A Learnable Wavelet Transformer for Long-Short Equity Trading and Risk-Adjusted Return Optimization

El artículo presenta WaveLSFormer, un modelo Transformer basado en wavelets aprendibles que optimiza directamente la rentabilidad y el riesgo en operaciones de compra-venta de acciones mediante una descomposición multiescala y un objetivo de negociación integrado, superando consistentemente a arquitecturas tradicionales en datos financieros intradía.

Lo esencial

¡Hola! Imagina que el mercado de valores es como un océano gigante y ruidoso. A veces hay olas gigantes (tendencias a largo plazo), a veces hay pequeñas ondulaciones (ruido diario) y a veces hay tormentas repentinas.

El problema para los inversores es que, si intentas navegar mirando solo el agua que tienes justo frente a la nariz, te marearás con las pequeñas olas y no verás hacia dónde va la corriente real.

Los autores de este paper (Shuozhe Li, Du Cheng y sus colegas) han creado un nuevo "barco" inteligente llamado WaveLSFormer. Aquí te explico cómo funciona, usando analogías sencillas:

1. El Problema: El Ruido vs. La Señal

La mayoría de los sistemas actuales intentan predecir el precio exacto de una acción mañana. Es como intentar adivinar exactamente dónde caerá cada gota de lluvia en medio de una tormenta. Es muy difícil y, aunque aciertes con la gota, no te dice si debes llevar paraguas o un traje de neopreno. Además, estos sistemas suelen optimizar para "acertar el número", pero en el trading lo que importa es ganar dinero y no perderlo todo.

2. La Solución: WaveLSFormer (El Navegante con Gafas Mágicas)

WaveLSFormer es una mezcla de dos tecnologías:

• Transformers: La parte "cerebro" que recuerda patrones a largo plazo (como un capitán que estudia los mapas históricos).
• Ondas (Wavelets): La parte "gafas" que separa el ruido de la señal.

La Magia de las "Gafas de Ondas" (El Front-End de Ondas)

Imagina que tienes una canción muy ruidosa. Si usas un filtro normal, solo bajas el volumen. Pero WaveLSFormer tiene unas gafas mágicas entrenables que separan la música en dos pistas:

1. La pista de bajo (Bajas Frecuencias): Es la melodía principal, la tendencia lenta y estable.
2. La pista de agudos (Altas Frecuencias): Es el ruido, los golpes de tambor rápidos y el caos.

Lo genial es que estas gafas no son fijas. El sistema aprende a ajustar los lentes él mismo mientras entrena, para separar mejor el ruido de la tendencia real en cada momento.

3. El Secreto: "Inyección Guiada por lo Bajo" (LGHI)

Aquí viene la parte más creativa. En lugar de mezclar las dos pistas de música al azar, WaveLSFormer hace algo inteligente:

• Deja que la pista de bajo (la tendencia estable) sea el "director de orquesta".
• Usa la pista de agudos (el ruido) solo como un "asistente" que le da detalles finos al director, pero solo cuando es necesario.

La analogía: Imagina que conduces un coche en una carretera con niebla.

• La tendencia baja es la carretera principal que ves a lo lejos (segura y estable).
• El ruido son las hojas que vuelan cerca de tus ruedas.
• WaveLSFormer te dice: "Mira la carretera (baja frecuencia), pero usa las hojas (alta frecuencia) solo para ajustar ligeramente el volante si ves un bache repentino". Esto evita que te marees con las hojas y te mantenga en el camino.

4. El Objetivo: Ganar Dinero, no Adivinar Números

La mayoría de los modelos de IA se entrenan para decir: "El precio será 100.50". Si se equivocan en 0.01, se les castiga.
WaveLSFormer se entrena para decir: "¿Debería comprar o vender?".

• No le importa si el precio es 100.50 o 100.51.
• Le importa si, al comprar, el precio sube y ganas dinero, o si vendes y evitas una caída.
• Además, tiene un freno de seguridad: un "presupuesto de riesgo". Imagina que tienes un cinturón de seguridad que te impide saltar demasiado alto si la montaña rusa se pone peligrosa. El modelo ajusta sus apuestas para que nunca arriesgue demasiado, incluso si ve una oportunidad increíble.

5. Los Resultados: ¿Funciona?

Los autores probaron este sistema durante 5 años con datos reales de acciones de EE. UU. en 6 industrias diferentes (como tecnología, energía renovable, seguros, etc.).

