Macroeconomic Message Passing for Anticipating Foreign Exchange Regime Changes: A Deep Logical Learning Approach using Graph Tsetlin Machines

Resumen Técnico: Paso de Mensajes Macroeconómicos para la Anticipación de Cambios de Régimen en el Mercado de Divisas (Forex)

Planteamiento del Problema
La identificación de los regímenes del mercado de divisas (FX)—estados distintos de acción de precios gobernados por condiciones macroeconómicas específicas—sigue siendo un desafío significativo en las finanzas cuantitativas. Los modelos paramétricos tradicionales (p. ej., Hamilton 1989; Krolzig 1997) dependen de supuestos de linealidad estrictos y tienen dificultades en espacios de características de alta dimensionalidad. Si bien los enfoques modernos de aprendizaje automático que utilizan el aprendizaje no supervisado o marcos de cambio de régimen han mejorado la adaptabilidad, a menudo operan sobre horizontes temporales largos, lo que limita su capacidad para ajustarse rápidamente a choques de régimen repentinos. Además, las Máquinas de Tsetlin (TM) estándar, aunque ofrecen un reconocimiento de patrones basado en lógica interpretable, están limitadas por representaciones de entrada booleanas y arquitecturas de longitud fija que carecen de una memoria inherente de estados pasados a menos que se diseñen explícitamente. El desafío específico abordado en este artículo es la anticipación de cuatro regímenes de FX distintos que operan en datos horarios, particularmente durante períodos de "sequías de volatilidad" (baja varianza impulsada por políticas de tasas de interés estáticas) donde las relaciones señal-ruido están comprimidas.

Metodología
Los autores proponen un marco de Máquina de Tsetlin de Grafos (GraphTM) que integra variables macroeconómicas exógenas en un sistema de aprendizaje estructurado y basado en la lógica.

• Representación de Grafo: El mercado se modela como un multigrafo dirigido hipervectorizado $G = (V, E, P, T)$.
  • Nodos ($V$): Representan variables de mercado, incluyendo un nodo de precio objetivo ($v_{UJ}$ para USD/JPY), nodos de trayectoria de volatilidad ($v_{ra}$), nodos de trayectoria de eficiencia ($v_{le}$) y nodos de impulso macroeconómico ($v_{ry}$ que representa los rendimientos de los bonos de EE. UU./Japón y los precios del petróleo).
  • Aristas ($E$): Definen relaciones causales y correlativas (p. ej., la dependencia fundamental de los rendimientos de los bonos hacia los precios de FX, vínculos de volatilidad entre mercados cruzados).
  • Propiedades ($P$): Codificadas como hipervectores binarios dispersos, capturando tanto los estados actuales como los históricos (p. ej., el Average True Range normalizado y el Efficiency Ratio).
• Cláusulas Lógicas Profundas: A diferencia de las TM estándar que procesan vectores de características globales, la GraphTM construye cláusulas conjuntivas profundas ($C_j = C^0_j \land C^1_j \land \dots \land C^{D-1}_j$).
  • Capa 0 ($C^0$): Opera sobre las propiedades locales de los nodos (p. ej., la detección de la ausencia de expansión de la volatilidad).
  • Paso de Mensajes: Las capas superiores utilizan símbolos de mensaje ($M$) pasados entre nodos a través de las aristas. Si un componente de capa inferior se evalúa como verdadero, señala a sus vecinos. Las capas subsiguientes inspeccionan estas "bandejas de entrada" para validar los estados locales contra el contexto de los nodos vecinos (p. ej., verificando un nodo de precio estancado frente a un nodo de rendimiento de bonos estable).
• Mecanismo de Aprendizaje: El sistema emplea autómatas de Tsetlin (TA) descentralizados distribuidos a través de nodos y capas. El aprendizaje ocurre mediante transiciones de estado discretas impulsadas por dos tipos de retroalimentación:
  • Tipo I (Generalización): Refuerza los literales que contribuyen a las clasificaciones correctas, promoviendo la inclusión de propiedades estructurales estables.
  • Tipo II (Discriminación): Penaliza los falsos positivos forzando la inclusión de literales que contradicen el estado actual del mercado, suprimiendo efectivamente las cláusulas que clasifican erróneamente los regímenes (p. ej., evitando que una cláusula de "estancamiento" se active durante una "tendencia").
• Definición de Régimen: El modelo apunta a cuatro regímenes definidos por la intersección de la volatilidad normalizada (ATR) y la eficiencia direccional (Efficiency Ratio):
  1. Estancado (Stagnant): Baja volatilidad / Baja eficiencia.
  2. Tendencia Estable (Steady Trend): Baja volatilidad / Alta eficiencia.
  3. Errático/Reversión a la Media (Choppy/Mean-Reverting): Alta volatilidad / Baja eficiencia.
  4. Tendencia Volátil (Volatile Trend): Alta volatilidad / Alta eficiencia.
• Estrategia de Etiquetado: Para asegurar la estabilidad temporal, las etiquetas se generan utilizando un enfoque de voto de mayoría de 72 horas sobre la ventana de prospección, filtrando el ruido horario transitorio.

