Inteligencia Artificial en Finanzas

Prefacio

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

¿Llegará el alfa a cero en todas las estrategias de inversión imaginables? Más fundamentalmente, ¿se acerca el día en que, gracias a tanta gente inteligente y a ordenadores más inteligentes, los mercados financieros sean realmente perfectos y podamos sentarnos, relajarnos y asumir que todos los activos tienen un precio correcto?

Robert Shiller (2015)

La inteligencia artificial (IA) se convirtió en una tecnología clave en la década de 2010 y se supone que será la tecnología dominante en la década de 2020. Espoleadas por las innovaciones tecnológicas, los avances algorítmicos, la disponibilidad de big data y una potencia de cálculo cada vez mayor, muchas industrias están experimentando cambios fundamentales impulsados por la IA.

Aunque la atención de los medios de comunicación y del público se centra sobre todo en los avances en áreas como los juegos y los coches autoconducidos, la IA también se ha convertido en una importante fuerza tecnológica en el sector financiero. Sin embargo, puede decirse con seguridad que la IA en las finanzas se encuentra todavía en una fase incipiente, en comparación, por ejemplo, con sectores como la búsqueda en Internet o las redes sociales.

Este libro se propone cubrir una serie de aspectos importantes relacionados con la IA en las finanzas. La IA en las finanzas es ya un tema muy amplio, y un solo libro debe centrarse en aspectos seleccionados. Por lo tanto, este libro cubre primero los aspectos básicos (ver Parte I y Parte II). A continuación, se centra en el descubrimiento de ineficiencias estadísticas en los mercados financieros mediante el uso de la IA y, más concretamente, de las redes neuronales (véase la Parte III). Tales ineficiencias -encarnadas por algoritmos de IA que predicen con éxito futuros movimientos del mercado- son un requisito previo para la explotación de las ineficiencias económicas mediante el comercio algorítmico (véase la Parte IV). Ser capaz de explotar sistemáticamente las ineficiencias estadísticas y económicas resultaría contradictorio con una de las teorías establecidas y piedras angulares de las finanzas: la hipótesis del mercado eficiente (HME ). El diseño de un robot de negociación exitoso puede considerarse el santo grial de las finanzas hacia el que la IA podría abrir el camino. El libro concluye analizando las consecuencias de la IA para el sector financiero y la posibilidad de una singularidad financiera (véase la Parte V). También hay un apéndice técnico que muestra cómo construir redes neuronales desde cero a partir de código Python sencillo y proporciona ejemplos adicionales para su aplicación (ver Parte VI).

El problema de aplicar la IA a las finanzas no es muy distinto del problema de aplicar la IA a otros campos. Algunos grandes avances de la IA en la década de 2010 fueron posibles gracias a la aplicación del aprendizaje por refuerzo (RL) a los juegos de arcade, como los de Atari publicados en la década de 1980 (véase Mnih et al. 2013), y a los juegos de mesa, como el ajedrez o el Go (véase Silver et al. 2016). Las lecciones aprendidas de la aplicación de la RL en contextos de juego, entre otras áreas, se aplican hoy en día a problemas tan desafiantes como el diseño y la construcción de vehículos autónomos o la mejora de los diagnósticos médicos. La Tabla P-1 compara la aplicación de la IA y la RL en distintos ámbitos.

Tabla P-1. Comparación de la IA en distintos ámbitos

Dominio	Agente	Objetivo	Acércate a	Recompensa	Obstáculo	Riesgos
Juegos arcade	Agente de IA (software)	Maximizar la puntuación del juego	RL en un entorno de juego virtual	Puntos y puntuaciones	Planificación y recompensas diferidas	Ninguno
Conducción autónoma	Coche autónomo (software + coche)	Conducir con seguridad del lugar A al B	RL en entorno virtual (juegos), pruebas de conducción en el mundo real	Castigo por los errores	Transición del mundo virtual al físico	Dañar la propiedad, perjudicar a las personas
Comercio financiero	Robot de comercio (software)	Maximizar el rendimiento a largo plazo	RL en un entorno comercial virtual	Rendimientos financieros	Mercados eficientes y competencia	Pérdidas financieras