• El resultado: WaveLSFormer ganó mucho más dinero y con menos riesgo que los modelos tradicionales (como redes neuronales simples o modelos que solo predicen precios).
• La métrica clave: Logró un "Sharpe Ratio" de 2.15. En el mundo de las inversiones, un número por encima de 1.0 es bueno, y por encima de 2.0 es excelente. Significa que por cada unidad de riesgo que corrieron, obtuvieron más de 2 unidades de ganancia.

En Resumen

WaveLSFormer es como un navegante experto que:

1. Usa unas gafas inteligentes para ignorar el ruido del océano y ver la corriente real.
2. Escucha a la corriente principal para tomar decisiones seguras.
3. Usa los detalles rápidos solo para afinar el rumbo.
4. Tiene un cinturón de seguridad automático para no arriesgar demasiado.

En lugar de intentar predecir el futuro con una bola de cristal, este sistema aprende a navegar las olas de forma inteligente, separando lo importante de lo que es solo ruido, para generar ganancias consistentes y seguras.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo "A Learnable Wavelet Transformer for Long-Short Equity Trading and Risk-Adjusted Return Optimization" (Un Transformer de Ondículas Aprendible para la Operación de Acciones Long-Short y la Optimización de Retornos Ajustados al Riesgo), presentado en español.

---

1. Planteamiento del Problema

La tarea de aprender políticas de trading intradiario rentables a partir de series temporales financieras enfrenta desafíos fundamentales:

• Ruido y No Estacionariedad: Los retornos financieros son ruidosos, tienen colas pesadas y son heterocedásticos.
• Dependencia Transversal: Los activos dentro de un mismo sector no son independientes; existen efectos de co-movimiento y lead-lag (retraso en la reacción) que requieren modelar grupos de activos conjuntamente.
• Desalineación de Objetivos: La mayoría de los modelos de aprendizaje profundo se entrenan minimizando el error de predicción puntual (como MSE o MAE). Sin embargo, el rendimiento real del trading depende de decisiones secuenciales de posición y del P&L (Beneficios y Pérdidas) acumulado, no de la precisión de la predicción numérica.
• Limitaciones de las Arquitecturas Híbridas: Las combinaciones existentes de transformadores y ondas (wavelets) suelen utilizar transformadas de ondas fijas (preprocesamiento estático) y se centran en la precisión de pronóstico en lugar de la optimización directa del trading. Además, la fusión de información multiescala a menudo es implícita y puede inestabilizar el aprendizaje debido al ruido de alta frecuencia.

2. Metodología: WaveLSFormer

Los autores proponen WaveLSFormer, un modelo de política de trading que genera posiciones long/short (compra/venta) para un grupo de activos relacionados. La arquitectura se compone de tres componentes principales:

A. Front-end de Ondículas Aprendible (Learnable Wavelet Front-end)

En lugar de usar una transformada de ondas discreta fija (DWT) como preprocesamiento, el modelo emplea un banco de filtros de respuesta al impulso finito (FIR) aprendible.

• Descomposición: Separa la serie de retornos logarítmicos en componentes de baja frecuencia (tendencias) y alta frecuencia (residuales/ruido).
• Regularización Espectral: Se introducen regularizadores en el dominio de la frecuencia para asegurar que los filtros aprendidos se comporten como un marco ajustado (tight frame), separando claramente las bandas de frecuencia y evitando soluciones degeneradas. Esto mejora la relación señal-ruido (SNR) efectiva de la entrada.

B. Fusión de Frecuencias: Inyección Guiada por Bajas Frecuencias (LGHI)

Para integrar la información multiescala de manera estable, se propone el módulo Low-guided High-frequency Injection (LGHI).

• Mecanismo: A diferencia de la atención cruzada estándar, los pesos de atención se calculan únicamente a partir de la rama de baja frecuencia (que es más estable).
• Inyección: Esta atención se utiliza para inyectar selectivamente los valores de la rama de alta frecuencia en la representación de baja frecuencia a través de una vía residual con una puerta (gated residual).
• Objetivo: Refinar las representaciones estables con señales de corto plazo sin permitir que el ruido de alta frecuencia domine o desestabilice el entrenamiento.

C. Back-end Transformer y Objetivo de Trading

• Arquitectura: Un Transformer estándar procesa las representaciones fusionadas para predecir señales de trading.
• Salida: El modelo no predice un precio, sino una posición continua $w_t \in [-1, 1]$.
• Presupuesto de Riesgo: Las posiciones predichas se escalan globalmente para cumplir con un presupuesto de riesgo fijo (leverage), asegurando que diferentes modelos sean comparables bajo el mismo nivel de riesgo.

