Empirical Asset Pricing via Ensemble Gaussian Process Regression

Each language version is independently generated for its own context, not a direct translation.

Imagina que el mercado de valores es como un océano gigante y ruidoso. Los inversores son navegantes que intentan predecir hacia dónde irán las olas (los precios de las acciones) mañana. El problema es que el océano es muy ruidoso: hay muchas tormentas, brumas y señales falsas que dificultan ver el camino claro.

Los métodos tradicionales de predicción son como usar una brújula simple: funcionan bien en días tranquilos, pero a menudo fallan cuando el clima cambia drásticamente. Los métodos modernos de Inteligencia Artificial (como las redes neuronales) son como superordenadores que analizan millones de datos, pero son tan complejos que a veces son "cajas negras": te dicen "compra esto", pero no te explican por qué ni cuán seguros están de su respuesta.

Este artículo presenta una nueva herramienta llamada Regresión de Procesos Gaussianos en Conjunto (Ensemble GPR). Aquí te explico cómo funciona usando analogías sencillas:

1. El Problema: El "Ruido" y la "Caja Negra"

Los autores dicen que predecir el mercado es difícil porque hay mucho ruido (datos que no importan) y porque las relaciones entre los datos cambian con el tiempo (lo que funcionaba ayer, no funciona hoy). Además, la mayoría de los modelos de IA actuales te dan una sola respuesta (un punto fijo), sin decirte qué tan probable es que se equivoquen. Es como si un meteorólogo dijera: "Mañana lloverá", pero no te diera el porcentaje de probabilidad ni una advertencia de que podría ser una tormenta o solo una llovizna.

2. La Solución: El "Comité de Expertos" (Ensemble Learning)

Imagina que en lugar de contratar a un solo experto para predecir el clima, contratas a 100 expertos diferentes.

El truco: En lugar de pedirles que analicen todo el océano a la vez (lo cual sería lento y costoso computacionalmente), divides el océano en trozos pequeños (meses de datos).
El trabajo: Cada experto analiza solo su trozo de océano y hace su propia predicción.
La reunión: Luego, reúnes a todos los expertos. Pero no los escuchas por igual. Si el experto que analizó el mes pasado se equivocó mucho, le das menos peso a su opinión. Si acertó, le das más peso.

Esta es la parte de "Ensemble" (Conjunto). Es como un equipo de sabios que se reúne para tomar una decisión colectiva, ajustando la confianza en cada uno según su historial reciente. Esto hace que el cálculo sea mucho más rápido y eficiente que usar un solo "super-experto" gigante.

3. La Magia: La "Nube de Incertidumbre"

Aquí es donde este método brilla más que los demás.

Los modelos antiguos: Te dicen: "La acción X subirá un 5%". Punto final.
Este modelo (GPR): Te dice: "La acción X probablemente subirá un 5%, pero hay una nube de incertidumbre alrededor de ese número. Podría subir un 10% o bajar un 2%".

El modelo no solo predice el precio, sino que dibuja un mapa de la confianza. Sabe cuándo está seguro y cuándo está dudoso.

Analogía: Es como conducir un coche. Un GPS normal te dice "gira a la derecha". Este nuevo GPS te dice "gira a la derecha, pero ten cuidado, hay niebla y podría haber un bache, así que reduce la velocidad".

4. El Resultado: Conduciendo con Seguridad (Portafolios)

Los autores probaron su método con datos de acciones de EE. UU. desde 1962 hasta 2016.

Mejor predicción: Su modelo acertó más que los modelos tradicionales y que otras redes neuronales avanzadas.
Mejor gestión de riesgo: Crearon un tipo especial de portafolio llamado "Portafolio Ponderado por Incertidumbre".
- Imagina que eres un inversor que le tiene miedo a los riesgos. Este modelo te dice: "Invierte mucho en las acciones que predice que subirán Y de las que está muy seguro. Invierte poco (o nada) en las que predice que subirán, pero de las que está muy inseguro".
- Resultado: Este enfoque generó más dinero y con menos volatilidad (menos sustos) que los métodos tradicionales.

5. ¿Qué aprendieron de los datos?

El modelo descubrió que los factores más importantes para predecir el futuro de una acción no son solo los números contables, sino:

El "momento" del precio: Si una acción ha subido en los últimos 6 o 12 meses, es probable que siga subiendo (inercia).
La liquidez: Las acciones que son difíciles de comprar o vender (tienen poco volumen o spreads altos) suelen tener predicciones más inciertas, y el modelo sabe evitarlas o ajustar su riesgo.

