💰 quantitative finance

ARTEMIS: A Neuro Symbolic Framework for Economically Constrained Market Dynamics

El documento presenta ARTEMIS, un marco neuro-simbólico innovador que integra operadores de Laplace, ecuaciones diferenciales estocásticas y restricciones simbólicas para generar predicciones de mercado precisas, interpretables y libres de arbitraje, demostrando un rendimiento superior en múltiples conjuntos de datos financieros.

Autores originales: Rahul D Ray

Publicado 2026-03-20

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Rahul D Ray

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que el mercado financiero es como un océano enorme y a veces muy tormentoso. Durante años, los expertos han usado barcos muy avanzados (los modelos de Inteligencia Artificial tradicionales) para navegarlo. Estos barcos son rápidos y pueden predecir dónde estarán las olas, pero tienen un gran problema: son cajas negras. Nadie sabe exactamente cómo toman sus decisiones, y a veces, por no entender la física del agua, pueden intentar navegar de una manera que es imposible en la realidad (como intentar subir una ola en lugar de bajarla), lo que lleva a desastres.

El paper que presentas introduce ARTEMIS, un nuevo tipo de "barco" diseñado para navegar este océano de manera más inteligente, segura y transparente.

Aquí te explico cómo funciona ARTEMIS usando analogías sencillas:

1. El Problema: Los Barcos "Cajas Negras"

Los modelos actuales de IA aprenden mirando miles de fotos del pasado del océano. Aprenden patrones, pero a veces inventan reglas que no tienen sentido económico. Por ejemplo, podrían decirte: "¡Compra ahora porque el precio subirá!" sin explicar por qué, o peor aún, podrían sugerir una estrategia que viola las leyes básicas de la economía (como ganar dinero sin riesgo alguno, lo cual es imposible). Además, si el clima cambia repentinamente (una crisis), estos barcos suelen chocar porque solo han visto días soleados.

2. La Solución: ARTEMIS (El Capitán con Brújula y Mapa)

ARTEMIS no es solo un barco; es un sistema completo que combina la velocidad de la IA con la sabiduría de la economía. Se divide en cuatro partes mágicas:

A. El Radar que no necesita "Parches" (Codificador de Tiempo Continuo)

Los barcos normales necesitan que los datos lleguen en intervalos perfectos (cada segundo, cada minuto). Si falta un dato, tienen que inventarlo (interpolar), lo que distorsiona la realidad.

La analogía: Imagina que ARTEMIS tiene un radar que ve el océano en tiempo real, sin importar si las olas llegan rápido o lento. No necesita "rellenar los huecos" con imaginación; simplemente entiende el flujo natural del agua, incluso si los datos llegan de forma irregular (como los mensajes de un chat).

B. El Motor con Leyes Físicas (Dinámica Latente con SDEs)

Aquí es donde ARTEMIS se vuelve genial. En lugar de dejar que el motor aprenda cualquier cosa, los creadores le dieron un "manual de leyes físicas" (las leyes de la economía).

La analogía: Imagina que entrenas a un perro para que corra. Un modelo normal le grita "¡Corre más rápido!" y el perro puede correr hasta romperse las patas. ARTEMIS, en cambio, le dice: "Corre rápido, pero nunca puedes correr contra la gravedad ni saltar sin tocar el suelo".
Cómo lo hace: Usa dos reglas estrictas:
1. La regla de "No Arbitraje": Le prohíbe al modelo encontrar atajos mágicos para ganar dinero sin riesgo. Si el modelo intenta predecir algo imposible, el sistema le da una "multa" (una penalización matemática) y le obliga a corregirse.
2. La regla del "Riesgo Realista": Le dice al modelo: "Puedes ganar dinero, pero no puedes prometer que ganarás un 1000% de retorno en un día". Si el modelo se vuelve demasiado ambicioso, lo frena.

C. El Traductor Humano (Cuello de Botella Simbólico)

Este es el gran truco. La IA suele ser un genio que no sabe hablar. ARTEMIS tiene un traductor especial.

La analogía: Imagina que un genio matemático te da una solución a un problema en una lengua alienígena incomprensible. ARTEMIS tiene un traductor que toma esa solución alienígena y la convierte en una receta de cocina simple que cualquiera puede entender: "Si el precio sube y el volumen baja, entonces vende".
Esto es vital porque en los bancos y gobiernos, no puedes usar un modelo que no puedas explicar. ARTEMIS te da la respuesta y la fórmula exacta de por qué la dio.

