Resumen Técnico: Trading Cuantitativo de Múltiples Factores Mejorado con Aprendizaje Automático

1. Definición del Problema: Contaminación Aguas Arriba

El artículo identifica un defecto crítico, a menudo pasado por alto, en las cadenas de procesamiento para trading cuantitativo en los mercados de acciones chinas A: la contaminación aguas arriba.

En los mercados de acciones A, los límites diarios de precios (±10% para la placa principal, ±20% para STAR/ChiNext) significan que los precios de cierre de las acciones que alcanzan estos límites son no ejecutables (las órdenes de compra sin coincidir permanecen sin llenar). La práctica estándar de la industria consiste en calcular factores de ventana móvil (por ejemplo, medias móviles, correlaciones, rangos) sobre el conjunto de datos completo y filtrar las acciones no negociables después de la agregación.

Los autores demuestran que este filtrado "posterior" falla porque los primitivos de ventana móvil ya han ingerido los precios no ejecutables. Estos valores contaminados se propagan a través de toda la cadena de factores, creando un "alfa fantasma".

• La Consecuencia: El modelo aprende a predecir rendimientos que son mecánicamente altos (debido a acciones en límite superior) pero imposibles de negociar.
• El Impacto: En datos reales, ignorar este sesgo infla el Coeficiente de Información (IC) aparente en un 18%, mientras que reduce el ratio de Sharpe realizado en 0.44 puntos. Esto es una forma de sesgo de visión hacia adelante donde el modelo predice eventos no negociables.

2. Metodología: La Arquitectura "Máscara Primero"

La contribución central es un patrón de diseño "máscara primero" donde una máscara booleana de negociabilidad ($M \in \{0, 1\}^{T \times N}$) se construye en el momento de la carga de datos y se transmite a través de cada operador computacional. Ninguna ventana lee nunca un precio no negociable.

A. Componentes del Sistema

1. Primitivas Conscientes de la Máscara (Vectorizadas en GPU):

   • Implementación de 18 primitivas personalizadas en PyTorch usando torch.unfold para manejar ventanas móviles en la GPU.
   • Velocidad: Logra una aceleración de 51× sobre implementaciones estándar de pandas (10.6s vs. 542s para una cadena de 3,000 acciones y 213 factores en una A100).
   • Lógica:
     • Clasificación: Las celdas enmascaradas se rellenan con $+\infty$ antes de ordenar para clasificarlas al final, luego se ponen a cero. Los denominadores usan la cuenta de celdas válidas, no el total de acciones.
     • Correlación: Calcula la correlación de Pearson enmascarada; si alguna celda en la ventana está enmascarada, la salida se marca como poco fiable.
     • EWMA: Mantiene el valor del acumulador anterior cuando se encuentra una celda enmascarada en lugar de reiniciar, evitando la deriva.
   • Precisión: Usa float64 para primitivas basadas en recurrencia para evitar errores de acumulación (se observó un error relativo del 0.3% en float32 después de 2,500 pasos).

2. Motor de Factores:

   • 213 Factores: Compuestos por 9 fórmulas Alpha101 curadas y 204 factores heredados específicos de la microestructura de acciones A (por ejemplo, desviaciones de VWAP, dinámicas de rotación, crisis de liquidez por movimientos de límite).
   • Neutralización: Todos los factores se residualizan contra variables ficticias de industria (29 categorías CSI) y capitalización de mercado logarítmica mediante OLS antes de la puntuación z transversal.

3. Entrenamiento de Aprendizaje Automático:

   • Conjunto de Datos: El filtrado bidireccional asegura que tanto la fecha de características ($t$) como la fecha de etiqueta ($t+1$) sean negociables.
   • Pérdida MSE Ajustada: Una función de pérdida personalizada que penaliza las predicciones de signo incorrecto 11 veces más que los errores de magnitud ($\gamma=0.1$).
     • Racional: Los gestores de carteras sufren más por errores direccionales (comprar una acción que cae) que por errores de magnitud (subdimensionar una operación ganadora).
   • Arquitecturas: Se probó un pequeño MLP (44K parámetros) y un Transformer de eje de factores (220K parámetros) donde los factores se tokenizan como posiciones de secuencia.
   • Aumento de Datos: Usa Block-Bootstrap GBM para generar paneles de rendimientos sintéticos. Esto preserva la correlación serial de corto alcance y suaviza el paisaje de pérdida, ayudando particularmente al Transformer a evitar el sobreajuste catastrófico.

