Investing Is Compression

✨

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

Each language version is independently generated for its own context, not a direct translation.

Imagina que el mundo de las inversiones es como un gigantesco juego de adivinanzas donde el objetivo no es solo ganar dinero, sino sobrevivir lo suficiente para que ese dinero crezca exponencialmente.

Este artículo, escrito por Oscar Stiffelman, tiene una idea central muy potente y contraintuitiva: Invertir es, en esencia, un problema de compresión de datos.

Aquí te explico las ideas clave usando analogías simples:

1. El error de querer "ganar mucho" vs. "no perderlo todo"

Imagina que tienes una moneda trucada que sale cara el 60% de las veces.

Si apuestas todo tu dinero cada vez, eventualmente perderás todo (ruina), aunque la probabilidad esté a tu favor.
Si apuestas muy poco, crecerás lento.
La Fórmula de Kelly (el tema central del papel) te dice exactamente cuánto apostar para maximizar tu crecimiento a largo plazo sin quebrar.

Durante mucho tiempo, los economistas (como Paul Samuelson) dijeron: "Esto es subjetivo, es solo una preferencia personal de ser conservador". Pero el autor explica que se equivocaron. No es una preferencia; es una ley matemática. Si quieres ser el más rico posible a largo plazo, la fórmula de Kelly es la única estrategia que funciona mejor que cualquier otra, incluso contra un oponente inteligente.

2. La gran revelación: Invertir es "comprimir" información

Aquí es donde entra la parte de "compresión". Imagina que tienes un archivo de datos muy grande y quieres guardarlo en un USB pequeño.

Compresión: Es encontrar el patrón más corto y eficiente para describir esos datos.
Inversión: Es tratar de adivinar cuál será el futuro del mercado.

El autor demuestra que la fórmula de Kelly descompone el problema de invertir en tres piezas:

El Dinero (La Regla del Juego): Cuánto paga el mercado. Esto no depende de ti.
La Entropía (El Caos): Qué tan impredecible es el mercado. Esto tampoco depende de ti.
La Divergencia (Tu Error): Aquí está la clave. Mide la diferencia entre tu predicción y la realidad oculta.

La analogía de la "Fricción":
Imagina que conduces un coche.

El motor (el mercado) y el terreno (la incertidumbre) son fijos.
La única forma de ir más rápido es reducir la fricción.
En inversiones, esa "fricción" es tu divergencia. Es la distancia entre lo que tú crees que pasará y lo que realmente pasa.
Invertir bien es como comprimir un archivo: Estás intentando encontrar la descripción más corta y precisa de la realidad para minimizar ese "ruido" o error. Cuanto más cerca estés de la verdad, menos "fricción" tienes y más rápido crece tu dinero.

3. El truco de Tom Cover: Dejar de mirar el todo y mirar las partes

El autor usa una técnica brillante de un profesor llamado Tom Cover.
Imagina que tienes que predecir el clima de los próximos 100 días.

El enfoque tradicional: Intentas predecir la secuencia exacta de los 100 días (llueve, sol, nubes...). Es casi imposible.
El enfoque de Cover: En lugar de ver una secuencia larga, imagina que el tiempo se divide en millones de "caminos posibles". La mayoría de esos caminos son muy raros. La fórmula de Kelly te dice que, matemáticamente, casi todo tu dinero se concentrará en un grupo específico de caminos que se parecen a tu estrategia.

Esto convierte un problema de "adivinar el futuro" en un problema de "ajustar tu distribución de probabilidades" para que coincida con la realidad.

4. Una herramienta práctica: La "Fracción de Ganadores"

El autor propone una forma inteligente de invertir, especialmente útil para cosas como las Startups o el capital de riesgo, donde es difícil predecir los números exactos.

