Decomposition-Based Preprocessing Versus Architectural Complexity in Neural Forecasting of Economic and Financial Time Series: A Comparative Empirical Study

Predecir el futuro del dinero y los mercados es uno de los desafíos más difíciles de la ciencia. Los economistas y analistas financieros han dependido durante mucho tiempo de herramientas estadísticas para adivinar hacia dónde irán los precios a continuación, ya sea para una sola acción, un barril de petróleo o una unidad de gas natural. Estas herramientas funcionan bien cuando el pasado se mueve en una línea recta y predecible, pero el mundo real rara vez es tan sencillo. Los mercados financieros son desordenados, cambiantes y están llenos de saltos repentinos que no siguen un patrón claro. Para lidiar con este desorden, los investigadores se han vuelto hacia la inteligencia artificial, específicamente un tipo de programa informático llamado red neuronal. Estos programas están diseñados para aprender de los datos, encontrando patrones ocultos que los ojos humanos podrían pasar por alto. Sin embargo, hay un inconveniente: para hacer que estos programas sean lo suficientemente inteligentes como para comprender los mercados caóticos, los científicos a menudo tienen que hacerlos increíblemente complejos, con miles de partes internas trabajando juntas. Esta complejidad hace que los programas sean lentos, costosos de ejecutar y difíciles de gestionar. La pregunta central para los investigadores ha sido si la única forma de obtener una mejor predicción es construir una máquina más grande y complicada, o si existe una forma más inteligente de preparar los datos antes de introducirlos.

Un equipo de investigadores se propuso probar exactamente este compromiso. Querían ver si limpiar los datos brutos antes de entregárselos a un programa informático podía hacer el mismo trabajo que hacer que el propio programa fuera más potente. Para ello, recopilaron tres tipos de datos financieros muy diferentes: el precio diario de las acciones de Apple, el precio del crudo Brent y el precio del gas natural. Estos fueron elegidos porque se comportan de maneras únicas; las acciones de Apple han crecido de manera constante durante décadas, los precios del petróleo fluctúan violentamente con eventos globales y los precios del gas natural saltan de arriba abajo con una volatilidad extrema. Los investigadores tomaron estos números brutos e intentaron predecir el precio del día siguiente utilizando tres tipos diferentes de redes neuronales. La primera era un modelo básico y directo. La segunda era un modelo más avanzado que recuerda mejor los eventos pasados. La tercera era la más compleja, capaz de observar los datos tanto del pasado como del futuro para encontrar conexiones más profundas.

En lugar de simplemente introducir los números brutos en estos modelos, los investigadores también probaron un enfoque diferente. Antes de que la computadora viera los datos, utilizaron técnicas matemáticas para descomponer el desordenado historial de precios en piezas más pequeñas y simples. Imagine una canción compleja que es difícil de cantar porque tiene demasiadas notas sucediendo al mismo tiempo. Si pudiera separar la melodía del ritmo de fondo y la línea de bajo, cada parte sería mucho más fácil de cantar por sí sola. Los investigadores hicieron algo similar con los datos financieros. Utilizaron cinco métodos diferentes para dividir el historial de precios en componentes separados, tales como la tendencia a largo plazo, los vaivenes a corto plazo y el ruido aleatorio. Luego enseñaron a la computadora a predecir cada una de estas piezas simples por separado y sumaron los resultados para obtener un pronóstico final.

Los resultados de este experimento fueron sorprendentes. Los investigadores descubrieron que descomponer los datos en piezas más simples permitía que los modelos informáticos funcionaran mucho mejor, incluso cuando los modelos mismos se mantenían pequeños y simples. De hecho, el método más efectivo para limpiar los datos fue una técnica llamada descomposición de modo variacional. Cuando se utilizó este método, los modelos realizaron predicciones significativamente más precisas que cuando se les alimentó con datos brutos. Quizás más importante aún, los modelos no necesitaron ser tan complicados para lograr estos resultados. Para los modelos informáticos más avanzados, que usualmente requieren cientos de partes internas para funcionar bien con datos brutos, los investigadores descubrieron que podían reducir el número de partes en un factor de diez o más cuando los datos eran preprocesados. Por ejemplo, un modelo que necesitaba cien partes internas para predecir los precios del petróleo con precisión podría lograr los mismos o mejores resultados con solo cinco partes si los datos fueran limpiados primero.

Este descubrimiento sugiere que, para las predicciones a corto plazo de los mercados financieros, el secreto del éxito reside menos en construir una máquina masiva y compleja y más en preparar correctamente los datos. El estudio demostró que un modelo simple con datos limpios a menudo superaba a un modelo complejo con datos desordenados. Este es un hallazgo significativo para cualquiera que dependa de estas predicciones, desde operadores hasta responsables de políticas. Significa que los sistemas de pronóstico pueden hacerse más rápidos, más baratos y más eficientes sin sacrificar la precisión. En lugar de gastar recursos en la construcción de redes neuronales más grandes, el enfoque puede desplazarse hacia la comprensión y organización de los datos mismos. Los investigadores concluyeron que, para la naturaleza caótica y cambiante de las series temporales económicas, una señal bien preparada es más poderosa que una arquitectura profunda y complicada. Este enfoque ofrece un camino práctico hacia la creación de herramientas de pronóstico que no solo sean precisas, sino también lo suficientemente eficientes como para ser utilizadas en entornos del mundo real y de ritmo rápido.