Por qué fracasan la mayoría de las estrategias de trading con IA
Esta es probablemente la parte más importante de toda la serie. Existen razones muy concretas y perfectamente conocidas por las que la mayoría de las estrategias de trading desarrolladas con inteligencia artificial terminan fracasando. No se debe a la mala suerte ni a que las herramientas de IA sean deficientes.
El verdadero problema radica en cómo se utilizan esas herramientas.
3.1 El sobreajuste: el asesino silencioso de las estrategias
Después de más de 30 años desarrollando sistemas automáticos, he llegado a una conclusión muy clara: el sobreajuste o sobreoptimización (overfitting) ha provocado más pérdidas que cualquier otro error en el trading algorítmico.
Yo mismo he perdido dinero por este motivo y también lo han hecho muchos alumnos a los que posteriormente ayudé a eliminar este problema. La inteligencia artificial, además, multiplica el riesgo de sobreajuste.
La idea es sencilla. Cuando realizamos un backtest, estamos ajustando un modelo sobre un conjunto concreto de datos históricos. Ya sea un conjunto de reglas o una red neuronal con millones de parámetros, el modelo aprende a explicar exactamente esa secuencia histórica de precios.
El inconveniente es que no solo aprende los patrones reales y repetitivos del mercado, sino también el ruido estadístico, los acontecimientos aleatorios y las anomalías que probablemente nunca volverán a repetirse de la misma forma.
Una estrategia sobreajustada se parece a un estudiante que memoriza todas las respuestas del examen del año anterior sin comprender realmente la materia.
En el examen antiguo obtiene una nota perfecta. Cuando cambia el examen, fracasa.
Este escenario es extremadamente habitual. Un operador desarrolla un modelo de Machine Learning utilizando 50 indicadores técnicos. El algoritmo optimiza todos sus parámetros para maximizar la rentabilidad obtenida durante cinco años de datos históricos.
El resultado parece extraordinario: 82% de operaciones ganadoras, un ratio Sharpe de 4,1 y prácticamente ningún drawdown.
El trader comienza a operar con dinero real convencido de haber encontrado la estrategia definitiva.
Seis meses después la realidad es muy distinta. La tasa de aciertos cae al 44%, aparecen pérdidas muy superiores a las previstas y el sistema deja de funcionar.
La explicación es sencilla: el modelo no había aprendido un patrón útil; simplemente había memorizado el pasado.
La inteligencia artificial agrava este problema porque muchos modelos contienen miles o incluso millones de parámetros. Una red neuronal suficientemente compleja puede memorizar por completo un conjunto de datos sin aprender absolutamente nada que pueda generalizarse al futuro.
Cuantos más parámetros tiene un modelo, mayor es su capacidad para adaptarse perfectamente al ruido histórico y menor su probabilidad de funcionar en condiciones reales.
La complejidad es el enemigo de la robustez.
3.2 El descubrimiento de patrones falsos
Existe un aspecto que muchos operadores no comprenden. Si disponemos de suficientes datos y suficiente capacidad de cálculo, siempre encontraremos patrones, incluso cuando los datos sean completamente aleatorios.
Si lanzamos una moneda al aire diez mil veces aparecerán secuencias aparentemente sorprendentes: siete caras consecutivas, ciclos aparentes o correlaciones prometedoras.
Sin embargo, ninguna de ellas tendrá un significado real. Son simplemente artefactos estadísticos.
Los mercados financieros contienen mucho más ruido del que la mayoría de los operadores imagina. La relación entre señal útil y ruido es extraordinariamente baja.
Cuando entrenamos un modelo utilizando cinco años de datos diarios apenas disponemos de unas 1.250 observaciones. Para una inteligencia artificial compleja, esa cantidad resulta sorprendentemente reducida.
La IA es extraordinariamente eficaz encontrando patrones. Lo que no sabe hacer por sí sola es distinguir cuáles son reales y cuáles son simples coincidencias estadísticas.
Esa tarea sigue dependiendo del conocimiento del mercado, de una metodología rigurosa y de mantener siempre una actitud crítica frente a resultados demasiado buenos para ser ciertos.
3.3 La maldición de la dimensionalidad
Este concepto suele sorprender a muchos traders porque parece completamente contrario a la intuición.
La mayoría piensa que cuantos más indicadores incorpore un modelo, mejores serán sus predicciones.
La realidad es exactamente la contraria.
Supongamos que disponemos de 1.000 operaciones históricas. Si analizamos una sola variable, esa información resulta suficiente para detectar relaciones relativamente fiables.
Con dos variables ya estamos repartiendo esas mil observaciones sobre un plano bidimensional.
