Regime Dependent Machine Learning and the Limits of Algorithmic Trading in the Dhaka Stock Exchange

En el mundo de las finanzas, existe la creencia persistente de que el precio futuro de una acción puede predecirse si simplemente se recopilan suficientes datos y se aplican las herramientas matemáticas adecuadas. Esta idea se basa en el concepto de que los mercados no son enteramente aleatorios; más bien, se mueven en patrones o "regímenes" distintos, alternando entre períodos de calma, alta volatilidad y estrés. Si un inversor pudiera identificar estos cambios a medida que ocurren, la lógica dicta, podría ajustar su estrategia para comprar cuando el mercado esté tranquilo y vender cuando esté caótico, superando así al participante promedio. Este enfoque se ha convertido en una piedra angular del trading algorítmico moderno, donde las computadoras utilizan un complejo aprendizaje automático para escanear vastas cantidades de datos históricos, buscando señales que los operadores humanos podrían pasar por alto. La pregunta que impulsa gran parte de esta investigación es si estos sistemas sofisticados pueden realmente convertir esas señales en ganancias reales y duraderas, especialmente en mercados que son menos desarrollados e impredecibles que los de Occidente.

Un estudio reciente centrado en la Bolsa de Valores de Dhaka, en Bangladesh, buscó responder a esta pregunta con rigor y precisión. El investigador, Md. Shakil Sikder, no se limitó a probar un solo modelo en un puñado de empresas. En su lugar, construyó tres grupos separados de acciones para asegurar que los resultados no fueran una casualidad. Un grupo consistía en doce empresas conocidas y líquidas cuidadosamente seleccionadas por el autor. Un segundo grupo era una selección aleatoria de seis empresas, elegidas por una computadora para eliminar cualquier sesgo humano en el proceso de selección. Un tercer grupo, mucho más grande, de veinticuatro acciones adicionales se añadió posteriormente para probar si los hallazgos se mantenían constantes en un rango más amplio de industrias, cubriendo finalmente cuarenta y dos valores de diecisiete sectores diferentes. El objetivo era ver si un tipo específico de aprendizaje automático, que condiciona sus predicciones al "régimen" actual del mercado, podía superar consistentemente una estrategia base simple que asume que el mercado no hará nada más que repetir su promedio reciente.

El estudio empleó cinco modelos de previsión diferentes, que van desde métodos estadísticos básicos hasta sistemas avanzados de inteligencia artificial como las redes neuronales. Estos modelos fueron alimentados con trece indicadores técnicos diferentes, tales como movimientos de precios pasados, volumen de negociación y momentum, junto con una señal que indicaba si el mercado se encontraba en un estado normal, de alta volatividad o de estrés. Los investigadores utilizaron un método de prueba estricto llamado validación de avance progresivo (walk-forward validation), que simula el trading en tiempo real al entrenar el modelo con datos pasados y luego probarlo con datos futuros que nunca ha visto, asegurando que ninguna información filtrara el futuro hacia el pasado. También tuvieron en cuenta los costos específicos de operar en Bangladesh, incluyendo las comisiones de corretaje, los impuestos y el deslizamiento (slippage) que ocurre al intentar comprar o vender grandes cantidades de acciones sin mover el precio en contra de uno mismo.

Los resultados fueron contundentes y consistentes en los tres grupos de acciones. Ninguno de los sofisticados modelos de aprendizaje automático logró superar al simple punto de referencia. De hecho, el modelo más complejo, un algoritmo de árbol de gradiente potenciado conocido como LightGBM, tuvo un desempeño significativamente peor que el enfoque base en cada uno de los paneles. Cuando los investigadores intentaron usar la información del régimen para guiar las decisiones de trading, las estrategias no lograron generar ninguna ganancia. En cambio, las estrategias de trading perdieron la gran mayoría del capital con el que comenzaron. El estudio encontró que la señal subyacente que los modelos intentaban explotar simplemente no existía de una manera que pudiera convertirse en dinero tras deducir los costos. Incluso cuando los investigadores intentaron reducir el número de operaciones para evitar las comisiones, los rendimientos restantes seguían siendo negativos, lo que indica que el problema no era solo el costo de operar, sino la falta de una señal predictiva genuina.

Un hallazgo particularmente revelador concernió a cómo los modelos computacionales interpretan la mecánica única de la Bolsa de Valores de Dhaka. La bolsa cuenta con un mecanismo regulatorio que establece un precio mínimo, evitando que las acciones caigan por debajo de cierto nivel. Durante los períodos de estrés extremo, este mecanismo puede causar que el trading se detenga o que los precios permanezcan planos durante períodos prolongados. El estudio descubrió que los modelos de aprendizaje automático, que dependen de la volatilidad para detectar el estrés del mercado, malinterpretaron estos congelamientos de precios planos. Debido a que el precio no se movía, los modelos calcularon una volatilidad cero y etiquetaron estos períodos peligrosos como de "bajo riesgo" o "normales". Este error significó que los modelos no pudieron proteger a los inversores durante los momentos en que más se necesitaban. Los investigadores probaron una regla para excluir estos días de precios congelados del trading, pero este ajuste solo empeoró el desempeño, ya que los costos de rebalancear la cartera superaron cualquier beneficio potencial.

El estudio también abordó un error común en la investigación financiera: la diferencia entre lo que un modelo sabe después de los hechos y lo que sabe en tiempo real. Los investigadores encontraron que la capacidad de la computadora para identificar regímenes de mercado después de haber visto todo el historial de datos era muy diferente de su capacidad para identificar esos regímenes mientras estaban ocurriendo. Al mirar hacia atrás, el modelo podía etiquetar correctamente un día como estresante, pero al tomar una decisión en el momento, se equivocaba más de la mitad de las veces. Esta brecha entre la visión retrospectiva y la predicción en tiempo real es una razón crítica por la cual muchas estrategias de backtesting fallan cuando se aplican a mercados reales. El estudio confirmó que, incluso con correcciones estadísticas avanzadas y múltiples capas de validación, las estrategias no demostraron ninguna habilidad que no pudiera explicarse por el azar.

En última instancia, la investigación sugiere que, para la Bolsa de Valores de Dhaka, el mercado se comporta de una manera que es consistente con la idea de la eficiencia de forma débil. Esto significa que los movimientos de precios pasados y los volúmenes de negociación no proporcionan una hoja de ruta confiable para ganancias futuras, al menos no de una manera que pueda ser explotada por las técnicas actuales de aprendizaje automático. El estudio concluye que la suposición de que el aprendizaje automático consciente del régimen puede transferirse fácilmente a mercados frontera con características regulatorias únicas es errónea. La interacción específica entre la detección basada en la volatilidad y el mecanismo de precio mínimo crea un punto ciego que los algoritmos no pueden superar fácilmente. Los hallazgos sirven como una advertencia para profesionales e investigadores, demostrando que en mercados con liquidez delgada y restricciones regulatorias específicas, las herramientas más sofisticadas pueden seguir siendo incapaces de encontrar una ventaja donde no existe ninguna. La evidencia apunta a un mercado donde la única estrategia confiable, estadísticamente hablando, sigue siendo la pasiva de mantener las acciones a largo plazo, en lugar de intentar cronometrar el mercado con algoritmos complejos.