En Resumen

Este paper nos dice que para navegar el mercado financiero, no basta con tener un mapa muy detallado (predicción precisa); también necesitas saber cuánto te puedes fiar de ese mapa (cuantificar la incertidumbre).

Su método es como un equipo de navegantes inteligentes que:

Trabajan en paralelo para ser rápidos.
Se escuchan entre ellos para ser precisos.
Te avisan cuando la niebla es densa para que no te arriesgues demasiado.

El resultado final: Más ganancias y menos sustos para el inversor promedio.

Each language version is independently generated for its own context, not a direct translation.

Aquí presento un resumen técnico detallado del artículo "Empirical Asset Pricing via Ensemble Gaussian Process Regression" (Fijación de precios de activos empírica mediante regresión de procesos gaussianos en conjunto), basado en el documento proporcionado.

1. El Problema

La predicción de los rendimientos esperados condicionales de las acciones es un desafío central en la fijación de precios de activos empírica debido a tres factores principales:

Baja relación señal-ruido: Los mercados financieros son ruidosos en comparación con otros dominios.
Complejidad de la información: El conjunto de información completo (características de las empresas y variables macroeconómicas) es vasto, no observable en su totalidad y difícil de modelar.
No linealidad y variabilidad temporal: La relación entre los predictores y los rendimientos es no lineal y cambia dinámicamente con las condiciones económicas.

Además, la literatura existente (como Gu et al., 2020) se ha centrado principalmente en mejorar la precisión predictiva utilizando redes neuronales y otros métodos de aprendizaje automático, a menudo ignorando la incertidumbre epistémica (la incertidumbre del modelo sobre sus propias predicciones). La cuantificación de esta incertidumbre es crucial para la toma de decisiones financieras, como la selección de carteras.

2. Metodología

Los autores proponen un enfoque basado en Regresión de Procesos Gaussianos (GPR) dentro de un marco de aprendizaje en conjunto (ensemble learning).

A. Fundamentos de GPR

Enfoque Bayesiano: A diferencia de los modelos que solo ofrecen estimaciones puntuales, la GPR modela la distribución de probabilidad sobre las funciones. Esto proporciona naturalmente una distribución predictiva con intervalos de confianza, permitiendo cuantificar la incertidumbre.
Modelo: Se asume que el rendimiento excedente $r_{i,t+1}$ es la suma de una función condicional esperada $f(x_{i,t})$ y un error aleatorio $\epsilon$ .
Incertidumbre: La varianza total de la predicción se descompone en:
- Incertidumbre epistémica: Derivada de la covarianza del proceso gaussiano (falta de datos o complejidad del modelo).
- Incertidumbre aleatoria: Derivada del ruido intrínseco del mercado ( $\sigma^2_\epsilon$ ).

B. Aprendizaje en Conjunto (Ensemble Learning) para Escalabilidad

Un obstáculo clásico de la GPR es su complejidad computacional $O(N^3)$ debido a la inversión de la matriz de kernel, lo que la hace inviable para grandes conjuntos de datos (millones de observaciones).

Solución Propuesta: Los autores dividen los datos de entrenamiento en subconjuntos mensuales.
Método de Mezcla: Se entrena un modelo GPR individual para cada mes (o ventana de tiempo) en paralelo. La predicción final se obtiene mezclando las distribuciones predictivas de estos modelos individuales.
Pesos de Mezcla: Se utilizan dos esquemas:
1. Pesos Iguales: Todos los modelos recientes tienen el mismo peso.
2. Pesos MSE (Error Cuadrático Medio): Los pesos se asignan inversamente proporcionales al error cuadrático medio de cada modelo en un mes de calibración. Esto permite adaptarse a la no estacionariedad de los datos financieros.
Ventajas: Reduce drásticamente el costo computacional, permite el aprendizaje en línea (online learning) y maneja la heterocedasticidad y no estacionariedad de los datos financieros.

C. Construcción de Carteras

Aprovechando la matriz de covarianza predictiva, los autores proponen nuevas estrategias de cartera:

Cartera Ponderada por Incertidumbre (UW): Minimiza la varianza predictiva (similar a una cartera de varianza mínima global).
Cartera Ponderada por Predicción (PW): Asigna pesos basados en la magnitud de los rendimientos predichos dentro de los deciles.
Cartera Ponderada por Predicción-Incertidumbre (PUW): Optimiza la relación riesgo-rendimiento para un inversor averso a la incertidumbre, maximizando el retorno esperado mientras penaliza la incertidumbre epistémica.

