Aprendizaje automático en trading

Qué significa

El aprendizaje automático aplicado al trading utiliza ejemplos de datos pasados para entrenar un modelo que genere estimaciones para nuevos casos. Entre las posibles variables de entrada están los precios, el volumen, el tamaño de la orden y las condiciones del mercado; el resultado podría ser la probabilidad estimada de que una orden se ejecute en unas condiciones determinadas. El modelo aprende relaciones a partir de los datos, pero esas relaciones pueden cambiar. Una estimación no es un resultado futuro conocido.

El aprendizaje automático se diferencia de una fórmula fija: sus parámetros entrenados dependen de los datos utilizados. También se diferencia de emplear un patrón gráfico como regla de trading. Ninguno de estos métodos elimina la incertidumbre sobre la evolución futura de los mercados.

Cómo se calcula

No existe una única fórmula de aprendizaje automático aplicado al trading. El cálculo depende de la tarea y del modelo. Para un modelo hipotético y sencillo que estima si una orden se ejecutará dentro de un plazo determinado, una posible opción es la regresión logística:

p = 1 / (1 + exp(-(b0 + b1*x1 + b2*x2)))

• p es la probabilidad estimada de ejecución, expresada como un número entre 0 y 1.
• exp es la función exponencial.
• b0 es la ordenada en el origen entrenada; b1 y b2 son coeficientes entrenados. En este ejemplo, los tres son adimensionales.
• x1 es el tamaño de la orden dividido por el volumen medio diario, expresado como fracción; x2 es el diferencial entre el precio comprador y el vendedor cotizados dividido por el precio medio, también expresado como fracción.

Los coeficientes se entrenan con observaciones pasadas cuyos resultados se conocen; no se eligen porque parezcan plausibles. La evaluación del modelo debería utilizar datos que no se hayan usado en el entrenamiento y respetar el orden temporal: no se puede utilizar como variable de entrada de una orden información que solo estuvo disponible después de cursarla.

Ejemplo práctico

Supongamos que se ha entrenado un modelo hipotético con órdenes históricas. La ordenada en el origen es b0 = 0, el coeficiente de participación es b1 = -2 y el coeficiente del diferencial relativo es b2 = -10. Estas cifras redondas sirven para ilustrar el cálculo, no representan una relación medida.

1. Una orden hipotética de 10.000 acciones se enfrenta a un volumen medio diario de 100.000 acciones. Por tanto, x1 = 10.000 / 100.000 = 0,10.
2. Supongamos que el diferencial cotizado es de 0,10 USD y que el precio medio es de 50 USD. Entonces, x2 = 0,10 USD / 50 USD = 0,002.
3. El resultado combinado de las variables de entrada del modelo es 0 + (-2 × 0,10) + (-10 × 0,002) = -0,22.
4. El resultado del modelo es p = 1 / (1 + exp(0,22)), es decir, aproximadamente 0,445 (44,5 %).

Esta cifra indicaría una probabilidad de ejecución estimada únicamente para las condiciones de ejecución y el horizonte temporal utilizados para definir los resultados históricos del modelo. Por sí sola, no dice nada sobre la rentabilidad ni sobre si la operación propuesta es adecuada.

Por qué importa antes de operar

Una comprobación previa a la operación puede comparar el tamaño de la orden con el volumen disponible, examinar el diferencial y la volatilidad, y tener en cuenta cómo afectan las condiciones de ejecución a la incertidumbre. Las estimaciones basadas en aprendizaje automático pueden ayudar a organizar esta información, pero toda probabilidad requiere un resultado definido con claridad, datos pertinentes y validación con observaciones posteriores. Una cifra aparentemente precisa puede inducir a error si las condiciones del mercado difieren de las del periodo de entrenamiento.

Cómo lo utiliza PreTrAIde

PreTrAIde es una plataforma de análisis bursátil previo a la operación basada en IA; la información disponible sobre el producto no identifica un algoritmo específico de aprendizaje automático entrenado con operaciones históricas. Su capa cuantitativa utiliza estimaciones y puntuaciones deterministas y reproducibles para factores como el diferencial entre el precio comprador y el vendedor, la participación en el volumen diario, el impacto de mercado, la volatilidad, la liquidez y la calidad de los datos. A continuación, los agentes de IA razonan sobre cada acción y sobre la cesta utilizando esas puntuaciones, las noticias y las valoraciones de analistas.

Para una cesta creada por el usuario, PreTrAIde ofrece un veredicto GO, NO-GO o MODIFY, una probabilidad de éxito, una evaluación del riesgo, una estrategia de ejecución sugerida y una explicación en lenguaje claro. La probabilidad de éxito es una estimación del modelo limitada a un rango del 5 % al 95 %; no es una previsión ni una garantía de rentabilidad. Los veredictos sirven de apoyo a la toma de decisiones, no son recomendaciones; los usuarios ejecutan las operaciones, si así lo deciden, a través de su propio bróker.

Errores frecuentes

• Tratar una relación obtenida mediante entrenamiento como una ley que se cumplirá en cualquier condición de mercado.
• Evaluar el modelo con datos que filtren información del futuro o ajustarlo repetidamente hasta que encaje con los resultados pasados.
• Confundir la probabilidad de un suceso concreto, como la ejecución de una orden, con la probabilidad de obtener beneficios.
• Suponer que una explicación generada por IA demuestra que la estimación es precisa. Las variables de entrada, la definición del resultado y la validación siguen siendo importantes.
• Suponer que todas las herramientas de análisis previo a la operación asistidas por IA utilizan el mismo método de aprendizaje automático.