La belleza de entrenar a agentes de IA para que jueguen a juegos arcade reside en la disponibilidad de un entorno virtual de aprendizaje perfecto¹ y en la ausencia de cualquier tipo de riesgo. Con los vehículos autónomos, el mayor problema surge al pasar de entornos virtuales de aprendizaje -por ejemplo, un juego de ordenador como Grand Theft Auto-al mundo físico, con un coche autoconducido circulando por calles reales pobladas por otros coches y personas. Esto conlleva graves riesgos, como que un coche provoque accidentes o dañe a las personas.

Para un robot de negociación, la RL también puede ser completamente virtual, es decir, en un entorno de mercado financiero simulado. Los principales riesgos derivados del mal funcionamiento de los robots de negociación son las pérdidas financieras y, a nivel agregado, los posibles riesgos sistemáticos debidos al pastoreo de los robots de negociación. En general, sin embargo, el ámbito financiero parece un lugar ideal para entrenar, probar e implementar algoritmos de IA.

Dados los rápidos avances en este campo, incluso debería ser posible para un estudiante interesado y ambicioso, equipado con un portátil y acceso a Internet, aplicar con éxito la IA en un contexto de negociación financiera. Más allá de las mejoras en hardware y software de los últimos años, esto se debe principalmente al auge de los brokers online que suministran datos financieroshistóricos y en tiempo real y que permiten la ejecución de operaciones financieras mediante API programáticas.

El libro está estructurado en las seis partes siguientes.

Parte I

En la primera parte se tratan nociones y algoritmos centrales de la IA en general, como el aprendizaje supervisado y las redes neuronales (véase el Capítulo 1). También trata el concepto de superinteligencia, que se refiere a un agente de IA que posee una inteligencia de nivel humano y, en algunos dominios, una inteligencia de nivel sobrehumano (véase el Capítulo 2). No todos los investigadores en IA creen que la superinteligencia sea posible en un futuro previsible. Sin embargo, el debate sobre esta idea proporciona un marco valioso para hablar de la IA en general y de la IA para las finanzas en particular.

Parte II

La segunda parte consta de cuatro capítulos y trata de la teoría tradicional y normativa de las finanzas (véase el Capítulo 3) y de cómo el campo se transforma con las finanzas basadas en datos (véase el Capítulo 4) y el aprendizaje automático (ML) (véase el Capítulo 5). En conjunto, las finanzas basadas en datos y el ML dan lugar a un enfoque de las finanzas libre de modelos y que da prioridad a la IA, como se expone en el Capítulo 6.

Parte III

La tercera parte trata sobre el descubrimiento de ineficiencias estadísticas en los mercados financieros mediante la aplicación del aprendizaje profundo, las redes neuronales y el aprendizaje de refuerzo. Esta parte abarca las redes neuronales densas (DNN, véase el Capítulo 7), las redes neuronales recurrentes (RNN, véase el Capítulo 8) y los algoritmos del aprendizaje por refuerzo (RL, véase el Capítulo 9) que, a su vez, suelen basarse en las DNN para representar y aproximar la política óptima del agente de IA.

Parte IV

La cuarta parte trata de cómo explotar las ineficiencias estadísticas mediante la negociación algorítmica. Los temas son el backtesting vectorizado (véase el Capítulo 10), el backtesting basado en eventos y la gestión del riesgo (véase el Capítulo 11), y la ejecución e implementación de estrategias de negociación algorítmica potenciadas por IA (véase el Capítulo 12).

Parte V

La quinta parte trata de las consecuencias que se derivan de la competencia basada en la IA en el sector financiero (véase el Capítulo 13). También discute la posibilidad de una singularidad financiera, un momento en el tiempo en el que los agentes de IA dominarían todos los aspectos de las finanzas tal y como las conocemos. El debate en este contexto se centra en las inteligencias financieras artificiales como robots comerciales que generan sistemáticamente beneficios comerciales por encima de cualquier referencia humana o institucional (véase el Capítulo 14).

