A Bipartite Graph Approach to U.S.-China Cross-Market Return Forecasting

Este artículo propone un marco de aprendizaje automático basado en grafos bipartitos que aprovecha las horas de negociación no superpuestas de los mercados de EE. UU. y China para revelar una asimetría informativa significativa, donde los rendimientos estadounidenses previenen eficazmente los rendimientos intradía chinos, pero no a la inversa.

Lo esencial

¡Claro que sí! Imagina que este artículo es como un detective financiero que intenta predecir el futuro de las acciones, pero con un truco especial: en lugar de mirar solo a las acciones de un país, observa cómo las acciones de un país "susurran" secretos a las acciones de otro país.

Aquí tienes la explicación en español, usando analogías sencillas:

🌍 El Gran Juego de los Relojes Desincronizados

Imagina dos gigantes del mercado de valores: Estados Unidos y China. Tienen un problema de horarios: cuando los estadounidenses se levantan para ir a trabajar, los chinos ya están durmiendo, y viceversa. Sus mercados nunca se abren al mismo tiempo.

• El truco: Como no se superponen, cuando China abre sus puertas por la mañana, ya sabe exactamente qué pasó en Estados Unidos durante su "noche" (que es el día laboral de EE. UU.). Es como si Estados Unidos dejara una nota escrita en la mesa antes de irse a dormir, y China la lee al despertar.

🕸️ La Red de "Telaraña" (El Grafo Bipartito)

Los autores dicen: "No podemos mirar a todas las acciones de todos los países a la vez; sería un caos". Así que crearon un mapa inteligente (un grafo bipartito dirigido).

• La analogía: Imagina dos grupos de personas en habitaciones separadas. En un lado están los "Profetas" (acciones de EE. UU.) y en el otro los "Receptores" (acciones de China).
• El equipo de investigación usa una red de detección para ver quién de los Profetas tiene una conexión real con quién de los Receptores.
  • ¿La acción de una empresa de tecnología en California predice lo que hará una empresa de tecnología en Shenzhen? ¡Sí! -> Conectan un hilo.
  • ¿La acción de una empresa de petróleo en Texas predice lo que hará un banco en Shanghai? Probablemente no. -> No ponen hilo.

Este mapa es como un filtro de café: deja pasar solo la información útil (los hilos fuertes) y tira el ruido (las conexiones débiles o falsas).

🤖 El Equipo de Detectives (Aprendizaje Automático)

Una vez que tienen este mapa limpio con solo las conexiones importantes, lo alimentan a un equipo de 10 detectives diferentes (algoritmos de Inteligencia Artificial).

• Algunos detectives son muy lineales (como un matemático estricto).
• Otros son muy creativos (como árboles de decisión que buscan patrones complejos).
• Al final, toman la opinión promedio de todos para hacer la predicción final.

🇺🇸 vs. 🇨🇳: ¿Quién tiene la bola de cristal?

Aquí viene el hallazgo más interesante, como si descubrieran que un reloj es más preciso que el otro:

1. De EE. UU. a China: ¡Funciona muy bien! La información que deja Estados Unidos (su cierre de ayer) es como un mensaje de texto muy claro que ayuda a predecir cómo se comportará China hoy. Los detectives aciertan mucho y ganan dinero (en teoría).
2. De China a EE. UU.: ¡Funciona muy mal! Cuando China cierra, su mensaje es como un susurro casi inaudible para Estados Unidos. Los detectives apenas pueden predecir nada útil basándose en lo que pasó en China.

¿Por qué? Porque Estados Unidos es el mercado más grande y líquido del mundo. Su "ruido" (información) es tan fuerte que llega a todo el planeta, mientras que el flujo inverso es mucho más débil.

📉 ¿Qué significa esto para el dinero?

El estudio muestra que si usas este mapa y estos detectives para predecir las acciones chinas basándote en lo que pasó en EE. UU., obtienes resultados mucho mejores que si solo miras a China sola.

