Resumen Técnico: Recuperación de Activos Transversal mediante Aprendizaje Contrastivo Suave Alineado con el Futuro (FASCL)

1. El Problema: La Limitación de la Similitud "Hacia Atrás"

En el ámbito de la inversión cuantitativa, la recuperación de activos (identificar activos similares en un universo financiero) es fundamental para la construcción de carteras, el pairs trading y la gestión de riesgos.

Los métodos tradicionales definen la "similitud" basándose en criterios retrospectivos (backward-looking):

• Correlaciones de Pearson de rendimientos históricos.
• Clasificaciones estáticas por sector (GICS).
• Emparejamiento de patrones mediante Dynamic Time Warping (DTW).

El problema central es que estos métodos no garantizan que los activos recuperados se comporten de manera similar en el futuro. Los autores argumentan que una recuperación efectiva debe estar alineada con el futuro (future-aligned): los activos recuperados deberían ser aquellos con mayor probabilidad de exhibir rendimientos correlacionados en los periodos venideros.

2. Metodología Propuesta: FASCL

Los autores proponen el Future-Aligned Soft Contrastive Learning (FASCL), un marco de aprendizaje de representaciones que utiliza señales de rendimiento futuro como supervisión continua.

A. Arquitectura del Codificador

Utilizan un Transformer basado en parches (patch-based Transformer) adaptado para series temporales financieras multivariantes:

1. Normalización: Se aplica z-score por característica para eliminar escalas absolutas de precio y volumen.
2. Patch Embedding: La serie temporal se divide en parches no superpuestos, que se proyectan mediante una convolución 1D a un espacio de tokens de $D$ dimensiones.
3. Transformer Blocks: Se emplean bloques de atención multi-cabezal (MHSA) y redes feed-forward para capturar dependencias temporales complejas.
4. Pooling: Se utiliza el promedio (mean-pooling) de los tokens de los parches para obtener el embedding final del activo.

B. Función de Pérdida: Soft Contrastive Loss (LSC)

A diferencia del aprendizaje contrastivo estándar (como InfoNCE), que utiliza etiquetas binarias (positivo/negativo), FASCL utiliza un enfoque suave (soft):

• Objetivo: Alinear la similitud de los embeddings (similitud de coseno) con la correlación de Pearson de los rendimientos futuros de los activos.
• Distribución Objetivo ($p_{ij}$): Se calcula la matriz de correlación de Pearson de los rendimientos futuros de un lote (batch) de activos. Esta matriz se transforma en una distribución de probabilidad mediante un softmax escalado por temperatura.
• Distribución Predicha ($q_{ij}$): Se calcula la similitud de coseno entre los embeddings del lote, también transformada mediante softmax.
• Optimización: Se minimiza la divergencia KL entre la distribución objetivo y la predicha. Esto permite que el modelo aprenda una escala continua de similitud: los pares con correlaciones altas son "atraídos" con más fuerza que los pares con correlaciones bajas.

3. Contribuciones Clave

1. Nuevo Objetivo de Aprendizaje: Introducción de la pérdida contrastiva suave alineada con la correlación de rendimientos futuros, superando la limitación de los métodos basados en aumentación de datos o identidad de tickers.
2. Protocolo de Evaluación Riguroso: Propuesta de tres métricas nuevas para medir la consistencia del comportamiento futuro:
   • Trend Consistency (TC@K): Coincidencia en la dirección (signo) del retorno acumulado.
   • Future Return Correlation (FRC@K): Correlación de Pearson de los rendimientos diarios futuros.
   • Information Coefficient (IC@K): Capacidad de la recuperación para generar un ranking de activos útil para la construcción de carteras.
3. Benchmark Estandarizado: Un marco de comparación con 13 líneas base (métodos estadísticos, modelos de series temporales, modelos de pronóstico y modelos fundacionales como Chronos y MOMENT).

4. Resultados Principales

El modelo se probó en un universo de 4,229 acciones de EE. UU. (NASDAQ y NYSE) y los resultados fueron contundentes:

• Superioridad en Métricas de Comportamiento: FASCL superó consistentemente a las 13 líneas base en FRC@K, TC@K e IC@K. Por ejemplo, en FRC@K (K=1), alcanzó un 0.3837, superando significativamente a la correlación de Pearson histórica (0.3425).
• Escalabilidad en Estrategias de Trading: En un backtest de spread trading, mientras que la mayoría de los modelos pierden eficacia a medida que aumenta el tamaño de la cesta ($K$), el ratio de Sharpe de FASCL aumenta con $K$, demostrando que su capacidad de recuperación es robusta incluso para activos que no son el "vecino más cercano" inmediato.
• Estructura Emergente: Las visualizaciones t-SNE demostraron que, sin haber recibido etiquetas de sector, el modelo agrupó naturalmente los activos por sectores GICS y por pertenencia a ETFs temáticos, debido a que estos grupos comparten factores de riesgo y, por ende, comportamientos futuros similares.
• Eficiencia: El modelo es altamente eficiente en términos computacionales, permitiendo la búsqueda de activos en milisegundos, lo que lo hace viable para entornos de producción.

5. Significado e Impacto

Este trabajo cambia el paradigma de la recuperación de activos en finanzas: de buscar activos que "se ven iguales" (patrones históricos) a buscar activos que "actuarán igual" (correlación futura).

La capacidad de FASCL para capturar la estructura de los factores de mercado de forma implícita (agrupando sectores y temas sin etiquetas) y su robustez para la construcción de carteras diversificadas lo posicionan como una herramienta poderosa para la gestión de carteras cuantitativas modernas.