Machine Learning for Predicting Market Volatility: A Computational Economics Approach

Los mercados financieros suelen describirse como entidades vivas que respiran, pero para las personas que los gestionan, son fundamentalmente un paisaje de incertidumbre. En el corazón de esta incertidumbre se encuentra un concepto llamado volatilidad. En términos sencillos, la volatilidad es una medida de qué tan erráticamente oscila el precio de una acción hacia arriba y hacia abajo en un periodo corto. Cuando la volatividad es baja, los precios se mueven en un ritmo constante y predecible. Cuando es alta, los precios pueden subir o desplomarse con poca advertencia. Para los inversores, los bancos y los responsables de políticas, comprender este ritmo no es solo un ejercicio académico; es una cuestión de supervivencia. Dicta cuánto riesgo pueden asumir, cómo protegen su dinero y cómo planifican el futuro. Durante décadas, los expertos han confiado en fórmulas matemáticas construidas sobre la suposición de que los mercados se comportan de una manera algo ordenada y lineal. Estas herramientas tradicionales funcionan bien cuando el mundo está tranquilo, pero a menudo tropiezan cuando el mercado se comporta de forma errática, fallando al capturar los patrones complejos y sinuosos que impulsan los cambios repentinos de precios.

Un nuevo estudio de Vasundhara S, del Instituto de Tecnología y Ciencias G. Narayanamma, sugiere que la forma en que predecimos estos vaivenes del mercado necesita una actualización fundamental. La investigadora se alejó de las fórmulas antiguas y rígidas y, en su lugar, entrenó sistemas informáticos para aprender de los datos mismos, de forma muy similar a como un estudiante aprende de la experiencia en lugar de de un libro de texto. Al alimentar sistemas avanzados de aprendizaje automático con cantidades masivas de datos históricos del mercado de valores, el estudio buscaba ver si estas computadoras podían detectar las conexiones ocultas y no lineales que la matemática tradicional pasa por alto. El objetivo era construir un sistema que no solo adivinara el próximo movimiento de precios, sino que comprendiera las fuerzas subyacentes que causan que el mercado se agite o se dispare.

La investigadora se centró en datos históricos del mercado de valores, utilizando atributos como fechas de negociación, precios de apertura, precios máximos y mínimos de la sesión, precios de cierre, precios de cierre ajustados y volúmenes de negociación. Para que estos datos brutos fueran útiles para una computadora, el equipo primero los limpió, llenando cualquier vacío faltante y organizando los números para que pudieran compararse de manera justa. Luego crearon nuevas pistas, o "características" (features), calculando cosas como cuánto cambió el precio de un día para otro y cómo varió el volumen de negociación a lo largo del tiempo. Estas pistas procesadas fueron introducidas en varios tipos diferentes de modelos informáticos. Algunos se basaban en métodos estadísticos establecidos, mientras que otros eran sistemas de aprendizaje profundo diseñados para imitar la forma en que los cerebros humanos procesan secuencias de información a lo largo del tiempo.

Los resultados de esta comparación fueron claros y decisivos. Los modelos tradicionales, que han sido el estándar en las finanzas durante años, tuvieron dificultades para seguir el ritmo. Uno de los métodos más antiguos, conocido como GARCH, logró predecir la dirección del movimiento del mercado correctamente aproximadamente el 58 por ciento de las veces. Otro enfoque estándar, ARIMA, fue ligeramente mejor, alcanzando un 60 por ciento de precisión. Sin embargo, los modelos de aprendizaje automático dejaron esto atrás. Un modelo llamado Random Forest mejoró la precisión a casi el 65 por ciento, mientras que un sistema más sofisticado llamado XGBoost elevó esa cifra al 71 por ciento. La herramienta más exitosa fue un modelo de aprendizaje profundo basado en una arquitectura Transformer, un tipo de sistema utilizado a menudo para el procesamiento del lenguaje. Este modelo logró una precisión direccional del 74.2 por ciento, lo que significa que predijo correctamente si el mercado subiría o bajaría casi tres cuartas partes del tiempo. También produjo las tasas de error más bajas, lo que sugiere que sus predicciones no solo eran más acertadas con mayor frecuencia, sino que también estaban más cerca de los valores reales.

Lo que hace que este hallazgo sea particularmente significativo no es solo la puntuación más alta, sino la capacidad de estos nuevos modelos para manejar la naturaleza desordenada e impredecible de las finanzas del mundo real. El estudio demostró que los métodos más antiguos simplemente no estaban equipados para manejar la dinámica intrincada y no lineal del mercado. Asumían un nivel de orden que rara vez existe en la práctica. En contraste, los modelos de aprendizaje automático prosperaron en esta complejidad, encontrando patrones en los datos que las fórmulas diseñadas por humanos no podían ver. Para asegurar que estos resultados no fueran solo un golpe de suerte, la investigadora también aplicó un método llamado SHAP, que actúa como un reflector para mostrar exactamente qué factores estaban impulsando las prediccciones. Esto reveló que los modelos se basaban en indicadores económicos específicos y lógicos en lugar de ruido aleatorio, añadiendo una capa de confianza a los resultados.

El estudio concluye que el futuro de la previsión financiera reside en estos enfoques computacionales. Al combinar la potencia bruta del aprendizaje automático con la necesidad de un razonamiento claro y comprensible, es posible construir herramientas que sean tanto más precisas como más fiables que las que se utilizan actualmente. La investigación no pretende haber resuelto el misterio del mercado por completo, pero ha demostrado que las viejas reglas ya no son suficientes. Los datos sugieren que cuando permitimos que las computadoras aprendan directamente de la historia de los movimientos de precios, pueden navegar la turbulencia del mundo financiero con una precisión que antes estaba fuera de alcance. Este cambio ofrece un camino prometedor para cualquiera que intente gestionar el riesgo y dar sentido al panorama financiero en constante cambio.