• La analogía final: Es como si fueras a pescar en un lago (China). Si solo miras el agua, a veces pescas. Pero si tienes un amigo en la orilla opuesta (EE. UU.) que te grita "¡Hay un banco de peces moviéndose allá!" justo antes de que tú lances tu caña, ¡tienes muchas más probabilidades de pescar!

🚀 Conclusión Simple

Este papel nos enseña que:

1. El tiempo importa: La información viaja en una dirección clara (de EE. UU. a China) debido a los horarios de apertura.
2. La estructura es clave: No basta con tener datos; necesitas un mapa (grafo) que te diga quién influye en quién.
3. La IA ayuda: Usar inteligencia artificial sobre este mapa específico permite encontrar patrones que un humano o un modelo simple no verían.

En resumen: Para predecir el mercado chino, ¡mira primero lo que hizo el mercado americano ayer! Es como leer el periódico del vecino antes de decidir qué ropa ponerte.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Un Enfoque de Grafos Bipartitos para la Predicción de Rentabilidades Transfronterizas entre EE. UU. y China

1. Planteamiento del Problema

La predicción de rentabilidades de activos es un desafío central en la gestión de carteras, exacerbado por el ruido, la no estacionariedad y las dependencias no lineales en los mercados financieros. Aunque existen numerosos estudios sobre predicción dentro de un solo mercado (ej. solo EE. UU. o solo China) y análisis de co-movimiento transfronterizo, hay una carencia significativa en la literatura respecto a la predicción de rentabilidades a nivel de acción individual entre mercados, específicamente considerando las restricciones de tiempo de negociación reales.

La mayoría de los trabajos previos se centran en índices agregados o en correlaciones contemporáneas, ignorando la estructura temporal ordenada que surge de las sesiones de negociación que no se superponen entre los mercados de EE. UU. y China. El problema central es cómo explotar esta asimetría temporal para construir un marco de aprendizaje automático que sea económicamente interpretable y estadísticamente robusto para predecir las rentabilidades de apertura a cierre (OPCL) en un mercado utilizando información del otro.

2. Metodología

Los autores proponen un marco de dos etapas que combina la teoría de grafos con modelos de aprendizaje automático:

• Construcción del Grafo Bipartito Dirigido:

  • Se modelan los dos mercados (EE. UU. y China) como dos conjuntos de nodos disjuntos ($X$ y $Y$).
  • Se utilizan las ventanas de entrenamiento rodantes (rolling-window) para realizar pruebas de hipótesis. Para cada par ordenado de acciones $(X_j, Y_i)$, se estima una regresión lineal univariada donde la rentabilidad de la acción en el mercado objetivo ($Y_i$) se regresa sobre la rentabilidad de la acción en el mercado fuente ($X_j$) con un retraso temporal ($l$).
  • Selección de Bordes: Se calcula la estadística $t$ de la regresión. Si $|t_\beta| > \tau$ (donde $\tau=2$), se establece un borde dirigido de $X_j$ a $Y_i$. Esto crea un grafo disperso que captura los enlaces predictivos estadísticamente significativos.
  • Estructura Temporal: El parámetro $l$ asegura el orden temporal estricto. Para predecir China usando EE. UU., $l=1$ (la información de cierre de EE. UU. del día $t-1$ precede a la apertura de China en $t$). Para la dirección inversa, $l=0$.

• Fase de Predicción con Aprendizaje Automático:

  • Los predictores seleccionados por el grafo (las acciones del mercado fuente conectadas a una acción objetivo específica) se utilizan como características de entrada.
  • Se aplican diez modelos de aprendizaje automático diversos para predecir las rentabilidades OPCL (de apertura a cierre):
    • Lineales/Regularizados: OLS, LASSO, Ridge.
    • Basados en Núcleos: SVM.
    • Basados en Árboles/Boosting: XGBoost, LGBM, Random Forests (RF), AdaBoost.
    • Ensembles: Promedio y mediana de las predicciones de los modelos anteriores.
  • El entrenamiento se realiza en una ventana de 250 días, actualizando el grafo y los modelos cada 10 días para evitar sesgo de visión hacia el futuro (look-ahead bias).