D. Diseño de Función de Pérdida (Loss Function)

El modelo se entrena de extremo a extremo con un objetivo alineado al trading, no a la regresión:

1. Pérdida de Posición Soft-Label: En lugar de predecir el retorno exacto, el modelo se entrena para predecir la dirección y magnitud del retorno futuro utilizando etiquetas suaves (basadas en una función sigmoide del retorno logarítmico futuro). Esto evita la saturación de gradientes típica de funciones como tanh y se alinea mejor con la optimización de ROI.
2. Regularizador Sharpe: Se añade un término de pérdida que penaliza la volatilidad excesiva, optimizando directamente la relación riesgo-retorno.
3. Penalización de Sobreajuste: Se impone un límite superior al ROI por lote para evitar estrategias irreales con retornos inflados.

3. Contribuciones Clave

1. WaveLSFormer: Introducción de un modelo que reemplaza el preprocesamiento de ondas fijas por un banco de filtros aprendible acoplado a un Transformer, optimizado directamente para el trading intradiario long/short.
2. Estrategia de Fusión Estable (LGHI): Propuesta de un mecanismo de inyección de alta frecuencia guiado por baja frecuencia con control residual, que permite fusionar información multiescala manteniendo la estabilidad del entrenamiento.
3. Optimización End-to-End: Integración de la reescalada de presupuesto de riesgo y la regularización de Sharpe directamente en el ciclo de entrenamiento, eliminando la desconexión entre la métrica de pérdida y el rendimiento económico real.
4. Validación Empírica Rigurosa: Experimentos extensos en 5 años de datos horarios de EE. UU. (2020-2025) en 6 grupos industriales, evaluados con 10 semillas aleatorias, demostrando superioridad sobre MLP, LSTM y Transformers puros.

4. Resultados Experimentales

El modelo se evaluó en seis industrias seleccionadas (Biotech, Semiconductores, Energía Renovable, Seguros de Vida, Dispositivos Médicos y Bienes de Consumo Minorista) con un retorno anualizado (ARR) alto.

• Rendimiento General: WaveLSFormer logró un ROI acumulado de 0.607 ± 0.045 y una Ratio de Sharpe de 2.157 ± 0.166.
• Comparación con Baselines:
  • Superó al Transformer estándar (sin ondas) que obtuvo un ROI de 0.225 y Sharpe de 1.024.
  • Superó a la mejor variante con ondas y LSTM (Wavelet+LSTM), mejorando el ROI de 0.317 a 0.607 y el Sharpe de 1.879 a 2.157.
  • Superó consistentemente a MLP y LSTM, tanto con como sin front-ends de ondas fijas.
• Estabilidad: El modelo mostró menor varianza entre semillas aleatorias y un Drawdown Máximo (MDD) significativamente menor en comparación con los baselines, indicando una mejor gestión del riesgo.
• Análisis de Ablación:
  • Las ramas de baja y alta frecuencia son ambas necesarias; eliminar cualquiera reduce el rendimiento.
  • El módulo LGHI supera a la simple concatenación de características.
  • La inclusión de la pérdida basada en Sharpe mejora tanto el retorno como la reducción del riesgo.

5. Significado e Impacto

Este trabajo es significativo porque cierra la brecha entre la modelización de series temporales financieras y la optimización práctica de carteras:

• Cambio de Paradigma: Demuestra que optimizar directamente para métricas de trading (ROI, Sharpe) mediante aprendizaje profundo es superior a optimizar para error de predicción y luego aplicar reglas de trading heurísticas.
• Adaptabilidad: Al hacer las ondas aprendibles, el modelo se adapta a las características específicas de cada sector y régimen de mercado, en lugar de depender de transformadas fijas que pueden no ser óptimas para datos financieros ruidosos.
• Eficiencia: Logra un rendimiento superior con un costo computacional marginalmente mayor que un Transformer estándar, estableciendo una nueva frontera de Pareto entre complejidad y rendimiento en trading algorítmico.

En conclusión, WaveLSFormer ofrece un marco robusto para la extracción de señales de trading estables y rentables, abordando simultáneamente los problemas de ruido, no estacionariedad y la desalineación de objetivos que han limitado el éxito del aprendizaje profundo en los mercados financieros.