Hoy quiero escribir acerca del trading algorítmico sin machine learning (en adelante, “trading sin IA”), y sus similitudes con el trading algorítmico con machine learning, específicamente el basado en redes neuronales profundas o deep learning (en adelante, “trading con IA”). La inteligencia artificial y el machine learning han sido un gran aporte a las finanzas cuantitativas, aportando valor a estrategias de arbitraje estadístico o stat arb, o reversión de la media, etc.; e incluso a otros tipos de trading más avanzados como el trading de alta frecuencia, y también al trading basado en el análisis técnico tradicional propiamente dicho (con chartismo americano, chartismo japonés o de acción de precio, o mediante indicadores técnicos tradicionales u otros no convencionales).
Este último tipo de trading algorítmico tampoco debería ser descartado de mi consideración, y lo digo porque el análisis técnico tradicional podría ser también un complemento que nutra los valores de entradas o inputs de un modelo neuronal. Es decir, podrían tener un papel importante en la ingeniería de características. Por lo tanto, no deberíamos restar importancia ni perder el respeto a los aportes que han hecho visionarios como Bill Williams, Welles Wilder Jr. y otros adelantados a su época, descartándolos y minimizando el valor que pueden ofrecer para mejorar la calidad de nuestros modelos.
En fin, nombraré cinco puntos que tienen en común el trading con IA y el trading sin IA, y que me parecen interesantes desde el punto de vista del desarrollo y la ejecución (seguramente existen otros, que esperaré de los lectores en comentarios).
Ambos tipos de trading no solo tienen cosas en común, sino que además son un perfecto complemento.
1) El manejo del riesgo: esto es básico, pero imprescindible para ambos tipos de trading. No existe algo 100% perfecto, ni siquiera en el trading con IA, aunque nos sorprenda. Tampoco pienso que en ambos tipos de trading se debería buscar algo perfecto (que se puede lograr, pero nos llevaría sin duda a un sobreajuste a datos históricos o sobreoptimización, o a la memorización en nuestro modelo neuronal, con resultados pocos favorables luego de ser ejecutado el algorítmico en un entorno real de cotizaciones). Por lo tanto, como no hay algo perfecto ni deberíamos buscarlo, el riesgo debe ser predefinido, a través de un clásico stop loss: no se debería perder el respeto al mercado.
2) División de datos históricos en el proceso de backtesting o entrenamiento de la red neuronal: tanto en el trading sin IA como en el trading con IA esto es CLAVE —y es por eso que lo pongo en mayúscula—; nadie lo pone en duda. En el trading sin IA aplicamos procesos de optimización, para encontrar buenos parámetros que logren una buena performance de nuestra estrategia en el backtesting (prueba de la estrategia con datos históricos o pasados), pero no podemos utilizar el 100% de nuestros datos históricos para optimizar nuestra estrategia; o, en el caso del trading con IA, utilizar el 100% de nuestros datos históricos para entrenar el modelo neuronal: esto sería un pecado.
En ambos tipos de trading debemos dividir la totalidad de nuestros datos históricos, por lo menos, en tres conjuntos de datos. El primero, para el proceso de optimización de la estrategia en el trading sin IA o para el proceso de entrenamiento de la red neuronal; el segundo, para la evaluación o validación de lo anterior; y el tercero —y el definitivo— para hacer una prueba con datos nuevos no incluidos en los anteriores conjuntos de datos, que nos puede dar el veredicto final.
La división del total de datos podría ser del 80%, 10% y 10% para el primero, segundo y tercer conjunto de datos respectivamente; o del 70%, 15% y 15%, entre las recomendadas generalmente para ambos tipos de trading.
3) El 20% de importancia del modelo neuronal o la estrategia: ¿cuántas veces nos han dicho que en el trading la estrategia solo tiene un 20% de importancia? El resto significativo de la importancia se debe conceder a la administración del riesgo y, claro, a la psicología, que tampoco queda del todo alejada del trading algorítmico. Si bien son algoritmos los que ejecutan las estrategias, y no personas susceptibles a estados emocionales, son estas últimas quienes deciden que los algoritmos se sigan ejecutando o se detengan, cuando por un estado emocional se soporta, o no, una racha negativa.
Por otra parte, es normal que se escuche decir también que en el trading con IA el modelo de red neuronal (formado por una combinación de capas, unidades ocultas o neuronas, y funciones de activación lineales y no lineales) tiene un grado de importancia similar al de la estrategia en el trading sin IA. Y que la importancia significativa en el trading con IA, además de la gestión de riesgo, tiene mucho más que ver con la manipulación, cantidad y calidad de los datos para entrenar el modelo de red neuronal, antes que con el diseño del modelo de red neuronal.
4) Prueba y error: en ambos tipos de trading existe inevitablemente este proceso continuo de prueba y error, claramente en entornos de desarrollo, ya sea para encontrar los parámetros correctos de una estrategia en el trading sin IA como para encontrar el modelo neuronal adecuado para el trading con IA. Este proceso insume un tiempo de trabajo que dependerá muchas veces también del siguiente y último punto que consideraré.
5) El hardware y el monitoreo: en ambos tipos de trading, ya sea para el proceso de optimización de la estrategia en el trading sin IA como para el entrenamiento de redes neuronales, además de un buen uso de la memoria por parte de nuestro algoritmo, necesitamos un buen equipo informático o hardware, un buen procesador, GPU, etc. Ello nos puede dar, entre tantas otras bondades, más rapidez en nuestro tiempo de desarrollo, y en la ejecución de nuestros algoritmos.
Para terminar, quiero destacar la importancia en ambos tipos de trading algorítmico de un monitoreo periódico, o por lo menos constante, para la prevención o corrección de posibles fallas o caídas del servidor donde están alojados y donde se ejecutan dichos algoritmos, o para actualizaciones de software, o incluso un control para detectar fallas humanas como errores internos de código o bugs. No debemos olvidar la historia de Knight Capital, con el fallo de software que ocasionó un desastre bursátil de 440 millones de dólares en 45 minutos; ni del Flash Crash del 2010 causado por un sistema de alta frecuencia. Aun cuando estos eventos se alejen de la realidad y posibilidad de nuestro proyecto, ningún sistema debería ser ejecutado y simplemente tratado con descuido u olvido irresponsable.