3. Contribuciones Clave

Puente entre Métodos de Kernel y Fijación de Precios: Conectan la regresión de crestas con kernel (Kernel Ridge Regression) y los procesos gaussianos con la fijación de precios de activos, superando las limitaciones de los modelos lineales y de splines de segundo orden utilizados anteriormente.
Incorporación de la Incertidumbre: Demuestran que utilizar la distribución predictiva completa (no solo la media) para la construcción de carteras mejora significativamente el rendimiento económico.
Escalabilidad Computacional: Su método de aprendizaje en conjunto resuelve el cuello de botella computacional de la GPR, permitiendo su aplicación en grandes paneles de datos (30,000 acciones durante 55 años) y facilitando el aprendizaje en línea, algo difícil con redes neuronales profundas.
Análisis de Incertidumbre: Identifican que las acciones con alta incertidumbre predictiva suelen tener fricciones de arbitraje y son extremadamente ilíquidas.

4. Resultados Empíricos

El estudio utiliza datos mensuales de ~30,000 acciones de EE. UU. (NYSE, AMEX, NASDAQ) desde 1962 hasta 2016, con 94 características específicas de las empresas y macroeconómicas.

Rendimiento Predictivo (Estadístico)

$R^2$ Agrupado ( $R^2_{pool}$ ): El modelo GPR en conjunto con kernel exponencial ( $\gamma$ $γ$ -exp) logra un $R^2_{pool}$ $R_{p oo l}^{2}$ de 0.78%, superando significativamente a:
- GPR con kernel afín: 0.63%
- Regresión lineal en conjunto: 0.61%
- Regresión lineal estándar: 0.37%
Coeficiente de Información (IC): El modelo alcanza un IC del 5.89%, indicando una fuerte capacidad para discriminar el rendimiento relativo entre acciones.

Rendimiento Económico (Carteras)

Carteras Ordenadas: Las carteras formadas por deciles basados en las predicciones del modelo superan consistentemente a las carteras ponderadas por valor (VW) y equitativas (EW).
Impacto de la Incertidumbre:
- La cartera UW (minimización de incertidumbre) logra un $R^2_{pool}$ de 13.39% en el panel total, muy superior al 8.04% de la cartera EW y al 3.85% de la VW.
- La cartera PUW (aversión a la incertidumbre) genera un Ratio de Sharpe anualizado de 3.44 para la estrategia de largo-corto (Long-Short), superando al ratio de Sharpe de 2.44 de la cartera EW y 0.91 de la VW.
- Esto confirma que reducir la incertidumbre predictiva tiene un valor económico tangible.

Características Importantes

Las características más importantes son las relacionadas con tendencias de precios recientes (reversión a corto plazo, momentum a 6 y 12 meses) y variables de liquidez (spread bid-ask, volumen en dólares, illiquidez de Amihud).
Las acciones con altos rendimientos predichos tienden a ser menos líquidas y mostrar momentum a largo plazo pero reversión a corto plazo.

5. Significado e Implicaciones

Este trabajo es significativo porque:

Valida el Aprendizaje Automático Bayesiano: Demuestra que los métodos basados en kernels (GPR) pueden superar a las redes neuronales profundas en la predicción de rendimientos de acciones, especialmente cuando se considera la incertidumbre.
Utilidad Práctica para Inversores: Proporciona un marco para inversores "aversos a la incertidumbre", permitiendo construir carteras que no solo buscan alto retorno, sino que penalizan activamente las predicciones poco fiables.
Viabilidad Computacional: Ofrece una solución escalable para aplicar modelos bayesianos complejos en grandes conjuntos de datos financieros, superando las limitaciones de las redes neuronales en entornos de aprendizaje en línea y con conjuntos de datos más pequeños (como sectores específicos).
Nueva Perspectiva de Riesgo: Destaca que la incertidumbre del modelo (epistémica) es un factor de riesgo distinto y cuantificable que debe gestionarse en la asignación de activos, no solo el riesgo de mercado tradicional.

En resumen, el paper establece que la combinación de métodos de kernel no lineales, aprendizaje en conjunto para escalabilidad y la explotación explícita de la incertidumbre bayesiana constituye un avance superior tanto en precisión estadística como en rendimiento económico para la fijación de precios de activos.