Parte VI

El Apéndice contiene código Python para el entrenamiento interactivo de redes neuronales (ver Apéndice A), clases para redes neuronales simples y poco profundas que se implementan desde cero a partir de código Python plano (ver Apéndice B), y un ejemplo de cómo utilizar redes neuronales convolucionales (CNN) para la predicción de series temporales financieras (ver Apéndice C).

Nota del autor

La aplicación de la IA a la negociación financiera es todavía un campo incipiente, aunque en el momento de escribir estas líneas hay varios libros disponibles que cubren este tema en cierta medida. Sin embargo, muchas de estas publicaciones no muestran lo que significa explotar económicamente las ineficiencias estadísticas.

Algunos fondos de alto riesgo ya afirman confiar exclusivamente en el aprendizaje automático para gestionar el capital de sus inversores. Un ejemplo destacado es The Voleon Group, un fondo de cobertura que declaró más de 6.000 millones de dólares en activos gestionados a finales de 2019 (véase Lee y Karsh 2020). La dificultad de confiar en el aprendizaje automático para ser más astuto que los mercados financieros se refleja en el rendimiento del fondo, del 7% en 2019, un año en el que el índice bursátil S&P 500 subió casi un 30%.

Este libro se basa en años de experiencia práctica en el desarrollo, backtesting e implementación de estrategias de negociación algorítmica basadas en IA. Los enfoques y ejemplos presentados se basan principalmente en mi propia investigación, ya que el campo es, por naturaleza, no sólo incipiente, sino también bastante reservado. La exposición y el estilo a lo largo de este libro son implacablemente prácticos, y en muchos casos los ejemplos concretos carecen del apoyo teórico adecuado y/o de pruebas empíricas exhaustivas. Este libro presenta incluso algunas aplicaciones y ejemplos que podrían ser vehementemente criticados por expertos en finanzas y/o aprendizaje automático.

Por ejemplo, algunos expertos en aprendizaje automático y profundo, como François Chollet (2017), dudan rotundamente de que sea posible la predicción en los mercados financieros. Algunos expertos en finanzas, como Robert Shiller (2015), dudan de que llegue a existir algo parecido a una singularidad financiera. Otros activos en la intersección de ambos dominios, como Marcos López de Prado (2018), sostienen que el uso del aprendizaje automático para el comercio y la inversión financieros requiere un esfuerzo a escala industrial con grandes equipos y enormes presupuestos.

Este libro no pretende ofrecer una visión equilibrada ni un conjunto exhaustivo de referencias sobre todos los temas tratados. La presentación se rige por las opiniones y experiencias personales del autor, así como por consideraciones prácticas a la hora de proporcionar ejemplos concretos y código Python. Muchos de los ejemplos también se eligen y ajustan para hacer hincapié en determinados puntos o para mostrar resultados alentadores. Por tanto, sin duda puede argumentarse que los resultados de muchos ejemplos presentados en el libro adolecen de fisgoneo de datos y sobreajuste (para un debate sobre estos temas, véase Hilpisch 2020, cap. 4).

El principal objetivo de este libro es capacitar al lector para que utilice los ejemplos de código del libro como marco para explorar el apasionante espacio de la IA aplicada al comercio financiero. Para lograr este objetivo, el libro se basa en una serie de supuestos simplificadores y principalmente en datos de series temporales financieras y características derivadas directamente de dichos datos. En las aplicaciones prácticas, no es necesario limitarse a los datos de series temporales financieras, ya que también podrían utilizarse otros tipos y fuentes de datos. El enfoque de este libro para derivar características supone implícitamente que las series temporales financieras y las características derivadas de ellas muestran patrones que, al menos hasta cierto punto, persisten en el tiempo y que pueden utilizarse para predecir la dirección de los movimientos futuros de los precios.

En este contexto, todos los ejemplos y códigos presentados en este libro son de naturaleza técnica e ilustrativa y no representan ninguna recomendación ni asesoramiento de inversión.

