The Illusion of Accuracy: Machine-Learning and GARCH Forecasts of UK Equity Index Prices
Este estudio encuentra que, si bien los modelos avanzados de aprendizaje automático y GARCH predicen con precisión los precios de los índices bursiles del Reino Unido, no logran superar a los referentes simples en la predicción de rendimientos, lo que sugiere que su verdadero valor reside en la medición del riesgo en lugar en el pronóstico de rendimientos.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En el mundo de las finanzas, existe una esperanza persistente de que un algoritmo ingenioso pueda observar el pasado y ver el futuro. Esta esperanza se basa en la idea de que los precios de las acciones, aunque parecen caóticos, podrían ocultar patrones que una computadora puede aprender a explotar. El concepto central aquí es el "paseo aleatorio", un referente simple que sugiere que la mejor suposición para el precio de mañana es simplemente el precio de hoy, porque toda la información conocida ya está integrada en el número actual. Si un modelo computacional sofisticado no puede predecir consistentemente los cambios de precio mejor que esta simple suposición, entonces el mercado se comporta de manera eficiente, y la promesa de obtener ganancias fáciles mediante la predicción es una ilusión. Esta cuestión importa profundamente a cualquiera con ahorros o una pensión, porque si la inteligencia artificial realmente puede pronosticar el mercado, podría reconfigurar la forma en que se gestiona la riqueza; si no puede, entonces confiar en estas herramientas podría desviar a los inversores por el mal camino.
Un estudio reciente se propuso probar esta promesa directamente, centrándose en los dos principales índices del mercado de valores del Reino Unido. Los investigadores recopilaron datos semanales desde enero de 2015 hasta octubre de 2026, un período que incluyó turbulencias económicas significativas, como choques en las tasas de interés y ventas masivas por aranceles. Enfrentaron ocho métodos de pronóstico diferentes entre sí. Por un lado estaban los referentes simples: un modelo que simplemente repite el precio de la semana anterior, y otro que utiliza el rendimiento promedio de todas las semanas pasadas. Por el otro lado estaban los pesos pesados de las finanzas modernas: modelos estadísticos tradicionales diseñados para rastrear la volatilidad, y tres tipos distintos de inteligencia artificial, incluyendo un bosque aleatorio (random forest), que construye muchos árboles de decisión para encontrar patrones, y una red neuronal, que imita la forma en que un cerebro procesa la información. El objetivo no era solo ver qué modelo se veía mejor en un gráfico, sino determinar si alguno de ellos podía predecir la dirección del mercado mejor que el azar, y si esas predicciones podían convertirse en dinero real tras pagar las comisiones de negociación.
Los resultados revelaron una desconexión sorprendente entre lo precisos que parecían los modelos y lo útiles que realmente eran. Cuando los investigadores compararon los niveles de precios predichos con los precios reales, cada uno de los modelos pareció ser altamente preciso. El error promedio fue minúsculo, oscilando entre el 1.3 y el 1.6 por ciento. En un gráfico, las líneas predichas se situaban casi perfectamente sobre las líneas reales, creando una impresión visual de maestría. Sin embargo, esta precisión era una ilusión creada por la naturaleza de los precios de las acciones, que tienden a permanecer cerca de donde estaban la semana anterior. Debido a que los precios eran tan persistentes, incluso el modelo más simple, que simplemente asumía que nada cambiaría, logró casi el mismo nivel de precisión que los complejos sistemas de inteligencia artificial. Cuando los investigadores eliminaron el nivel de precio y observaron estrictamente los cambios semanales en el valor, la imagen cambió por completo. Ninguno de los ocho modelos, incluidos los avanzados sistemas de aprendizaje automático, logró superar al simple paseo aleatorio de una manera estadísticamente significativa. De hecho, para el índice más grande, el bosque aleatorio y una regresión predictiva estándar funcionaron significativamente peor que simplemente asumir que el mercado se mantendría plano.
El estudio también examinó si estos modelos podrían ayudar a un inversor a ganar más dinero. Los investigadores simularon una estrategia de negociación donde un inversor compraría el índice si el modelo predice una subida y mantendría efectivo si predice una caída, contabilizando el costo de cada operación. En el mercado alcista del índice más grande, la estrategia de "comprar y mantener" (buy and hold), que consiste en no hacer nada y simplemente mantener la inversión, superó a cada una de las estrategias basadas en pronósticos después de deducir los costos. El modelo de aprendizaje automático más sofisticado en realidad perdió dinero en comparación con simplemente mantener la acción. Para el índice más pequeño, algunos modelos funcionaron ligeramente mejor que comprar y mantener, pero esto se debió principalmente a que lograron mantenerse fuera del mercado durante una caída pronunciada, una forma de reducción de riesgo en lugar de una señal de habilidad predictiva. Los investigadores concluyeron que el éxito aparente de estos modelos al predecir los niveles de precios era engañoso; no estaban pronosticando el futuro, simplemente estaban rastreando el pasado.
Si bien los modelos fallaron al predecir hacia dónde iba el mercado, tuvieron éxito de manera notable al predecir cuánto podría oscilar. El estudio encontró que un tipo específico de modelo estadístico, conocido como modelo GARCH asimétrico, era muy superior para pronosticar la volatilidad, que es el tamaño de las oscilaciones de precios, en lugar de la dirección. Este modelo anticipó correctamente que las malas noticias causarían sacudidas más grandes en el mercado que las buenas noticias, un fenómeno conocido como el efecto de apalancamiento. Proporcionó las estimaciones de riesgo más precisas y produjo números de "Valor en Riesgo" confiables, que indican a los inversores cuánto podrían perder potencialmente en una mala semana. Esta distinción es crucial: las herramientas eran excelentes para medir el peligro del mercado pero inútiles para predecir su destino.
Los autores argumentan que este hallazgo expone una trampa común en los informes financieros. Muchos estudios y herramientas comerciales presentan gráficos donde los precios predichos coinciden estrechamente con los precios reales como prueba de su poder. Este documento demuestra que tales gráficos son engañosos porque no tienen en cuenta el hecho de que los precios naturalmente se mantienen unidos. La verdadera prueba de una herramienta de pronóstico es si puede predecir el cambio de precio mejor que una simple suposición, y en esta prueba rigurosa, los modelos de inteligencia artificial fallaron. El valor de estas herramientas cuantitativas no reside en decir a los inversores cuándo comprar o vender para vencer al mercado, sino en ayudarlos a entender y gestionar el riesgo de sus inversiones. Para el inversor curioso, la lección es clara: la capacidad de dibujar una línea que siga al mercado no es lo mismo que la capacidad de ver hacia dónde irá el mercado después.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.