D. El Escudo de Seguridad (Predicción Conformal)

Nadie sabe con certeza qué pasará mañana. ARTEMIS no solo te da una predicción, sino que te dice: "Creo que el precio será X, pero tengo un 95% de seguridad de que estará entre Y y Z".

La analogía: En lugar de decirte "Mañana lloverá", te dice "Mañana lloverá, y si no es un diluvio, será una llovizna ligera". Esto ayuda a los gestores de dinero a saber cuánto riesgo pueden correr.

3. Los Resultados: ¿Funciona de verdad?

Los autores probaron ARTEMIS en cuatro escenarios diferentes, incluyendo uno que simula un crash financiero (un tsunami en el océano).

En condiciones normales: ARTEMIS compite muy bien con los mejores barcos del mundo.
En el "Tsunami" (Crash): Aquí es donde ARTEMIS brilla. Mientras otros modelos se confundían y predecían mal, ARTEMIS acertó en la dirección del movimiento (si subiría o bajaría) casi el 65% de las veces, mucho mejor que sus rivales.
La prueba de fuego: Cuando quitaron las "leyes físicas" (las reglas de economía) del modelo, este dejó de funcionar bien y empezó a adivinar al azar. Esto demuestra que las reglas económicas no son un adorno, son el motor que hace que funcione.

En Resumen

ARTEMIS es como un piloto de avión que no solo tiene un radar superpotente, sino que también lleva un manual de física de vuelo pegado al tablero y un copiloto que le explica en español simple qué está pasando.

Ventaja: Es más seguro, no hace promesas imposibles, explica sus decisiones y funciona mejor cuando el mercado se vuelve loco.
Desventaja: Es un poco más lento y costoso de entrenar que los modelos simples, porque tiene que pensar más a fondo para respetar las reglas.

El mensaje final es que, en el mundo del dinero, la transparencia y la lógica económica son tan importantes como la precisión. ARTEMIS nos enseña que para navegar el futuro financiero, no basta con ser rápido; hay que ser inteligente y obedecer las leyes de la realidad.

1. Planteamiento del Problema

El artículo identifica tres desafíos fundamentales que limitan la adopción de modelos de aprendizaje profundo en aplicaciones financieras de alto riesgo:

Falta de interpretabilidad: Los modelos actúan como "cajas negras", lo que genera riesgos legales y operativos en entornos regulados. Las técnicas de explicación post-hoc (como SHAP o LIME) son aproximaciones que no resuelven la opacidad intrínseca del modelo.
Desconexión con principios económicos: Los modelos puramente basados en datos aprenden correlaciones espurias sin respetar leyes financieras fundamentales, como la ausencia de arbitraje. Esto lleva a predicciones implausibles, especialmente cuando las condiciones del mercado se desvían de la distribución de entrenamiento.
Naturaleza continua y no estacionaria: Los mercados financieros son procesos de tiempo continuo con datos de muestreo irregular. Los modelos discretos tradicionales (RNN, Transformers estándar) requieren interpolación que distorsiona la dinámica subyacente y a menudo fallan ante cambios de régimen (crisis).

2. Metodología: El Marco ARTEMIS

ARTEMIS (Arbitrage-free Representation Through Economic Models & Interpretable Symbolics) es un marco neuro-simbólico unificado diseñado para abordar estos problemas simultáneamente. Su arquitectura consta de cuatro módulos acoplados:

A. Codificador de Tiempo Continuo (Laplace Neural Operator)

En lugar de requerir muestreo regular, utiliza un Operador Neural de Laplace para mapear directamente observaciones irregulares (como actualizaciones de libros de órdenes) a un estado latente continuo.
Esto elimina la necesidad de interpolación, preservando la estructura temporal real de los datos financieros.

