El aprendizaje automático (ML) se refiere a un conjunto de modelos de ciencia de datos capaz de aprender de los datos y mejorar su rendimiento de forma progresiva. Los orígenes del ML se sitúan en las décadas de 1950 y 1960, cuando la comunidad científica comenzó a explorar la posibilidad de replicar el aprendizaje humano mediante programas informáticos. En este contexto, el ML extrae conocimiento a partir de los datos, el cual puede ser utilizado para predicciones y la generación de nueva información. Esta información ayuda a reducir la incertidumbre, al proporcionar indicaciones sobre cómo resolver problemas específicos. El ML es muy útil en tareas que no pueden ser resueltas mediante una solución analítica explícita, como el procesamiento de imágenes y voz, el reconocimiento de patrones o la clasificación en escenarios complejos.
Entre las aplicaciones a destacar del ML en los campos de economía y finanzas, hay una que nace de la necesidad de actualizar los indicadores económicos tradicionales, ya que estos tienen diversas limitaciones. A menudo, están disponibles en intervalos algunas veces infrecuentes, como es el caso de las mediciones trimestrales del PIB. Además, suelen estar construidos para unidades geográficas agregadas, como los estados nacionales, con muy poca granularidad espacial. Ante esto, la predicción de precios es uno de los temas más recurrentes de las investigaciones de ML aplicado a problemas de economía y finanzas, como pronóstico de la serie diaria de precios futuros del petróleo mediante el uso de redes neuronales.
Desde entonces, las aplicaciones de modelos similares se han ampliado en múltiples direcciones. Por otro lado, la combinación de modelos de ML y econométricos también es un enfoque común. Por ejemplo, el desarrollo de un modelo autorregresivo no lineal dinámico con entradas exógenas, para mejorar el comportamiento de modelos econométricos. Otro enfoque es el de descomposición empírica en conjunto para descomponer el precio internacional de portafolios de renta variable soportado en redes neuronales. También desarrollan el modelo de Máquinas de Soporte Vectorial, como un conjunto de herramientas que clasifican datos de manera eficiente y son útiles para predecir resultados financieros como el precio de una acción, lo que permite corregir errores en la heterocedasticidad (medición de la varianza de los errores) para predecir los componentes no lineales y variables en el tiempo de activos de renta variable. El más reciente enfoque se dedica a examinar la exposición de los rendimientos sectoriales de acciones a cambios en los factores de riesgo del petróleo entre los mercados BRICS (Brasil, Rusia, India, China y Sudáfrica) para lo cual se usa la técnica de bosques aleatorios (la técnica de Bosques Aleatorios o Random Forest es un método de aprendizaje supervisado utilizado tanto para problemas de clasificación como de regresión).
Desde el punto de vista del trading algorítmico, las investigaciones pertenecen a un pequeño subconjunto donde se combinan modelos de ML y de optimización. De esta forma, existen modelos basados en lógica difusa, extensión de la lógica clásica que permite trabajar con valores que no son estrictamente verdaderos o falsos, sino que pueden estar en un rango de valores entre ambos extremos, y ML para modelar las estrategias de los agentes de trading en el mercado bursátil. Igualmente, otras aplicaciones seleccionan las reglas de trading en el mercado de futuros del petróleo crudo a través de algoritmos genéticos (una técnica de optimización y búsqueda inspirada en los principios de la evolución natural, como la selección natural y la genética).
Otros emplean modelos de Máquinas de Soporte Vectorial para realizar ofertas estratégicas en los mercados de electricidad. De igual forma, los académicos corporativos usan con frecuencia técnicas de ML para formular métodos que predicen el futuro del mercado económico y diseñar un sistema de trading efectivo para maximizar las ganancias. En los últimos años, un número creciente de investigadores usan los métodos de ML en el movimiento de precios y la volatilidad de diferentes tipos de instrumentos financieros. A continuación, en la Tabla 1, se observa la comparación de técnicas de ML desde las ventajas, desventajas y aplicaciones en economía y finanzas.
| Técnica | Ventajas | Desventajas | Aplicaciones |
| Máquina de soporte vectorial |
-Velocidad de clasificación -Tolerancia a atributos irrelevantes -Tolerancia a redundancia en los datos -Acepta problemas lineales y no lineales |
-Baja velocidad de aprendizaje -Tolerancia baja a valores perdidos -Sobreajustes -Tolerancia media al ruido -Capacidad de explicación -Manejo de hiperparámetros |
-Clasificación -Regresión -Pronóstico de series de tiempo |
| Bosques aleatorios |
-Sin sobreajuste -Combinación de varios predictores de árboles -Límite superior de error |
-Funciona como una caja negra -Se desconocen heurísticas (algoritmos matemáticos de búsqueda para solución de problemas de búsqueda hacia adelante o hacia atrás) de búsqueda de soluciones -Baja capacidad de explicación |
-Clasificación -Regresión -Pronóstico de series de tiempo |
| Redes neuronales |
-Velocidad de clasificación -Manejo de atributos binarios continuos -Aprendizaje incremental |
-Baja tolerancia a atributos irrelevantes en los datos -Manejo del riesgo de sobreajuste bajo -Baja capacidad de explicación -Se requiere manejo de hiperparámetros |
-Clasificación -Regresión -Pronóstico de series de tiempo |
A partir de la Tabla 1 se presenta una serie de cualidades en términos de ventajas y desventajas para las técnicas de ML: máquina vectorial, bosques aleatorios y redes neuronales, con las cuales los investigadores podrán elegir la técnica o las técnicas más convenientes en función de las necesidades de aplicación de ML en problemas de economía y finanzas. Con referencia a investigaciones relacionadas con futuras aplicaciones de ML en economía y finanzas, se tiene la predicción de volatilidad, con técnicas como Máquina de soporte vectorial y redes neuronales, que de forma híbrida mejoren la capacidad de desempeño de predicción.
Sin embargo, es necesario incrementar el número de investigaciones relacionadas con el modelado de la volatilidad y la gestión de riesgos en mercados de activos de renta variable. Por ejemplo, la cuantificación de información no estructurada y cualitativa, para lo cual el ML proporciona herramientas poderosas para cuantificar y clasificar datos no estructurados y cualitativos con fines de predicción e inferencia causal. Estos métodos se han utilizado en predicción de precios del mercado energético y en modelos actuariales; sin embargo, existe un gran potencial para expandir aún más la aplicación del ML en la combinación de datos cuantitativos, cualitativos y no estructurados. Otros ejemplos incluyen la conversión de informes financieros basados en texto de diversas empresas y los resultados de los medios para determinar sus posiciones desde el punto de vista de indicadores financieros y económicos. Por otro lado, recientes investigaciones usan el ML para automatizar la caracterización de necesidades económicas, financieras y sociales en países en vía de desarrollo.
Las empresas cada vez más trabajan para automatizar decisiones que afectan a los consumidores de maneras importantes, pero en algunos casos esto puede aumentar la opacidad en comparación con la toma de decisiones humanas. En resumen, el ML tiene un gran potencial para transformar el análisis económico y financiero al mejorar la capacidad de predecir tendencias y gestionar riesgos de manera más eficiente. A medida que la tecnología continúa evolucionando, estas herramientas serán cada vez más importantes para los profesionales del sector.
*Las opiniones expresadas en este espacio no comprometen el pensamiento institucional.