Cuando utilizamos veinte variables diferentes, esas mismas mil observaciones quedan distribuidas dentro de un espacio de veinte dimensiones prácticamente vacío.
El algoritmo se ve obligado a rellenar todos esos espacios sin información suficiente y termina inventando relaciones que realmente no existen.
Muchos modelos de IA incorporan treinta, cuarenta o incluso cincuenta indicadores técnicos diferentes.
Cada nuevo indicador añade grados de libertad al modelo, mejora el aspecto del backtest y, paradójicamente, empeora su comportamiento en tiempo real.
Mi experiencia me dice que los mejores sistemas automáticos suelen ser sorprendentemente sencillos.
Utilizan pocas variables cuidadosamente seleccionadas y cada una de ellas posee una justificación económica clara.
Aunque en alguna ocasión incluso yo me he apartado de este principio —igual que hizo James Simons, probablemente el mayor gestor cuantitativo de la historia—, la selección rigurosa de variables suele ser mucho más importante que utilizar arquitecturas extremadamente sofisticadas.
3.4 Los mercados cambian constantemente
Todos los modelos de aprendizaje automático parten de una hipótesis implícita: que el futuro se parecerá al pasado.
En los mercados financieros esa hipótesis nunca se cumple por completo.
Los regímenes de volatilidad cambian, las políticas monetarias evolucionan, aparecen nuevos participantes y la estructura del mercado se transforma continuamente.
Los algoritmos entrenados con datos entre 2013 y 2018 aprendieron patrones propios de un entorno muy concreto: expansión monetaria, baja volatilidad y determinadas condiciones regulatorias.
Cuando ese contexto desaparece, muchas estrategias dejan simplemente de funcionar.
Los sistemas sencillos suelen adaptarse mejor y únicamente experimentan un deterioro moderado de sus resultados.
En cambio, una red neuronal fuertemente sobreajustada puede dejar de funcionar de forma prácticamente inmediata.
3.5 El problema de la caja negra
Cuando una estrategia basada en reglas deja de funcionar resulta relativamente sencillo diagnosticar el motivo.
Quizá la señal de entrada genera demasiados falsos positivos o el sistema sale demasiado pronto de las operaciones.
El operador puede identificar el problema y decidir racionalmente si merece la pena modificar el sistema o retirarlo.
Con una red neuronal ocurre algo muy distinto.
Su funcionamiento interno puede depender de millones de parámetros imposibles de interpretar.
Cuando deja de funcionar es extremadamente difícil saber si el problema proviene de un cambio de régimen, de un error en los datos, de un fallo de programación o simplemente de que la ventaja estadística nunca existió.
Esta falta de transparencia dificulta enormemente la gestión psicológica durante los drawdowns.
Si no comprendes cómo funciona tu estrategia, tampoco podrás confiar en ella durante sus peores momentos.
3.6 La calidad de los datos
Existe un viejo principio en informática que sigue siendo completamente válido:
«Garbage in, garbage out».
Si los datos utilizados para entrenar el modelo contienen errores, el resultado también será erróneo.
Entre los problemas más habituales destacan el sesgo de supervivencia, el look-ahead bias, los errores en los cambios de vencimiento de futuros, precios incorrectos, valores atípicos y una gestión inadecuada de dividendos o ampliaciones de capital.
Mientras que un sistema sencillo puede soportar relativamente bien algunos de estos errores, un modelo de inteligencia artificial los incorpora profundamente dentro de sus patrones aprendidos.
El backtest seguirá pareciendo excelente, pero el comportamiento en tiempo real será completamente distinto.
3.7 Expectativas poco realistas
Después de más de tres décadas operando en los mercados puedo afirmar con bastante seguridad que obtener rentabilidades anuales consistentes del 20% al 30%, acompañadas de drawdowns moderados, constituye un resultado extraordinario.
Sin embargo, muchos vendedores de cursos prometen sistemas capaces de obtener rentabilidades del 200% anual con apenas un 5% de drawdown.
Ese tipo de resultados únicamente suele existir dentro de los backtests.
Cuando un operador persigue cifras tan espectaculares termina sobreoptimizando su sistema, omitiendo fases esenciales de validación y aumentando excesivamente el tamaño de sus posiciones porque su estrategia parece ganar el 90% de las veces.
Cuando la realidad demuestra que aquellas cifras eran irreales, las pérdidas pueden ser muy importantes.
El marketing que rodea al trading con inteligencia artificial genera expectativas completamente alejadas de la realidad.
Y unas expectativas poco realistas conducen inevitablemente a malas decisiones. Las malas decisiones, tarde o temprano, terminan convirtiéndose en pérdidas.