Contribuciones Clave

1. Detección de Regímenes mediante Teoría de Grafos: El artículo introduce la aplicación de GraphTM a los mercados de FX, mapeando los impulsores macroeconómicos y los indicadores técnicos a una estructura de grafo para capturar explícitamente las dependencias entre activos y las relaciones causales.
2. Razonamiento por Eliminación: La arquitectura aprovecha la capacidad de especificar la ausencia de propiedades (p. ej., la falta de expansión de la volatilidad) para clasificar con precisión los estados estancados, una capacidad destacada como particularmente efectiva durante los períodos de baja varianza.
3. Robustez al Ruido mediante Hipervectores: Al codificar las propiedades de los nodos y los mensajes en un espacio de hipervectores de alta dimensión, el modelo mantiene la robustez predictiva en entornos de baja claridad de señal.
4. Métrica de Riesgo Asimétrica: Los autores proponen una "Puntuación de Riesgo de Trading" personalizada basada en una matriz de costos asimétrica. Esta métrica prioriza la minimización de la erosión de capital por predicciones de tendencias falsas en mercados erráticos sobre la precisión estadística bruta, alineando la optimización del modelo con las restricciones prácticas del trading algorítmico.

Resultos
La evaluación empírica se realizó con datos horarios de USD/JPY, particionados en conjuntos de entrenamiento (60%) y de prueba fuera de la muestra (OOS) (40%) con un orden cronológico estricto y una purga de datos de 72 horas para evitar la fuga de información (leakage).

• Desempeño: La GraphTM completa logró una precisión general OOS del 70.69%.
  • Clase 0 (Estancado): 80.51% de precisión.
  • Clase 2 (Errático): 71.91% de precisión.
  • Clase 1 (Tendencia Estable): 48.16% de precisión.
  • Clase 3 (Tendencia Volátil): 11.24% de precisión (limitada por el tamaño de la muestra y su inicio abrupto).
• Análisis Comparativo: La GraphTM superó a los puntos de referencia, incluyendo Máquinas de Gradiente Potenciado (62.54%), Redes Neuronales de Grafos (56.13%) y Máquinas de Tsetlin Convolucionales (CoTM) estándar con hasta dos rezagos (58.76%).
• Estudio de Ablación: Eliminar los nodos macroeconómicos exógenos (rendimientos de bonos, petróleo, volatilidad de pares cruzados) resultó en una caída significativa del desempeño (la precisión general cayó al 48.01%), particularmente para la Clase 1 (Tendencia Estable, cayendo al 9.93%). Esto confirma que los indicadores de momentum internos por sí solos son insuficientes para distinguir tendencias estables de la consolidación lateral.
• Métricas de Riesgo: Durante el período de alta volatilidad de COVID-19 (2020), la métrica de riesgo rodante identificó correctamente la alta incertidumbre estructural. Por el contrario, durante el período de tendencia estable de 2021–2022, la métrica de riesgo decayó casi a cero, demostrando la capacidad del modelo para detectar períodos de bajo riesgo operativo.

Significancia y Reivindicaciones
El artículo sostiene que la GraphTM ofrece un paradigma robusto, transparente y computacionalmente eficiente para navegar regímenes de mercado multimodales. Su principal significancia radica en cerrar la brecha entre el aprendizaje geométrico estructural y la explicabilidad simbólica. Al utilizar el paso de mensajes sobre un grafo de relaciones macroeconómicas, el modelo puede anticipar cambios de régimen más rápido que los modelos tradicionales de largo horizonte, manteniendo la interpretabilidad mediante cláusulas lógicas. Los autores postulan que este enfoque es particularmente valioso para el "razonamiento por eliminación" en mercados estancados y para integrar correlaciones entre activos sin la naturaleza de "caja negra" de las redes neuronales profundas. El estudio concluye que el aprendizaje lógico basado en grafos proporciona una alternativa viable a la inteligencia artificial convencional para la previsión financiera, específicamente al modelar explícitamente las relaciones macroeconómicas como estructuras de grafos.