3. Contribuciones Clave

• Marco de Grafo Bipartito Dirigido: Introducen una metodología novedosa que utiliza grafos bipartitos no para modelar correlaciones contemporáneas, sino como una capa de selección de características económicamente interpretable basada en la causalidad temporal y la superposición de sesiones de trading.
• Análisis a Nivel de Acción Individual: A diferencia de la mayoría de los estudios que usan índices agregados, este trabajo realiza predicciones a nivel de acción individual entre los dos mercados más grandes del mundo (NYSE/Nasdaq y SSE/SZSE).
• Interpretabilidad Estructural: El grafo resultante no es una "caja negra"; permite visualizar y analizar los canales de transmisión de información entre sectores específicos de ambos países (ej. cómo el sector financiero chino se relaciona con el sector de servicios públicos de EE. UU.).
• Validación de Asimetría: Proporcionan evidencia empírica rigurosa sobre la dirección y magnitud de la asimetría en la predictibilidad transfronteriza.

4. Resultados Principales

• Asimetría Direccional Pronunciada: Existe una fuerte asimetría en la predictibilidad. La información de rentabilidades de cierre a cierre (pvCLCL) de EE. UU. contiene información predictiva sustancial para las rentabilidades intradía (OPCL) de China. Por el contrario, el efecto inverso (China predicendo EE. UU.) es limitado y débil.
• Rendimiento Económico:
  • Al predecir acciones chinas usando predictores de EE. UU., los modelos (especialmente Ridge, LGBM y los Ensembles) logran ratios de Sharpe (SR) superiores a 1, y en algunos casos cercanos a 2.
  • Las estrategias basadas en grafos transfronterizos superan consistentemente a los baselines de un solo mercado (tanto con grafos como sin ellos).
  • El uso de rentabilidades pvCLCL de EE. UU. como predictores es más efectivo que usar rentabilidades OPCL de EE. UU., destacando la importancia de la información transmitida durante la noche.
• Robustez Estructural:
  • Análisis de Sensibilidad: Cuando se reemplazan aleatoriamente los bordes del grafo (perdiendo la estructura económica), el rendimiento cae drásticamente, confirmando que la ganancia predictiva proviene de la estructura del grafo y no de la diversificación genérica.
  • Decaimiento Temporal: A medida que aumenta el retraso temporal ($l$) entre el predictor y el objetivo, el rendimiento disminuye, lo que subraya la importancia de la información reciente.
• Patrones Sectoriales: La agregación del grafo revela que los enlaces predictivos no son simplemente intra-sectoriales (diagonal de bloques), sino que existen canales de transmisión inter-sectoriales significativos (ej. Finanzas chinas $\leftrightarrow$ Servicios públicos de EE. UU.).

5. Significado e Implicaciones

• Validación de la Hipótesis de Liderazgo: Los resultados confirman empíricamente el papel dominante de EE. UU. en el descubrimiento de precios global, especialmente durante los periodos de cierre de mercado de EE. UU. y apertura de China.
• Nueva Estructura para ML Financiero: El estudio demuestra que los marcos de aprendizaje automático que incorporan restricciones económicas (como la no superposición de sesiones y la causalidad temporal) a través de estructuras de grafos pueden mejorar la predictibilidad y la interpretabilidad en comparación con los modelos de "caja negra" estándar.
• Limitaciones y Futuro: Los autores aclaran que las métricas de rendimiento (SR) son pre-costos de transacción y no representan una estrategia de trading lista para la producción. Sin embargo, el trabajo abre la puerta a futuras investigaciones que incluyan más regiones, el uso directo de Redes Neuronales de Grafos (GNN) sobre estas estructuras bipartitas y la integración de modelos de lenguaje grandes (LLM) especializados en series temporales.

En resumen, el paper demuestra que la combinación de una selección de características basada en grafos dirigidos (que respeta la cronología de los mercados) con modelos de aprendizaje automático modernos ofrece una ventaja predictiva significativa y económicamente interpretable en el contexto de los mercados de EE. UU. y China.