser de gran ayuda.  El machine learning, unido a la disponibilidad de gran cantidad de datos, puede permitir establecer mecanismos de predicción que aporten gran valor. La combinación de información relevante con los algoritmos adecuados es la clave del éxito.

Por ejemplo, cuando una compañía tecnológica lanza un nuevo producto, su aceptación entre el público es importante para saber la evolución del precio de la acción. Se puede crear un sistema de tracking de opiniones de los usuarios de redes sociales en los principales mercados para determinar si el producto ha gustado.

En un reciente informe que ha tenido una gran difusión, el equipo de derivados e inversión cuantitativa de JP Morgan proporciona un marco para el uso del big data y mechine learning en la inversión. El informe se titula “Big Data and AI Strategies, Machine Learning and Alternative Data Approach to Investing”.

En el informe aventuran que el machine learning va a introducir grandes cambios en el mundo de la inversión. A medida que los inversores adopten fuentes de datos alternativas, el mercado reaccionará más rápido y anticipará las fuentes tradicionales de datos (información financiera periódica. datos macroeconómicos, etc).

También advierten que en determinados casos puede hacerse un esfuerzo de inversión en infraestructura tecnológica para construir nuevos modelos que no sea rentable. Además, es necesario contar con talento que tenga una sólida experiencia financiera junto con conocimientos tecnológicos y estadísticos.

Ya hay fondos de inversión que están usando machine learning para guiar sus decisiones y su conclusión, al igual que el informe de JP Morgan, es que con datos financieros los algoritmos son propensos a tener “overfitting” y encontrar patrones que sólo se dan en los datos de entrenamiento. Los modelos no generalizan bien para nuevos datos.

Overfitting con datos financieros

Como ha ocurrido en muchos trabajos de investigación académica, los modelos tienen un error pequeño en el entorno de estudio (intervalos concretos, períodos estacionarios), pero en cuanto se usan dichos modelos para predecir nuevos datos, se incrementa considerablemente el error de generalización.

Y esto ocurre porque al contrario que en el procesamiento y clasificación de imágenes, donde hay cierta estructura estadística en cada tipo de imagen, en los datos financieros las estructuras matemáticas cambian con el tiempo y son muy erráticas. Por ejemplo, la misma serie financiera en distinos períodos de tiempo puede describirse con modelos con complejidades y estructuras muy diferentes.

Por lo tanto, de momento el machine learning aplicado a la inversión será un buen complemento más que un sustituto de los inversores.

Deja una respuesta

Tu dirección de correo electrónico no será publicada.

Orgullosamente ofrecido por WordPress | Tema: Baskerville 2 por Anders Noren.

Subir ↑

A %d blogueros les gusta esto: