Aprendizaje automático mejora la predicción del rendimiento de las acciones en el mercado financiero

Milthon Lujan Monja

Imagínese ser más astuto que el mercado y generar retornos consistentes. Un nuevo estudio sugiere que esto podría ser posible gracias a modelos de aprendizaje automático (ML) que analizan datos bursátiles internacionales.

En el complejo mundo de los mercados financieros, pronosticar con precisión los precios de las acciones es un desafío importante. Un enfoque se basa en mejorar la información sobre las anomalías del mercado de valores, factores que influyen en el rendimiento de una acción. Los métodos tradicionales que combinan información de estas anomalías a menudo llegan a sus límites, especialmente en las inversiones bursátiles globales. Sin embargo, los métodos de aprendizaje automático (ML), una rama de la inteligencia artificial (IA), ofrecen una solución prometedora. Estos métodos pueden agregar varios factores para mejorar las predicciones de rentabilidad de las acciones, como lo muestra un estudio realizado por investigadores de Kaiserslautern y Munich, publicado en el “Journal of Asset Management“.

Predecir los rendimientos

Predecir los rendimientos de las acciones es similar a pronosticar el clima y requiere una multitud de puntos de datos. Estos incluyen, por ejemplo, las temperaturas y la humedad a gran altitud, así como las corrientes de aire, la nubosidad y la duración de la luz solar. Así como los datos meteorológicos detallados son cruciales para realizar predicciones meteorológicas precisas, una gran cantidad de datos financieros y métodos inteligentes para combinar esta información son esenciales para determinar si es probable que una inversión sea rentable.

Estos datos incluyen las llamadas anomalías del mercado de capitales. “Más de 400 de ellos, identificados en los últimos años por las principales revistas financieras, se consideran predictivos de la rentabilidad de las acciones”, explica el profesor Dr. Vitor Azevedo de la Universidad Kaiserslautern-Landau, coautor del estudio. Un ejemplo es la conocida “relación precio-beneficio” (PER) de una acción. Las llamadas estrategias de valor pueden utilizar esta métrica para invertir en acciones (aparentemente) asequibles con PER bajos. Otro ejemplo es el efecto de “reversión a corto plazo”, donde las acciones con los rendimientos más bajos en el mes anterior tienden a superar a aquellas con los rendimientos más altos en el mes siguiente.

El profesor Dr. Vitor Azevedo está investigando cómo los métodos de inteligencia artificial pueden ayudar a predecir mejor la rentabilidad de las acciones. Crédito: RPTU, vista/Voss
El profesor Dr. Vitor Azevedo está investigando cómo los métodos de inteligencia artificial pueden ayudar a predecir mejor la rentabilidad de las acciones. Crédito: RPTU, vista/Voss

Anomalías relevantes

Sin embargo, ¿cuáles de estas anomalías son relevantes? ¿Cómo se interrelacionan y cuál es su impacto cuando se combinan? En el estudio, Azevedo, el profesor Dr. Sebastian Müller de la Universidad Técnica de Munich y Sebastian Kaiser de Roland Berger pretendían determinar si la inteligencia artificial podría responder a estas preguntas. “Los métodos tradicionales como los análisis de regresión tienen sus límites en este contexto”, señala Azevedo. “Por eso utilizamos métodos de aprendizaje automático capaces de descubrir relaciones complejas dentro de grandes conjuntos de datos”. Este enfoque a menudo se denomina combinación no lineal en los círculos de expertos.

Principales hallazgos

Para su análisis, los economistas examinaron varios enfoques de ML. Analizaron casi 1.900 millones de observaciones de anomalías en los meses de existencias de 1980 a 2019 en 68 países; y emplearon 46 modelos diferentes de aprendizaje automático para identificar patrones y predecir movimientos futuros del mercado.

“Descubrimos que estos modelos de IA superan significativamente a los métodos tradicionales. Los modelos de aprendizaje automático pueden predecir los rendimientos de las acciones con notable precisión, logrando un rendimiento mensual promedio de hasta el 2,71 por ciento, en comparación con aproximadamente el 1 por ciento de los métodos tradicionales”, añade el profesor Azevedo.

Las redes neuronales de retroalimentación y los predictores compuestos surgieron como los de mejor desempeño, particularmente aquellos que emplean técnicas específicas como reducción de características netas elásticas y rendimiento clasificado porcentual como objetivos. Incluso después de contabilizar costos de transacción de hasta 300 puntos básicos, los modelos se mantuvieron firmes, demostrando su robustez y rentabilidad potencial.

Importancia para los mercados financieros

Esta investigación arroja luz sobre el poder del aprendizaje automático en los mercados financieros, lo que podría conducir a nuevas estrategias de inversión. Los administradores financieros podrían utilizarlo en el futuro para desarrollar nuevos modelos de precios de acciones.

Asimismo los hallazgos del estudio desafían las teorías tradicionales de fijación de precios de activos y sugieren que podrían existir ineficiencias de mercado, explotables mediante sofisticados modelos de aprendizaje automático.

Los investigadores de Kaiserslautern y Munich recomiendan, entre otras cosas, una cuidadosa preparación de los datos para incorporar correctamente los valores atípicos y los valores faltantes, especialmente cuando se trabaja con datos internacionales, como escriben en su estudio. Además, recomiendan revisar las preocupaciones éticas y regulatorias antes de implementar estas técnicas de IA.

Los inversores, analistas y profesionales financieros deberían seguir de cerca la evolución de este apasionante campo. El estudio fue financiado por Projekt DEAL.

Contacto
Vitor Azevedo
RPTU Kaiserslautern-Landau, Department of Financial Management
Gottlieb-Daimler-Straße 42, Kaiserslautern, 67663, Germany
Email: vitor.azevedo@rptu.de

Referencia
Azevedo, V., Kaiser, G.S. & Mueller, S. Stock market anomalies and machine learning across the globe. J Asset Manag 24, 419–441 (2023). https://doi.org/10.1057/s41260-023-00318-z

Nota: Artículo elaborado con información de Rheinland-Pfälzische Technische Universität Kaiserslautern-Landau y estudio científico.