Ensemble learning for time series forecasting using metaheuristic optimisation

Predecir el futuro es un instinto humano, pero predecir el futuro de los números es una ciencia notoriamente difícil. En el mundo de las finanzas, el pronóstico de series temporales es el intento de adivinar cuál será el precio de una acción mañana basándose en lo que fue ayer, la semana pasada y el año pasado. Los datos rara vez son una línea recta; son irregulares, ruidosos y cambian constantemente, de forma muy similar a intentar pronosticar el clima en una tormenta. Debido a que el mercado es tan volátil e impredecible, confiar en un solo método para hacer una predicción es a menudo como intentar navegar un barco con un solo compás. Si ese compás está ligeramente desviado, todo el viaje se ve comprometido. Es por esto que los investigadores han recurrido al "aprendizaje de conjunto" (ensemble learning), una estrategia donde se construyen múltiples modelos de predicción diferentes y luego se combinan. En lugar de confiar en un solo experto, el sistema escucha a un panel de expertos, con la esperanza de que su sabiduría combinada cancele los errores individuales y revele un camino más claro hacia adelante.

El desafío, sin embargo, reside en cómo combinar estos expertos. Si simplemente se le pide a cada modelo que adivine y se toma el promedio, se podría pasar por alto el hecho de que un modelo está funcionando brillantemente mientras otro está teniendo dificultades. El verdadero truco es determinar, en cualquier momento dado, a qué modelos se les debe otorgar más confianza y a cuáles se les debe escuchar menos. Este es el problema específico abordado por un equipo de investigadores de la India que desarrolló una nueva forma de gestionar estos grupos de modelos de predicción. Crearon dos sistemas distintos, uno inspirado en la forma en que las aves se desplazan en bandadas y otro basado en un enfoque matemático para manejar la incertidumbre, para decidir dinámicamente cuánto peso dar a la predicción de cada modelo. Su objetivo era construir un sistema que pudiera adaptarse en tiempo real, desplazando su enfoque hacia los predictores más fiables a medida que las condiciones del mercado cambiaban.

Para probar sus ideas, los investigadores recurrieron al mercado de valores de la India, un ecosistema financiero vasto y complejo que ha experimentado cambios drásticos durante los últimos quince años, incluyendo reformas económicas importantes y una pandemia global. Recopilaron datos históricos de siete entidades diferentes: dos índices de mercado principales que rastrean la salud general de la economía, y cinco de las empresas más grandes que cotizan en la bolsa. No dependieron de un solo tipo de motor de predicción. En su lugar, construyeron un "panel" de tres modelos diferentes de inteligencia artificial, cada uno con sus propias fortalezas. Un modelo fue diseñado para encontrar patrones en datos estáticos, otro fue construido para recordar tendencias a largo plazo a través del tiempo, y un tercero es una versión simplificada de ese modelo basado en la memoria, diseñada para ser más rápida. Estos tres modelos fueron entrenados con los datos de los últimos quince años para aprender a predecir el precio de cierre del día siguiente.

Una vez que estos tres modelos estuvieron listos, los investigadores aplicaron sus dos nuevos sistemas de gestión para combinar sus predicciones. El primer sistema, al que llamaron Ensemble PSO, funciona simulando un enjambre de partículas que buscan la mejor solución. Imagine un grupo de aves volando juntas; cada ave conoce su propia mejor posición y la mejor posición encontrada por toda la bandada. Constantemente ajustan su trayectoria de vuelo para moverse hacia el mejor lugar. En este sistema informático, las "aves" son diferentes combinaciones de pesos asignados a los tres modelos. El sistema ejecuta miles de simulaciones, ajustando constantemente la mezcla hasta encontrar el equilibrio perfecto que minimice el error entre el precio predicho y el precio real. El segundo sistema, Ensemble ARO, adopta un enfoque diferente. Trata la incertidumbre del mercado como una variable que debe ser gestionada matemáticamente, encontrando un conjunto de pesos que permanezca robusto incluso si el mercado se comporta de manera inesperada. Básicamente pregunta: "¿Cuál es la forma más segura de combinar estas predicciones para que no nos pille desprevenidos?".

Los investigadores compararon estos dos nuevos sistemas contra los modelos individuales, un promedio simple de los tres y otros métodos de pronóstico avanzados que se han utilizado en el pasado. Para realizar una comparación justa a través de los siete conjuntos de datos diferentes, desarrollaron una nueva forma de calificar los resultados. En lugar de mirar solo un número, como qué tan lejos estuvo la predicción en promedio, observaron cuatro medidas diferentes de precisión y las combinaron en una puntuación única y exhaustiva. Esto les permitió clasificar los modelos no solo en un conjunto de datos, sino en todo el espectro de siete acciones e índices diferentes.

Los resultados fueron claros y consistentes. El sistema que utiliza la optimización basada en enjambres, Ensemble PSO, superó consistentemente a todos los demás métodos, incluyendo los modelos individuales y las otras técnicas de conjunto. Demostró ser el predictor más fiable a través de las diferentes condiciones de mercado y los períodos de tiempo probados. El segundo mejor desempeño fue el sistema que utiliza el enfoque de optimización robusta, Ensemble ARO, que también superó significativamente a los modelos estándar. El estudio encontró que, si bien los modelos individuales como las redes de memoria a largo plazo eran buenos en sus tareas específicas, a menudo tenían dificultades cuando el mercado se volvía demasiado volátil o impredecible. Al ajustar dinámicamente los pesos, los nuevos sistemas de conjunto pudieron apoyarse en el modelo que estaba funcionando mejor en ese momento específico, suavizando efectivamente los errores y proporcionando un pronóstico más preciso.

Los investigadores concluyeron que su enfoque ofrece una herramienta poderosa para el pronóstico financiero. Al utilizar la optimización metaheurística para gestionar los pesos de diferentes modelos, crearon un sistema que es más adaptable y preciso que depender de un solo algoritmo o de un promedio simple. Los hallazgos sugieren que, en un mundo de datos ruidosos y cambiantes, la mejor manera de predecir el futuro no es encontrar el modelo único perfecto, sino construir un equipo flexible de modelos que pueda ser guiado por un sistema inteligente para trabajar en conjunto. Este trabajo proporciona un paso concreto hacia adelante en cómo podríamos usar la inteligencia artificial para navegar las complejidades del mercado de valores, ofreciendo un método que es tanto escalable como lo suficientemente robusto para manejar la imprevisibilidad del mundo real de los datos financieros.