B. Dinámica Latente Informada por Economía (Neural SDE)

El estado latente evoluciona mediante una Ecuación Diferencial Estocástica Neural (Neural SDE): $dz = \mu_\theta(z, t)dt + \sigma_\phi(z, t)dW$ .
Regularización Física: Se introducen dos términos de pérdida novedosos derivados del Teorema Fundamental de Valoración de Activos para forzar la plausibilidad económica:
1. Residuo de la EDP de Feynman-Kac ( $L_{PDE}$ ): Penaliza las violaciones de las condiciones de no arbitraje local en el espacio latente.
2. Penalización del Precio de Mercado del Riesgo ( $L_{MPR}$ ): Limita la relación de Sharpe instantánea a valores realistas, evitando que el modelo aprenda estrategias de arbitraje imposibles.

C. Cuello de Botella Simbólico Diferenciable

Para resolver el problema de la interpretabilidad, el modelo incluye una capa que destila la dinámica latente en expresiones simbólicas cerradas (factores de trading interpretables) mediante regresión simbólica diferenciable.
Esto permite obtener reglas de trading legibles por humanos sin sacrificar la capacidad de entrenamiento end-to-end.

D. Capa de Asignación Conformal

Proporciona intervalos de predicción calibrados y libres de distribución para la cuantificación de incertidumbre, permitiendo la construcción de carteras optimizadas (ej. criterio de Kelly) basadas en la incertidumbre del modelo.

3. Contribuciones Clave

Integración de Restricciones Económicas: Es el primer trabajo que incrusta directamente restricciones de no arbitraje y límites del precio de riesgo dentro del aprendizaje de dinámicas latentes para tareas de pronóstico, utilizando SDEs neuronales.
Codificación en Tiempo Continuo: Manejo nativo de datos de muestreo irregular sin interpolación mediante Operadores Neuronales.
Interpretabilidad Intrínseca: Supera a las técnicas post-hoc al generar fórmulas matemáticas interpretables directamente desde la arquitectura del modelo.
Validación Rigurosa: Evaluación exhaustiva contra seis modelos de referencia (LSTM, Transformer, NS-Transformer, Informer, Chronos-2, XGBoost) en cuatro conjuntos de datos diversos.

4. Resultados Experimentales

El modelo se evaluó en cuatro conjuntos de datos: Jane Street (datos de mercado anonimizados), Optiver (predicción de volatilidad), Time-IMM (temperatura ambiental) y DSLOB (un conjunto de datos sintético diseñado para simular un régimen de colapso del mercado).

Precisión Direccional (DirAcc): ARTEMIS alcanza el estado del arte en precisión direccional.
- En DSLOB (escenario de crisis): 64.96% (superando a todos los baselines).
- En Time-IMM: 96.0%.
- En Jane Street: 51.50% (comparable a LSTM).
Estudio de Ablación (en DSLOB):
- Eliminar la pérdida PDE reduce la precisión direccional de 64.89% a 50.32% (cerca del azar).
- Eliminar ambas pérdidas físicas colapsa la precisión a 41.77% (peor que el azar).
- Esto demuestra que las restricciones económicas son críticas para la capacidad de predecir la dirección del movimiento, no solo la magnitud.
Limitaciones: El modelo tuvo un rendimiento inferior en el conjunto de datos Optiver (RankIC negativo). Los autores atribuyen esto a la longitud de secuencia muy larga (600 pasos), el objetivo enfocado en la magnitud de la volatilidad (en lugar de la dirección) y el conjunto de características limitado, lo que sugiere que la arquitectura está optimizada para la dirección y la dinámica de precios, no para la volatilidad pura.

5. Significado e Impacto

El trabajo de ARTEMIS representa un avance significativo en la intersección entre el aprendizaje profundo y las finanzas cuantitativas:

Puente entre Precisión y Transparencia: Demuestra que es posible mantener un alto rendimiento predictivo mientras se generan reglas de trading interpretables y económicamente fundamentadas.
Robustez en Crisis: La capacidad de mantener un alto rendimiento direccional en un régimen de colapso sintético (DSLOB) sugiere que las restricciones físicas ayudan a generalizar mejor fuera de la distribución de entrenamiento, un problema crítico en la gestión de riesgos.
Nueva Dirección de Investigación: Establece un nuevo paradigma para el desarrollo de IA confiable en finanzas, donde la plausibilidad económica y la transparencia no son sacrificios, sino componentes integrales del diseño del modelo.

En resumen, ARTEMIS ofrece una solución viable para la "caja negra" en finanzas, utilizando principios físicos y económicos para guiar el aprendizaje automático hacia predicciones más robustas, seguras y explicables.