Hay una idea que en los mercados financieros parece tan evidente que rara vez nos detenemos a discutirla: si un modelo predictivo calcula mejor el valor de algo, debería ayudarnos a tomar mejores decisiones con nuestro dinero. Tiene sentido. Si dos personas intentan comprar una casa y una de ellas sabe estimar su valor con mucha mayor precisión, probablemente preferimos seguir a esa persona. Llevemos la misma lógica a Wall Street, agregamos millones de datos y una red neuronal, y obtenemos una de las grandes promesas de la inteligencia artificial aplicada a las finanzas.
El problema es que una mejor respuesta matemática no siempre produce una mejor decisión económica. Eso es precisamente lo que ha investigado Juan Pablo Licona Luque, investigador mexicano formado en administración financiera y ciencias computacionales, cuyo trabajo se ha concentrado en la intersección entre inteligencia artificial y finanzas cuantitativas. En lugar de quedarse con la pregunta habitual de sí un modelo puede predecir mejor un precio, Juan Pablo ha ido un paso más allá: ¿qué ocurre cuando esa predicción se convierte en una decisión real de inversión?
La diferencia parece menor. No lo es. En uno de sus primeros trabajos sobre opciones financieras - contratos cuyo valor depende de otros activos-, Juan Pablo propuso comparar una red neuronal con un método tradicional de valuación. La prueba utilizó información histórica de opciones de Tesla y una muestra de evaluación cercana a 46 millones de observaciones. La red neuronal fue considerablemente más precisa. El modelo seleccionado obtuvo un error absoluto medio de alrededor de 1.20 dólares, frente a más de 9 dólares del modelo binomial utilizado como referencia.
Hasta ahí la historia parecía satisfactoria: la inteligencia artificial reducía considerablemente el error y el resultado parecía confirmar la intuición inicial. Pero Juan Pablo se hizo después una pregunta bastante más inquietante: ¿y si el modelo más preciso no es el que gana más dinero?
Pensemos en una aplicación de navegación, como la que usan todos los conductores de automóviles. Podemos construir el mejor algoritmo del mundo para encontrar la ruta más corta entre dos puntos. Incluso podemos demostrar que ninguna otra aplicación consigue ahorrar tantos metros.
Luego lo usamos en la Ciudad de México a las seis de la tarde. De pronto aparecen tráfico, casetas, calles cerradas, combustible y ese pequeño detalle de que la calle que matemáticamente parecía perfecta lleva veinte minutos sin moverse. El algoritmo no estaba necesariamente equivocado. Nosotros confundimos “distancia mínima” con “mejor viaje”.
En una investigación posterior liderada por Juan Pablo se probó algo parecido pero en los mercados financieros. Se analizaron 18.2 millones de observaciones de opciones sobre empresas del S&P 500 y compararon modelos clásicos contra técnicas de aprendizaje automático. Las herramientas de IA volvieron a ser mejores en la métrica más obvia: redujeron aproximadamente un 34% el error de valuación frente a Black-Scholes.
Después utilizaron esas estimaciones para generar operaciones. Y ahí apareció la paradoja que vuelve más interesante el trabajo de Juan Pablo: los modelos que calculan los precios con mayor precisión produjeron peores resultados ajustados por riesgo bajo la estrategia analizada.
Conviene aclararlo porque sería muy fácil escribir el titular equivocado. El hallazgo no es que “la inteligencia artificial perdió contra las matemáticas de siempre”, ni que los modelos de IA sean malos para los mercados. De hecho, la IA seguía siendo mejor calculando precios.
Lo que Juan Pablo identificó fue otra cosa: una desconexión entre la métrica con la que entrenamos un modelo y el objetivo económico para el que terminamos utilizándolo. El detalle está en los errores. Para una fórmula estadística, equivocarse un poco hacia arriba o hacia abajo puede tener un costo parecido. Para un inversionista, no. Algunos errores simplemente quedan en una base de datos; otros activan una compra y ponen dinero real en riesgo.
En el experimento, algunas de las sobreestimaciones más problemáticas se concentraban en opciones baratas y con poca liquidez. Dicho de otra manera: el modelo podía equivocarse menos en promedio, pero equivocarse de una forma especialmente costosa cuando sus predicciones se convertían en operaciones. Ése es el punto importante del trabajo.
No basta con mejorar una estadística y asumir que también mejoramos el sistema completo. En inteligencia artificial nos hemos acostumbrado a presumir números: menor error, mayor precisión, más parámetros, más velocidad. Son útiles, por supuesto. El problema empieza cuando el indicador se convierte en sustituto del objetivo.
Juan Pablo me explica que en finanzas esa diferencia es especialmente brutal porque el mundo real cobra comisión. Hay spreads, liquidez, capital limitado, costos de transacción y riesgo. Una predicción no vive en una hoja de cálculo: alguien debe decidir qué hacer con ella.
La aportación de Juan Pablo fue mostrar que una mejora en precisión no necesariamente se traduce en una mejor decisión económica. Sus primeros resultados revelaron que una red neuronal podía superar ampliamente a un método tradicional en precisión; el siguiente paso fue demostrar que esa ventaja estadística no podía considerarse equivalente a una ventaja económica. Son dos preguntas diferentes y, por tanto, necesitan evaluaciones diferentes.
La distinción parece específica de Wall Street, pero probablemente será cada vez más importante fuera de él. Conforme entreguemos a sistemas de inteligencia artificial decisiones sobre crédito, logística, seguros o administración de recursos, tendremos la tentación de preguntar cuál modelo obtiene el número más alto en determinada prueba.
El trabajo de Juan Pablo sugiere una pregunta menos vistosa, pero bastante más útil: ¿La métrica que estamos mejorando representa realmente la decisión que queremos mejorar? Porque construir una inteligencia artificial que se equivoque menos es difícil. Construir una que se equivoque menos en aquello que realmente importa es un problema bastante más interesante.