Fitness Function Selection in PSO-VMD Decomposition: Implications for LSTM-Based Oil Price Forecasting

Predecir el precio del petróleo crudo es una de las tareas más difíciles en la economía moderna. El mercado no se mueve en líneas rectas o patrones predecibles; en cambio, se comporta como una tormenta caótica, impulsada por una mezcla de datos económicos, eventos políticos y cambios repentinos en la oferta y la demanda. Debido a que el precio fluctúa de manera tan salvaje e impredecible, las herramientas matemáticas tradicionales a menudo fallan al intentar capturar su verdadera naturaleza. Para dar sentido a este caos, los investigadores han recurrido a una estrategia llamada descomposición. Imagine intentar comprender una canción compleja escuchando toda la orquesta a la vez; es casi imposible escuchar la melodía. Sin embargo, si pudiera separar los instrumentos para poder escuchar las cuerdas, luego los metales y luego la percusión individualmente, la estructura de la música se volvería clara. En el mundo de los datos, esto significa fragmentar un flujo único y desordenado de números en piezas más pequeñas y simples que sean más fáciles de estudiar. Una vez que estas piezas se comprenden, pueden reensamblarse para crear una imagen mucho más clara de lo que podría suceder después.

Un estudio reciente del investigador Abdelkader Aouar aborda un problema específico dentro de esta estrategia de descomposición. La investigación se centra en un método llamado Descomposición de Modo Variacional, o VMD, que es una forma sofisticada de dividir los datos de series temporales en esas piezas más simples. Si bien el VMD es potente, requiere que dos configuraciones críticas se ajusten correctamente antes de que pueda funcionar: el número de piezas en las que se debe dividir la información y un factor que controla qué tan estrictamente se separan las piezas. Si estos ajustes son incorrectos, los datos podrían dividirse en muy pocas piezas, dejando detalles importantes ocultos, o en demasiadas piezas, creando ruido innecesario. En el pasado, los científicos han utilizado algoritmos informáticos para encontrar automáticamente los mejores ajustes, pero han dependido de una regla específica para juzgar qué significa "mejor". Esta regla, conocida como entropía de envolvente, fue diseñada originalmente para encontrar fallas en piezas de maquinaria, como un rodamiento roto en un motor. Funciona buscando picos agudos y repentinos en una señal. Debido a que esta regla funcionó bien para las máquinas, muchos investigadores asumieron que también funcionaría bien para los precios del petróleo. El estudio de Aouar desafía esta suposición al plantear una pregunta sencilla: ¿realmente ayuda a predecir el precio del petróleo una regla diseñada para engranajes rotos?

Para responder a esto, el investigador construyó un sistema de pronóstico híbrido que combina tres herramientas distintas. Primero, el sistema utiliza un algoritmo de optimización llamado Optimización de Enjambre de Partículas, que imita cómo una bandada de aves busca alimento, para probar automáticamente miles de configuraciones diferentes para la herramienta VMD. Segundo, utiliza el método VMD para descomponer los precios diarios del petróleo en sus partes componentes. Tercero, alimenta estas partes en un tipo de inteligencia artificial llamada Red de Memoria a Corto Plazo, o LSTM, que es excelente para recordar patrones a lo largo del tiempo. La parte crucial del experimento no fueron las herramientas en sí, sino la regla utilizada para decirle a la computadora cuáles eran los mejores ajustes. El estudio probó cuatro reglas diferentes: tres que miden la complejidad o irregularidad de los datos (llamadas entropía de muestra, entropía de permutación y entropía de envolvente) y una que simplemente mide cuánta información se pierde cuando los datos se descomponen y se vuelven a unir (llamada error de reconstrucción).

Los resultados del experimento fueron impactantes y revirtieron el hábito predominante de utilizar la regla de falla mecánica. Cuando los investigadores utilizaron la regla de entropía de envolvente, que había sido la elección estándar en muchos estudios previos, el modelo funcionó deficientemente, arrojando un coeficiente de determinación (R²) de -0.3519. Este valor negativo indica que las predicciones del modelo fueron menos precisas que simplemente usar el precio promedio como base, un rendimiento significativamente inferior en comparación con los otros métodos. Las otras dos reglas basadas en la complejidad funcionaron mejor, pero aun así no alcanzaron la meta. El claro ganador fue la regla de error de reconstrucción. Esta regla, que se enfoca en mantener intacta la información original en lugar de intentar que la señal parezca "limpia" o "dispersa", permitió que el modelo lograra un nivel de precisión que fue muy superior al de los demás. El modelo de predicción final utilizando esta regla fue capaz de pronosticar los precios del petróleo con una tasa de error de solo 1.37 por ciento, una cifra que está notablemente cerca de los valores reales. En contraste, los modelos que utilizaron las otras reglas tuvieron tasas de error que fueron varias veces más altas.

El estudio también reveló por qué la regla ganadora funcionó tan bien. Cuando la computadora recibió la instrucción de minimizar la pérdida de información, eligió dividir los datos del precio del petróleo en nueve piezas distintas. Esto permitió que el sistema capturara tendencias a largo plazo, ciclos a mediano plazo y picos a corto plazo, todo al mismo tiempo. En contraste, las reglas basadas en la complejidad le dijeron a la computadora que dividiera los datos en solo dos piezas, lo cual era demasiado simple para capturar la historia completa del mercado. Además, la regla ganadora seleccionó un ajuste que permitía que las piezas de datos conservaran más su forma original, mientras que las otras reglas forzaron los datos a una forma más suave y rígida que eliminaba detalles valiosos. Los hallazgos sugieren que para los mercados financieros, que se definen por su volatilidad y saltos repentinos, el objetivo no debe ser encontrar la señal más simple posible, sino preservar tanto de la realidad desordenada original como sea posible.

Esta investigación hace más que simplemente mejorar un modelo de predicción; resalta un fallo crítico en la forma en que se llevan a cabo muchos estudios científicos. Durante años, los investigadores han aplicado reglas de un campo, como la ingeniería mecánica, a otro, como las finanzas, sin probar si esas reglas realmente encajan. Este estudio demuestra que lo que funciona para una pieza de máquina vibratoria no necesariamente funciona para el precio de un barril de petróleo. Al probar sistemáticamente diferentes reglas bajo las mismas condiciones exactas, el investigador demostó que la elección de la regla de evaluación es tan importante como el propio algoritmo computacional. El estudio concluye que para el pronóstico de datos financieros complejos, la estrategia más efectiva es priorizar la preservación de la información original en lugar de intentar forzar los datos hacia una noción preconcebida de cómo debería verse una señal "limpia". Esta visión ofrece un nuevo camino a seguir para cualquiera que intente comprender los ritmos impredecibles de los mercados globales.