Para quienes deseen implementar los enfoques y estrategias de negociación algorítmica presentados en este libro, mi libro Python for Algorithmic Trading: From Idea to Cloud Implementación (O'Reilly) proporciona más detalles técnicos y orientados al proceso. Ambos libros se complementan en muchos aspectos. Para los lectores que se estén iniciando en Python para finanzas o que busquen un manual de actualización y referencia, mi libro Python for Finance: Mastering Data-Driven Finance (O'Reilly) abarca un amplio conjunto de temas importantes y habilidades fundamentales en Python aplicadas al ámbito financiero.

Referencias

Documentos y libros citados en el prefacio:

• Chollet, François. 2017. Aprendizaje profundo con Python. Shelter Island: Manning.

• Hilpisch, Yves. 2018. Python para Finanzas: Mastering Data-Driven Finance. 2ª ed. Sebastopol: O'Reilly.

• ⸻. 2020. Python para el comercio algorítmico: De la Idea a la Implementación en la Nube. Sebastopol: O'Reilly.

• Lee, Justina y Melissa Karsh. 2020. "El fondo de cobertura de aprendizaje automático Voleon Group obtiene un rendimiento del 7% en 2019". Bloomberg, 21 de enero de 2020. https://oreil.ly/TOQiv.

• López de Prado, Marcos. 2018. Avances en Aprendizaje Automático Financiero. Hoboken, NJ: John Wiley & Sons.

• Mnih, Volodymyr et al. 2013. "Jugando a Atari con aprendizaje profundo por refuerzo". arXiv. 19 de diciembre. https://oreil.ly/-pW-1.

• Shiller, Robert. 2015. "El espejismo de la singularidad financiera". Yale Insights. 16 de julio. https://oreil.ly/VRkP3.

• Silver, David et al. 2016. "Dominar el juego del Go con redes neuronales profundas y búsqueda de árboles". Nature 529 (enero): 484-489.

Convenciones utilizadas en este libro

En este libro se utilizan las siguientes convenciones tipográficas:

Cursiva

Indica nuevos términos, URL, direcciones de correo electrónico, nombres de archivo y extensiones de archivo.

Constant width

Se utiliza en los listados de programas, así como dentro de los párrafos para referirse a elementos del programa como nombres de variables o funciones, bases de datos, tipos de datos, variables de entorno, sentencias y palabras clave.

Constant width bold

Muestra comandos u otros textos que deben ser tecleados literalmente por el usuario.

Constant width italic

Muestra el texto que debe sustituirse por valores proporcionados por el usuario o por valores determinados por el contexto.

Consejo

Este elemento significa un consejo o sugerencia.

Nota

Este elemento significa una nota general.

Importante

Este elemento indica información importante.

Advertencia

Este elemento indica una advertencia o precaución.

Utilizar ejemplos de código

Puedes acceder y ejecutar el código que acompaña al libro en la Plataforma Quant en https://aiif.pqp.io, para lo que sólo se requiere un registro gratuito.

Si tienes una pregunta técnica o un problema al utilizar los ejemplos de código, envía un correo electrónico a [e-mail].

Este libro está aquí para ayudarte a hacer tu trabajo. En general, si se ofrece código de ejemplo con este libro, puedes utilizarlo en tus programas y documentación. No es necesario que te pongas en contacto con nosotros para pedirnos permiso, a menos que estés reproduciendo una parte importante del código. Por ejemplo, escribir un programa que utilice varios trozos de código de este libro no requiere permiso. Vender o distribuir ejemplos de los libros de O'Reilly sí requiere permiso. Responder a una pregunta citando este libro y el código de ejemplo no requiere permiso. Incorporar una cantidad significativa de código de ejemplo de este libro en la documentación de tu producto sí requiere permiso.

Agradecemos la atribución, pero en general no la exigimos. Una atribución suele incluir el título, el autor, la editorial y el ISBN. Por ejemplo, este libro puede atribuirse como: "Inteligencia Artificial en Finanzas" de Yves Hilpisch (O'Reilly). Copyright 2021 Yves Hilpisch, 978-1-492-05543-3".

Si crees que el uso que haces de los ejemplos de código no se ajusta al uso legítimo o al permiso concedido anteriormente, no dudes en ponerte en contacto con nosotros en [e-mail].