La idea: En lugar de intentar predecir cuánto ganará cada empresa (lo cual es muy difícil), pregúntate: "¿Cuál es la probabilidad de que esta empresa sea la número 1?".
La analogía: Imagina una carrera de caballos. No necesitas saber la velocidad exacta de cada caballo en cada kilómetro. Solo necesitas saber qué caballo tiene más probabilidades de ganar.
El resultado: Si asignas tu dinero proporcionalmente a quién crees que ganará, tu error estará limitado por la "confusión" (entropía) de tu predicción. Si tienes pocas opciones o las diferencias son muy claras, esta estrategia funciona casi tan bien como la perfecta.

Resumen en una frase

Invertir no se trata de adivinar el futuro mágicamente, sino de minimizar tu error de predicción. Cuanto mejor seas en "comprimir" la información del mercado (es decir, entender la realidad con menos ruido), más dinero ganarás a largo plazo. La fórmula de Kelly es la brújula que te dice cómo hacerlo.

Each language version is independently generated for its own context, not a direct translation.

1. El Problema

El artículo aborda la fundamentación teórica de la asignación de capital en mercados financieros, específicamente desafiando la visión tradicional de la economía sobre la utilidad y el riesgo.

El debate histórico: Desde 1956, John Kelly propuso maximizar el crecimiento logarítmico de la riqueza (Criterio de Kelly) en lugar del valor esperado simple. Sin embargo, el economista Paul Samuelson argumentó que la utilidad logarítmica era una función subjetiva y arbitraria, manteniendo esta idea fuera de la economía mainstream.
La limitación de los modelos actuales: La teoría moderna de carteras (MPT) trata el riesgo y la recompensa como ejes separados, a menudo asumiendo distribuciones gaussianas que no capturan la naturaleza de las "colas pesadas" de los mercados. Además, la retroprueba (backtesting) de estrategias es problemática debido a la no estacionariedad de los datos de mercado y la sensibilidad a eventos extremos, lo que dificulta la interpretación estadística de los rendimientos promedio.
La pregunta central: ¿Existe una justificación objetiva (no subjetiva) para el criterio de Kelly y cómo se puede estructurar matemáticamente el problema de inversión general para revelar su naturaleza fundamental?

2. Metodología

El autor utiliza herramientas de la Teoría de la Información, específicamente desarrolladas por Tom Cover en la Universidad de Stanford, para reestructurar el problema de inversión.

Transformación Algebraica (Producto de Sumas a Suma de Productos):
- Tradicionalmente, el crecimiento de la riqueza en múltiples periodos se modela como un producto de sumas (el retorno total es el producto de los retornos diarios, donde cada retorno diario es una suma ponderada de activos).
- Stifelman aplica la técnica de Cover para reescribir este producto de sumas como una suma de productos. Esto transforma el problema de un proceso de reinversión continua en un escenario de "carrera de caballos" (mutuamente excluyente) sobre un número exponencial de secuencias de eventos posibles.
Análisis de Clases de Tipo (Type Classes):
- Se agrupan las secuencias de retornos por su frecuencia empírica (clases de tipo).
- Se utiliza la Aproximación de Stirling y la Propiedad de Equipartición Asintótica (AEP) para demostrar que la masa de probabilidad (y por tanto el peso de la cartera) se concentra exponencialmente en la clase de tipo que coincide con los pesos óptimos de la cartera.
Descomposición en Términos de Información:
- Al simplificar la ecuación de crecimiento logarítmico bajo esta nueva representación, el autor descompone el objetivo de crecimiento en tres términos distintos:
  1. Término de Dinero: Relacionado con las reglas del juego y los retornos (independiente de la asignación).
  2. Término de Entropía: Relacionado con la incertidumbre inherente (independiente de la asignación).
  3. Término de Divergencia (KL): Mide la diferencia entre la distribución de la cartera elegida y la distribución verdadera (desconocida) de los mercados.

