Resumen Técnico: Convergencia Cuántica

Planteamiento del Problema

La finanzas cuantitativas modernas dependen cada vez más de modelos complejos de aprendizaje automático (ML), tales como XGBoost y ensambles de AutoML, para identificar patrones en los mercados de renta variable. Sin embargo, los autores postulan que, a medida que estos modelos aumentan en complejidad, corren el riesgo de sufrir un "sobreajuste" (overfitting) al ruido del mercado y al entusiasmo a corto plazo, en lugar de identificar empresas con un valor genuino a largo plazo. Esto genera carteras que pueden generar altos retornos absolutos durante los mercados alcistas, pero que sufren caídas catastróficas (drawdowns) durante los choques de mercado debido a la falta de restricciones de riesgo estructural. La pregunta central de investigación es si el marco clásico de inversión en valor basado en reglas de Benjamin Graham puede servir como un "filtro de paso bajo" matemático para regularizar los modelos de IA modernos, evitando que asuman un riesgo excesivo mientras mantienen o mejoran el rendimiento predictivo.

Metodología

El estudio empleó un riguroso protocolo de backtesting de 20 años (marzo de 2006 – marzo de 2026) sobre el universo del S&P 500, utilizando una división temporal estricta de 80/20 para garantizar la ausencia de sesgo de anticipación (look-ahead bias). La ventana de entrenamiento cubrió 4,021 días, mientras que la ventana de prueba fuera de la muestra cubrió 1,006 días (marzo de 2022 – marzo de 2026), un periodo caracterizado por una severa contracción macroeconómica seguida de un rally concentrado.

Datos e Ingeniería de Características

Los investigadores construyeron tres conjuntos de características distintos para probar contra cinco arquitecturas de modelos diferentes:

1. Estrategia A (Graham Puro): 19 características basadas estrictamente en los siete criterios defensivos de Graham (por ejemplo, Razón Corriente ≥ 2, P/E ≤ 15, P/E × P/B ≤ 22.5), codificadas como umbrales binarios y suplementadas con ratios fundamentales.
2. Estrategia B (Quant Moderno): 15 características derivadas de operaciones vectorizadas, incluyendo métricas de riesgo-retorno (Alpha CAPM, Beta, Sharpe), señales de momentum y una señal de integridad de datos de la Ley de Benford.
3. Estrategia C (Híbrido Combinado): Una agregación de 36–40 características, incluyendo términos de interacción de dominios cruzados (por ejemplo, Valor × Momentum).

Arquitecturas de Modelos

Se evaluaron cinco modelos utilizando optimización de hiperparámetros mediante Optuna (Estimador de Parzen Dirigido por Árboles) y validación cruzada de división temporal (TimeSeriesSplit):

• Random Forest (RF): Entrenado con las Estrategias A, B y C.
• XGBoost: Entrenado con el conjunto de datos Híbrido Combinado (Estrategia D).
• AutoGluon: Un marco de aprendizaje automático automatizado configurado para apilar múltiples modelos (Estrategia E).

Protocolo de Ejecución

El estudio simuló una estrategia estricta de "comprar y mantener" (buy-and-hold). Al inicio del periodo de prueba, cada modelo seleccionó las 20 acciones con mayor probabilidad de sobre rendimiento predicho. Estas fueron compradas con pesos iguales y mantenidas sin rebalanceo durante toda la duración de cuatro años.

Resultados Clave

Los resultados fuera de la muestra desafiaron la suposición de que una mayor complejidad algorítmica y datos sin restricciones producen retornos superiores ajustados al riesgo.

• Retornos Absolutos: El Random Forest de Graham Puro (Estrategia A) logró el mayor retorno total del 232.13%, superando al índice de referencia S&P 500 (68.00%) y al modelo AutoGluon sin restricciones (222.68%).
• Riesgo y Drawdown: Aunque AutoGluon generó altos retornos, sufrió un drawdown máximo severo del 39.78% durante el choque del mercado de 2022, significativamente peor que el 24.00% del índice de referencia. En contraste, el modelo de Graham Puro experimentó un drawdown del 35.01%, y el RF Híbrido Combinado (Estrategia C) logró el drawdown más bajo de 34.53%.
• Rendimiento Ajustado al Riesgo: El modelo de Graham Puro logró el Ratio de Calmar más alto (1.38), indicando un sobre rendimiento superior por unidad de riesgo de caída. El RF Híbrido Combinado (Estrategia C) le siguió con 1.22, mientras que AutoGluon cayó a 1.16.
• Penalización por Complejidad: Cuando los factores cuantitativos modernos se mezclaron con las reglas de Graham (Estrategia C), el retorno total cayó al 202.91% en comparación con el 232.13% del modelo de Graham puro. Además, el modelo XGBoost aplicado al conjunto de datos combinado (Estrategia D) colapsó a un retorno del 56.79%, subperformando al índice de referencia, lo que indica un sobreajuste severo.
• Significancia Estadística: Una prueba t de Welch confirmó que el sobre rendimiento de la estrategia de Graham Puro fue estadísticamente significativo al nivel $\alpha = 0.10$ ($p = 0.098$) frente al S&P 500. Por el contrario, el modelo AutoGluon no pudo rechazar la hipótesis nula ($p = 0.106$), sugiriendo que sus retornos eran matemáticamente indistinguibles de la varianza aleatoria dada su alta volatilidad.

Significancia y Reivindicaciones

El artículo sostiene que el "margen de seguridad" de Benjamin Graham no es un concepto obsoleto, sino una técnica de regularización altamente efectiva para el trading algorítmico moderno.

• Filtrado de Paso Bajo: El estudio demuestra que restringir los modelos de ML a las métricas clásicas del balance general actúa como un filtro de paso bajo matemático, eliminando eficazmente a las empresas financieramente frágiles y evitando que el modelo se sobreajuste al momentum o la volatilidad de corto plazo.
• Dilución del Valor: La investigación sugiere que intentar "modernizar" las reglas de Graham añadiendo factores de momentum contemporáneos en realidad diluye su poder predictivo. La lógica fundamental pura demostró ser estructuralmente superior a los enfoques híbridos en este régimen de mercado específico.
• Supervivencia Estructural: Los hallazgos indican que, en la intersección de la IA y las finanzas, los modelos más robustos son aquellos anclados en la realidad económica fundamental. Los ensambles complejos y sin restricciones pueden capturar el momentum alcista, pero fallan en proporcionar supervivencia estructural durante los choques de mercado, mientras que los modelos fundamentales restringidos ofrecen un perfil de riesgo-retorno superior.

Los autores concluyen que las restricciones fundamentales son necesarias para aislar el alfa verdadero y estadísticamente significativo, transformando el marco defensivo de Graham de la década de 1940 en una herramienta vital para la gestión de riesgos en sistemas de aprendizaje automático de alta dimensionalidad.