4. Construcción de Cartera:

   • Optimización: Optimización media-varianza (Markowitz) con contracción Ledoit-Wolf para la estimación de covarianza.
   • Restricciones: Solo largo, posición máxima 3%, aversión al riesgo $\alpha=10$.
   • Eficiencia: Usa cvxpy con caché de inicio en caliente, reduciendo el tiempo de resolución de ~1.2s a ~0.2s por día al evitar la canonicación repetida del problema.

3. Resultados Clave

El sistema fue evaluado en un panel sintético (3,000 acciones, 14 años) y datos reales propietarios de acciones A (2022–2024).

Estudios de Ablación

El artículo aísla la contribución de cada componente, revelando que la ingeniería de datos supera a la complejidad del modelo:

1. Contrato de Máscara: El mayor contribuyente individual (+0.44 Sharpe). Eliminarlo causa una caída masiva en el rendimiento realizado a pesar de un IC aparente más alto.
2. Pérdida MSE Ajustada: Añade +0.27 Sharpe sobre el MSE estándar.
3. Aumento GBM: Añade +0.19 Sharpe.
4. Contracción Ledoit-Wolf: Añade +0.18 Sharpe.
5. Arquitectura Transformer: Añade +0.12 Sharpe sobre MLP.

Ratio de Sharpe Desinflado (DSR): Después de ajustar por pruebas múltiples (más de 50 configuraciones probadas), el DSR para el Sharpe de datos reales de 1.63 es 0.978, indicando una probabilidad del 97.8% de que el Sharpe verdadero exceda cero.

4. Significado y Afirmaciones

El artículo enmarca su contribución no como un avance teórico novedoso, sino como un estudio de ingeniería sistemática que aborda un modo de fallo específico en el ML financiero.

• Ingeniería sobre Teoría: Los autores argumentan que "elecciones de implementación engañosamente pequeñas" (como manejar NaNs o precios de límite superior) hacen oscilar los ratios de Sharpe reportados en puntos completos. Afirman que en mercados con microestructura de brecha de ejecución (como las acciones A), la ingeniería de calidad de datos domina sobre la arquitectura del modelo como fuente de alfa.
• El Patrón "Máscara Primero": El artículo postula que la eliminación de sesgos es un impulsor de rendimiento de primer orden, no un paso de higiene. El enfoque de máscara primero se presenta como un patrón generalizable para cualquier mercado con precios no ejecutables (circuit breakers, suspensiones, restricciones T+1).
• Transparencia: Los autores liberan explícitamente la implementación completa (motor de 213 factores, bucle de entrenamiento, optimizador, backtest y generador de datos sintéticos) bajo licencia MIT para permitir la reproducibilidad sin datos propietarios.
• Honestidad en el Rendimiento: El sistema evita correctamente las acciones en límite superior durante rallies eufóricos (por ejemplo, septiembre de 2024), resultando en un rendimiento inferior al del índice de mercado durante esos períodos específicos. Los autores enmarcan esto no como un fracaso, sino como el "costo honesto" de un diseño que se niega a predecir rendimientos no negociables.

5. Limitaciones Reconocidas

• Restricción Solo Largo: Debido a las restricciones de venta en corto en acciones A, el sistema no puede capturar alfa largo-corto.
• Costos de Transacción: Usa un modelo de costos lineal (5–8 puntos básicos), que es optimista para carteras grandes con impacto de mercado convexo.
• Ventana de Datos: El período de prueba de datos reales (2022–2024) cubre solo un ciclo bajista, uno lateral y uno alcista, lo cual es más corto que las ventanas estándar de investigación de factores.
• Supuestos Distribucionales: El aumento GBM asume rendimientos log-normales, representando potencialmente subestimados eventos de cola.

El artículo concluye que el contrato "máscara primero" es el factor más significativo en el éxito del sistema, demostrando que en el trading cuantitativo, modelar correctamente lo que no se puede negociar es tan importante como predecir lo que sí se puede.