3. Contribuciones Clave

El artículo presenta varias contribuciones teóricas y prácticas originales:

La Tesis Central: "Invertir es Compresión": Se demuestra que maximizar la tasa de crecimiento compuesta es matemáticamente equivalente a minimizar la divergencia de Kullback-Leibler (KL) entre la distribución de la cartera y la distribución verdadera del mercado. Dado que los primeros dos términos (dinero y entropía) son constantes para cualquier estrategia en un backtest dado, la única variable optimizable es reducir la "fricción" causada por la divergencia.
Validación Objetiva del Criterio de Kelly: Se refuta la crítica de Samuelson demostrando que la utilidad logarítmica no es arbitraria, sino óptima objetivamente por tres razones:
1. Maximiza la riqueza a largo plazo.
2. Minimiza el riesgo de ruina.
3. Es competitivamente óptima en un sentido de teoría de juegos, incluso a corto plazo (domina a otras estrategias en la mayoría de las secuencias de mercado).
Heurística de la Fracción de Ganadores (Winner Fraction):
- Se introduce una nueva heurística para entornos donde la distribución conjunta de retornos es desconocida o difícil de modelar (ej. capital de riesgo).
- La estrategia asigna capital en proporción a la probabilidad de que un activo "gane" (domine al conjunto de candidatos).
- Límite de Entropía: Se demuestra que la brecha de crecimiento entre la cartera óptima y esta heurística está acotada por la entropía de la distribución de la fracción de ganadores. Esto implica que la heurística es altamente efectiva cuando el conjunto de candidatos es pequeño o cuando los resultados son extremos (baja entropía).
Nueva Métrica para Backtesting: Se propone que, al comparar dos estrategias en un backtest, la diferencia en sus tasas de crecimiento logarítmico mide directamente el cambio en la divergencia relativa (en bits) respecto a un ideal desconocido, eliminando el ruido de los términos constantes de dinero y entropía.

4. Resultados

Factorización Universal: Se logra factorizar el problema de inversión general (no solo mercados de carrera de caballos) en los tres términos mencionados, revelando que la estructura subyacente es idéntica a la de los problemas de compresión de datos.
Convergencia Exponencial: Se demuestra matemáticamente que el peso asignado a secuencias que no coinciden con la distribución óptima de la cartera decae exponencialmente con el número de periodos ( $n$ ) y la divergencia ( $D_{KL}$ ).
Eficiencia de la Heurística: La prueba del límite de entropía confirma que la heurística de "fracción de ganadores" es una aproximación robusta y teóricamente fundamentada, especialmente útil en escenarios de alta incertidumbre donde el modelado completo de retornos es imposible.

5. Significado e Impacto

El artículo tiene implicaciones profundas tanto para la teoría financiera como para la práctica de inversión:

Cambio de Paradigma: Reencuadra la inversión no como un problema estadístico de riesgo-rendimiento (como en la MPT de Markowitz), sino como un problema de compresión de información. El inversor exitoso es aquel que logra comprimir la incertidumbre del mercado de la manera más eficiente posible, alineando su distribución de apuestas con la realidad subyacente.
Superación del Escepticismo Económico: Proporciona la prueba definitiva de que el criterio de Kelly es la solución óptima universal, validando décadas de trabajo de Cover y desmantelando la objeción de Samuelson sobre la subjetividad de la utilidad logarítmica.
Aplicabilidad Práctica: Ofrece una nueva lente para interpretar el rendimiento de las estrategias. En lugar de buscar promedios absolutos (que son sensibles a eventos atípicos), los gestores pueden enfocarse en minimizar la divergencia de su modelo respecto a la realidad.
Herramienta para Inversión de Capital de Riesgo: La heurística de "fracción de ganadores" ofrece un marco matemático riguroso para la asignación de capital en entornos de alta incertidumbre (startups), donde la predicción de flujos de caja es imposible, pero la estimación de probabilidades de victoria relativa es factible.

En resumen, Stifelman demuestra que la esencia de la inversión es encontrar la descripción más parsimoniosa (compresión) de la distribución de retornos del mercado, y que el Criterio de Kelly es el mecanismo matemático que logra esta compresión óptima.