El determinismo aplicado a los mercados... 3ª Parte...

La pregunta que debemos hacernos es, ¿servirá toda esta artillería tecnológica y conceptual para resolver el problema de los Mercados?

Si las armas son las adecuadas, entonces el éxito nos aguardará escondido tras el trabajo. Pero si nuestra mente se obstina en considerar a los mercados como lo que no son, estaremos reviviendo el sueño –o la pesadilla- de Einstein. Al acercarnos a los Mercados con el prejuicio de que se esconde algún patrón determinista, una señal por descubrir y modelizar sobre la que los mercados tenderán a converger, estaremos desperdiciando nuestros esfuerzos en la misma medida en la que Einstein se empecinó en encontrar determinismo en los fenómenos cuánticos.

Muchas veces, las dificultades para resolver un problema no provienen de la tecnología o los medios utilizados, sino de las presunciones filosóficas que se hacen sobre el problema. Pero tal vez todo esto suene un poco abstracto. Para concretar y como ejemplo, hablaré de las Redes Neuronales (RN) que tantas veces se ha intentado aplicar a los mercados:

Es indudable que existe un mito alrededor de las RN. Una aureola de misticismo y magia envuelve este campo. Tal vez porque nos hacen recordar al propio cerebro humano, su incomprensible pero eficaz funcionamiento oculto… Cuando se habla de RN sin conocerlas, se hace referencia a las “maravillas” que supuestamente pueden realizar esas “cajas negras”. Como si de una misteriosa fuente de conocimiento se encerrase detrás de los ordenadores programados en base a estas ideas.

Pero cuando un mito amenaza con imponer una percepción errónea de la realidad más allá del sentido común, el mejor antídoto contra sus potencialmente perniciosos efectos suele ser algo tan sencillo como saber algo sobre lo que hablamos. Conozcamos pues grosso modo qué son, qué pueden hacer y qué no, las famosas RN. Después, estaremos en condiciones de saber si estas técnicas pueden aplicarse con éxito a los mercados financieros. O estaremos desperdiciando nuestros esfuerzos.

Una RN tiene poco o casi nada que ver con las neuronas que forman nuestro cerebro. En realidad el nombre les viene de las simples interconexiones que pueden haber entre cada una de sus “células”. Células a las que se llamó “neuronas” al forzar su analogía con lo que entonces se sabía sobre el sistema nervioso de los vertebrados.

En términos matemáticos (que suelen ser los más aburridos, pero también los más útiles y claros a la hora de saber de qué estamos hablando), una RN lo que hace al “aprender”, es manifestar dependencias no lineales de espacios n-dimensionales (las variables input que le metemos a la red) en espacios m-dimensionales (las variables output que nos da). Serán estas dependencias aprendidas las que posteriormente servirán para “predecir” el futuro, sacando nuevos outputs a partir de nuevos inputs.

En otras palabras, lo que hacemos con la RN al entrenarla es enseñarle qué salidas deseamos que nos dé en función de los datos que le metemos previamente. Es en este proceso de entrenamiento cuando la RN “aprende” a detectar patrones, pautas, o modelos ocultos entre los datos de entrada.
Hay muchos tipos de RN, aunque en esencia lo que hacen es modelizar procesos que de otra forma sería casi imposibles de modelizar. Al enseñar a la RN cómo tienen que ser los datos de salida durante su proceso de aprendizaje, podemos esperar que con nuevos datos nos dé una estimación bastante probable de lo que puede ocurrir en el futuro... "CONTINUARA"