Aprendizaje en línea O'Reilly

Nota

Durante más de 40 años, O'Reilly Media ha proporcionado formación tecnológica y empresarial, conocimientos y perspectivas para ayudar a las empresas a alcanzar el éxito.

Nuestra red única de expertos e innovadores comparten sus conocimientos y experiencia a través de libros, artículos y nuestra plataforma de aprendizaje online. La plataforma de aprendizaje en línea de O'Reilly te ofrece acceso bajo demanda a cursos de formación en directo, rutas de aprendizaje en profundidad, entornos de codificación interactivos y una amplia colección de textos y vídeos de O'Reilly y de más de 200 editoriales. Para más información, visita http://oreilly.com.

Cómo contactar con nosotros

Dirige tus comentarios y preguntas sobre este libro a la editorial:

• O'Reilly Media, Inc.
• 1005 Gravenstein Highway Norte
• Sebastopol, CA 95472
• 800-998-9938 (en Estados Unidos o Canadá)
• 707-829-0515 (internacional o local)
• 707-829-0104 (fax)

Tenemos una página web para este libro, donde se enumeran erratas, ejemplos y cualquier información adicional. Puedes acceder a esta página en https://oreil.ly/ai-in-finance.

Envía un correo electrónico a [e-mail] para comentar o hacer preguntas técnicas sobre este libro.

Para obtener noticias e información sobre nuestros libros y cursos, visita http://oreilly.com.

Encuéntranos en Facebook: http://facebook.com/oreilly

Síguenos en Twitter: http://twitter.com/oreillymedia

Míranos en YouTube: http://www.youtube.com/oreillymedia

Agradecimientos

Quiero dar las gracias a los revisores técnicos -Margaret Maynard-Reid, el Dr. Tim Nugent y el Dr. Abdullah Karasan- que hicieron un gran trabajo ayudándome a mejorar el contenido del libro.

Los delegados de los Programas de Certificación en Python para Finanzas Computacionales y Trading Algorítmico también ayudaron a mejorar este libro. Sus continuos comentarios me han permitido eliminar errores y fallos y perfeccionar el código y los cuadernos utilizados en nuestras clases de formación en línea y ahora, por fin, en este libro.

Lo mismo puede decirse de los miembros del equipo de The Python Quants y The AI Machine. En particular, Michael Schwed, Ramanathan Ramakrishnamoorthy y Prem Jebaseelan me apoyan de numerosas maneras. Ellos son quienes me ayudan con los difíciles problemas técnicos que surgen durante la redacción de un libro como éste.

También me gustaría dar las gracias a todo el equipo de O'Reilly Media -especialmente a Michelle Smith, Corbin Collins, Victoria DeRose y Danny Elfanbaum- por haber hecho posible todo esto y haberme ayudado a perfeccionar el libro de muchas maneras.

Por supuesto, todos los errores restantes son sólo míos.

Además, también me gustaría dar las gracias al equipo de Refinitiv -en particular, a Jason Ramchandani- por proporcionar apoyo continuo y acceso a los datos financieros. Los principales archivos de datos utilizados a lo largo del libro y puestos a disposición de los lectores se recibieron de un modo u otro de las API de datos de Refinitiv.

Por supuesto, todos los que hoy hacen uso de la inteligencia artificial y el aprendizaje automático se benefician de los logros y contribuciones de tantos otros. Por lo tanto, deberíamos recordar siempre lo que Sir Isaac Newton escribió en 1675: "Si he visto más lejos es por subirme a hombros de Gigantes". En ese sentido, un gran agradecimiento a todos los investigadores y mantenedores de código abierto que contribuyen al campo.

Por último, un agradecimiento especial a mi familia, que me apoya durante todo el año en mis actividades empresariales y de escritura de libros. En particular, doy las gracias a mi esposa Sandra por cuidar sin descanso de todos nosotros y por proporcionarnos un hogar y un entorno que todos queremos tanto. Dedico este libro a mi encantadora esposa Sandra y a mi maravilloso hijo Henry.

¹ Consulta el Entorno de Aprendizaje Arcade.