Statistical and Machine Learning Models for Stock Price and Return Forecasting: An Out-of-Sample Comparison
Este estudio demuestra que, en el pronóstico fuera de la muestra de los precios y rendimientos del S&P 500, los modelos complejos de aprendizaje automático no superan consistentemente a modelos de referencia simples como el paseo aleatorio o el supuesto de rendimiento cero, lo que resalta que un mayor aumento en la complejidad del modelo no garantiza una mejora en las predicciones financieras de corto plazo.
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
Predecir el futuro del mercado de valores es uno de los desafíos más persistentes en las finanzas, no porque los datos estén ocultos, sino porque la naturaleza de lo que se está prediciendo cambia las reglas del juego. Cuando los analistas observan el precio de un índice bursátil, están observando un valor que tiende a seguir moviéndose en la misma dirección, construyéndose sobre su propia historia como un tren pesado que es difícil de detener. Cuando observan los rendimientos, que miden la ganancia o pérdida porcentual diaria, están observando un valor que fluctúa alrededor de un promedio estable, comportándose más como una hoja nerviosa al viento. Durante décadas, los economistas han debatido si las complejas fórmulas matemáticas o los algoritmos informáticos modernos pueden ser más inteligentes que el mercado. La cuestión central es si estas sofisticadas herramientas pueden realmente encontrar un patrón que los simples conjeturas de sentido común no puedan.
Un estudio reciente de la Universidad de Nevada, Reno, aborda esta cuestión tratando estos dos tipos de predicciones como problemas completamente separados. El investigador, Smaila Amoanu, se propuso ver si los modelos informáticos avanzados podían vencer a dos puntos de referencia muy simples: un "camino aleatorio" para predecir el precio del día siguiente y una conjetura de "rendimiento cero" para predecir el cambio porcentual del día siguiente. La idea del camino aleatorio es sencilla: la mejor conjetura para el precio de mañana es simplemente el precio de hoy, debido a que el mercado se mueve tanto que las noticias de ayer ya están integradas en el precio. La conjetura de rendimiento cero es igualmente simple: la mejor conjetura para el cambio porcentual de mañana es cero, asumiendo que el mercado no subirá ni bajará significativamente. Para probar esto, el estudio utilizó once años de datos diarios del S&P 500, un índice principal que rastrea quinientas grandes empresas estadounidenses, y reservó el último año, 2025, como una prueba completamente inédita para ver qué tan bien se desempeñaban los modelos en terreno nuevo, utilizando también los años 2022 a 2025 para un análisis de robustez reestimado anualmente.
El estudio comparó cuatro enfoques diferentes. En el lado estadístico, utilizó ARIMA, un método clásico que busca patrones en cómo cambian los precios a lo largo del tiempo, y ARMA–GARCH, que añade una capa para tener en cuenta el hecho de que la volatilidad del mercado tiende a agruparse en periodos de calma y de tormenta. En el lado del aprendizaje automático (machine learning), probó Random Forest y XGBoost, dos algoritios poderosos que construyen muchos árboles de decisión para encontrar relaciones complejas y no lineales en los datos. El objetivo no era construir un sistema de trading perfecto, sino ver si estos métodos podían superar consistentemente los puntos de referencia simples cuando se probaban en datos que nunca habían visto antes.
Los resultados para la predicción del nivel de precio real fueron reveladores. Los complejos modelos de aprendizaje automático tuvieron dificultades significativas cuando el mercado entró en territorio nuevo. Durante el año de prueba, el S&P 500 subió más de lo que jamás había estado en los once años de datos utilizados para entrenar los modelos. Cuando el índice superó el precio más alto que las computadoras habían visto jamás, los modelos de aprendizaje automático chocaron contra un techo. No pudieron adivinar que el precio subiría más porque no tenían ejemplos de números tan altos en su entrenamiento. Sus predicciones se estancaron, atrapadas cerca del límite superior del rango antiguo, mientras que el precio real continuaba subiendo. En contraste, el simple camino aleatorio y el modelo estadístico ARIMA siguieron el precio ascendente de manera mucho más cercana. El modelo ARIMA produjo errores ligeramente menores que el camino aleatorio, pero la diferencia fue tan pequeña que fácilmente podría deberse al azar en lugar de una ventaja real.
Cuando el enfoque cambió hacia la predicción de los rendimientos diarios, la imagen se volvió aún más complicada. Aquí, el objetivo es adivinar el cambio porcentual, no el precio absoluto. El estudio encontró que ningún modelo superó consistentemente el punto de referencia de rendimiento cero. En algunos años, un modelo podía tener el error más bajo, y en el año siguiente, un modelo diferente tomaba la delantera. A veces, los modelos de aprendizaje automático eran mejores para adivinar la dirección del movimiento, pero no acertaban el tamaño del movimiento lo suficiente como para ser considerados una mejora fiable respecto a simplemente suponer cero. Los modelos estadísticos que daban cuenta de la volatilidad cambiante funcionaron bien en algunas métricas, pero no mostraron una ventaja estable a largo plazo sobre la simple conjetura.
El estudio concluye que la dificultad de la previsión depende enteramente de lo que se esté intentando predecir. Para el nivel de precio, el mercado es tan persistente que la conjetura más simple —asumir que mañana se parecerá a hoy— es increíblemente difícil de superar, y los modelos complejos pueden fallar estrepitosamente si el mercado se mueve fuera del rango de su experiencia pasada. Para los rendimientos, la señal es tan débil que incluso los algoritmos informáticos más flexibles no pueden encontrar un patrón que supere de manera fiable una conjetura de cero. La investigación sugiere que, en la previsión financiera, añadir más complejidad no conduce automáticamente a mejores predicciones. En cambio, el enfoque más fiable es probar los modelos contra puntos de referencia simples y honestos, y reconocer que cuando el mercado se mueve hacia un territorio nuevo e inexplorado, las herramientas más sofisticadas pueden no saber qué hacer.
¿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.