Using Machine Learning to Forecast Market Direction with Efficient Frontier Coefficients

Título: Uso de Aprendizaje Automático para Predecir la Dirección del Mercado con Coeficientes de la Frontera Eficiente

1. Problema

El modelo de optimización de carteras clásico, basado en la Teoría Moderna de Portafolios (MPT) de Markowitz, enfrenta un desafío fundamental: la estacionaridad del mercado. El modelo asume que los rendimientos esperados y las covarianzas futuros serán idénticos a los datos históricos, lo cual es falso en la práctica. Esto genera errores significativos en la estimación del vector de rendimientos, que es el parámetro más sensible y difícil de estimar en la optimización media-varianza.

Aunque existen modelos como Black-Litterman para mejorar estas estimaciones, estos requieren muchas entradas subjetivas (creencias de los inversores, niveles de confianza) y son complejos de interpretar. Por otro lado, los modelos de aprendizaje automático (ML) existentes suelen utilizar indicadores técnicos o fundamentales masivos, que a menudo son poco interpretables y propensos al sobreajuste (overfitting).

2. Metodología

Los autores proponen un enfoque híbrido que combina la teoría de portafolios con un modelo de clasificación simple pero interpretable. El proceso se divide en tres etapas principales:

A. Ingeniería de Características: Coeficientes de la Frontera Eficiente
En lugar de usar indicadores técnicos, el modelo utiliza tres coeficientes interpretables derivados de la descomposición funcional de la frontera eficiente (basada en la solución cerrada de Merton, 1972):

1. $r_{mvp}$: El rendimiento del portafolio de varianza mínima (MVP).
2. $\sigma_{mvp}$: La desviación estándar del MVP.
3. $u$: La tasa de curvatura de la función de utilidad cuadrática de la frontera eficiente.
   • Interpretación de $u$: Este coeficiente mide el valor de la diversificación. Se deriva de la distancia de Mahalanobis de los rendimientos respecto a cero y una función de la similitud del coseno en el espacio de producto interno ponderado por la covarianza. Un valor alto de $u$ indica que los activos tienen rendimientos y correlaciones suficientemente diversos para que la optimización media-varianza sea efectiva.

B. Modelo de Predicción: Árbol de Decisión en Línea (Online CART)

• Algoritmo: Se utiliza un Árbol de Clasificación y Regresión (CART) para predecir la dirección mensual del mercado (subida o bajada del S&P 500).
• Entrenamiento: El modelo se entrena mensualmente con datos in-sample (hasta el mes $t$) utilizando una división temporal de 5 pliegues (time-series split) para evitar el sesgo de visión futura.
• Control de Sobreajuste: Se limita la profundidad del árbol a 1 o 2 nodos y se utilizan pesos de muestra basados en la magnitud absoluta del retorno para compensar la pérdida de información al binarizar los datos.
• Interpretabilidad: Al ser un árbol simple, permite un análisis post-hoc visual de cómo los coeficientes de la frontera eficiente influyen en la predicción.

C. Integración en la Optimización de Portafolios
Una vez obtenida la predicción direccional ($\hat{p}$), se integra en el marco de optimización para estimar el vector de rendimientos:

1. Expectativa Condicional: Se calcula el rendimiento esperado del mercado condicional a la predicción (si es positiva o negativa) utilizando el Ratio de Mills inverso (asumiendo una distribución normal truncada).
2. Aplicación de CAPM: Se utiliza el Modelo de Valoración de Activos de Capital (CAPM) para traducir la predicción del mercado a predicciones de activos individuales:
   $$E[r_i | \hat{p}] = \beta_i (E[r_m | \hat{p}] - r_f) + r_f$$
3. Ponderación por $R^2$: Dado que el CAPM no siempre se cumple, la estimación final del rendimiento se pondera por el $R^2$ de la regresión CAPM de cada activo.
4. Optimización: Con este nuevo vector de rendimientos estimado, se calcula el Portafolio de Tangencia (que maximiza el Ratio de Sharpe) sujeto a restricciones de apalancamiento (máximo 1.5x) y costos de transacción (1% diario).

3. Contribuciones Clave

1. Nuevo Conjunto de Características: Introducción de los coeficientes de la frontera eficiente ($r_{mvp}, \sigma_{mvp}, u$) como características de entrada para modelos de ML, ofreciendo una base teórica sólida en lugar de indicadores técnicos empíricos.
2. Marco de Integración: Desarrollo de un método para convertir predicciones direccionales binarias en un vector de rendimientos continuo y optimizable mediante el uso combinado del CAPM y el Ratio de Mills inverso.
3. Interpretabilidad: Uso de un modelo CART simple y profundo bajo (depth 1-2) para garantizar que las decisiones de inversión sean explicables y transparentes, a diferencia de las "cajas negras" de redes neuronales o bosques aleatorios profundos.

4. Resultados Empíricos

• Datos: Se utilizaron 9 ETFs de sectores del S&P (1999-2022) y datos de factores de Fama-French.
• Comparativa: El modelo propuesto se comparó contra:
  • Un portafolio de tangencia estándar (rebalanceado mensualmente).
  • Un portafolio de pesos iguales.
  • El índice S&P 500.
  • Modelos CART entrenados con indicadores técnicos y factores Fama-French.
• Rendimiento de Predicción: El modelo con coeficientes de la frontera eficiente superó a los baselines en métricas de clasificación (precisión, recall, F1) y, crucialmente, en el Valor Negativo Predictivo (NPV), alcanzando un 65% frente a menos del 50% de los baselines.
• Rendimiento de Cartera: En la prueba fuera de muestra (2008-2022), el modelo propuesto obtuvo:
  • Un Ratio de Sharpe superior a todos los benchmarks.
  • Un Alpha estadísticamente significativo positivo frente a los tres benchmarks.
  • Mejor relación entre retorno anual y caída máxima (max drawdown).

5. Significado e Implicaciones

• Validación Estructural: Los resultados sugieren que la estructura direccional de los rendimientos del mercado sigue un patrón de árbol definido por los coeficientes de la frontera eficiente, validando teóricamente la utilidad de estos parámetros para la predicción.
• Robustez: El enfoque demuestra que es posible mejorar la asignación de activos sin depender de estimaciones subjetivas complejas (como en Black-Litterman) ni de modelos de ML opacos.
• Practicidad: Al ser interpretable y basado en la teoría de portafolios, el modelo ofrece una herramienta viable para inversores institucionales que buscan mejorar la estimación de rendimientos en un entorno de mercado no estacionario, mitigando los errores de estimación tradicionales.

En conclusión, el artículo presenta un marco innovador que cierra la brecha entre la teoría clásica de portafolios y el aprendizaje automático moderno, demostrando que características derivadas teóricamente pueden superar a los indicadores técnicos tradicionales en la predicción de la dirección del mercado y la optimización de carteras.