Avanzando en el Análisis Financiero con Flujos de Orden Generados por IA

En los últimos años, ha habido mucha emoción en el mundo de la inteligencia artificial, especialmente con los modelos de lenguaje grandes que impulsan muchas aplicaciones hoy en día. Estos modelos se están usando cada vez más en diferentes campos, incluyendo las finanzas. Como los mercados financieros generan un montón de datos, los investigadores están ansiosos por encontrar mejores maneras de analizar esos datos para entenderlos. Este artículo se adentra en cómo desarrollamos un sistema de IA especial diseñado para comprender mejor los datos financieros a través de la generación de flujo de órdenes, que describe cómo se colocan las órdenes en un mercado.

#Series Temporales Financieras y Datos del Mercado

Imagina que estás en un mercado lleno de gente gritando precios y tratando de comprar y vender cosas. Los mercados financieros operan de una manera algo similar en la que compradores y vendedores colocan órdenes para comprar acciones y otros activos a varios precios. Los investigadores suelen estudiar estos comportamientos de compra y venta para detectar tendencias y patrones.

Los métodos tradicionales que se usan para mirar estos datos generalmente se enfocan en tendencias a lo largo del tiempo, pero eso puede pasar por alto algunos detalles importantes. Recientes esfuerzos han cambiado hacia el uso de técnicas de IA, particularmente las llamadas Redes Generativas Antagónicas (GANs), para ayudar a generar datos de series temporales. ¿El problema? Estos métodos a veces tienen dificultades para captar todo lo que está ocurriendo en el mercado, especialmente cuando se trata de los detalles finos de cómo se hacen las órdenes, lo que se llama microestructura del mercado.

#Los Desafíos de Modelar Datos Financieros

Cuando intentas imitar la forma en que funcionan los mercados, no es suficiente con solo escupir precios promedio. El comportamiento real del mercado se ve influenciado por muchos factores, incluyendo qué tan rápido llegan las órdenes y a qué precios. Los investigadores han intentado construir modelos que tengan en cuenta esto, pero enfrentan obstáculos como la necesidad de cálculos complejos y la dificultad de alimentar al modelo con suficientes datos variados para predecir con precisión movimientos futuros.

Imagina que intentas hornear un pastel pero solo tienes unos pocos ingredientes. ¡Podrías terminar con un panqueque plano en su lugar! De manera similar, si un modelo no tiene suficientes datos diversos, sus predicciones pueden fallar, dejándote con un resultado poco sabroso.

#Construyendo Nuestro Modelo

En nuestra búsqueda por crear un mejor modelo financiero, ideamos un sistema llamado transformador generativo preentrenado (GPT). Puedes pensar en esto como enseñarle a un robot cómo hablar el idioma de los mercados alimentándolo con muchos ejemplos de mensajes sobre cómo se colocan las órdenes.

Construimos este modelo para trabajar dentro de un simulador que imita el comportamiento del mercado. Al alimentarlo con datos históricos, como un chef aprendiendo de recetas clásicas, nuestro modelo aprende a generar nuevos flujos de órdenes que se ven exactamente como lo que verías en los mercados del mundo real.

#Entrenando con Datos de Mercados Reales

Los datos históricos son como un tesoro para nuestro modelo. Usamos información de Nasdaq, mirando específicamente un conjunto de datos rico en detalles sobre varios tipos de órdenes y transacciones. Al alimentar estos datos a nuestro modelo, le permitimos aprender sobre varios tipos de órdenes, como nuevas órdenes, órdenes ejecutadas y cancelaciones.

Para obtener una imagen completa, nos aseguramos de incluir una variedad de datos, incluso los mensajes más oscuros que a menudo se omiten en estudios más simples. Este enfoque exhaustivo garantizó que nuestro modelo pudiera captar incluso esos detalles complicados sobre cómo se realizan las órdenes que normalmente se ignoran.

#Tokenización: Transformando Datos en Lenguaje

A continuación, transformamos nuestros datos en un lenguaje que el modelo pueda entender. Al descomponer los mensajes de órdenes en partes más pequeñas, conocidas como tokens, convertimos datos crudos en un formato estructurado. Piensa en esto como tomar un libro de recetas desordenado y organizarlo en capítulos para que sea más fácil de consultar.

Cada mensaje de orden se convirtió en un formato predecible, permitiendo que el modelo se enfocara en los componentes esenciales. De esta forma, pudo aprender a formar oraciones, o mejor dicho, flujos de órdenes, de manera coherente.

#La Arquitectura del Modelo

Luego diseñamos nuestro modelo usando una arquitectura moderna llamada transformador. Esta arquitectura es como el coche nuevo y llamativo que ves en la carretera: es elegante, eficiente y capaz de manejar tareas complejas. Nuestro modelo tenía millones de parámetros, que son como los componentes diminutos que hacen que todo funcione sin problemas.

Al emplear este enfoque avanzado, equipamos a nuestro modelo con la capacidad de no solo analizar los datos, sino también generar respuestas que se asemejan mucho al comportamiento real del mercado.

#Entrenamiento y Ajustes Fino

Entrenar nuestro modelo no fue tarea fácil. Empezamos preentrenándolo con una gran cantidad de datos, permitiéndole aprender lo básico. Después, lo ajustamos usando datos específicos de una sola acción, lo cual es parecido a darle a un músico práctica con una canción en particular después de que ha aprendido lo básico.

Durante el entrenamiento, nos enfocamos en optimizar el modelo para que predijera con precisión las futuras órdenes basándose en las anteriores. Esto nos ayuda a crear un flujo de órdenes más realista, permitiendo a los usuarios estudiar cómo podrían comportarse los mercados bajo diferentes condiciones.

#Trabajando con el Simulador

Con nuestro modelo entrenado en su lugar, lo integramos en un simulador de eventos discretos (DES). Imagina un mercado virtual donde nuestro modelo toma el papel de un trader, generando órdenes basadas en lo que ha aprendido. Este simulador nos permite probar la efectividad del modelo en tiempo real.

Configuramos el simulador para que comenzara a generar mensajes después de que el mercado abriera, que es el momento más ocupado para las transacciones. Esto nos ayudó a enfocarnos en la parte más activa del comportamiento del mercado, haciendo que nuestro análisis fuera más relevante.

#Evaluando el Desempeño del Modelo

Una vez que nuestro modelo estaba en funcionamiento, necesitábamos evaluar su desempeño. Esto implicaba comparar los mensajes generados con los mensajes reales recolectados del mercado. Queríamos ver si nuestro modelo podía imitar exitosamente los comportamientos observados en el trading real.

Al observar estadísticas clave y características de los flujos de órdenes generados, pudimos evaluar qué tan bien nuestro modelo capturó la esencia del comportamiento real del mercado, verificando cosas como los tipos de órdenes y la velocidad con la que se colocaron.

#Perspectivas del Simulador

Después de realizar numerosos ensayos, descubrimos mucho sobre cómo se comportaba nuestro modelo. Comparamos los mensajes generados con los reales y encontramos que los tipos de órdenes coincidían estrechamente. Sin embargo, el modelo parecía tener un poco de dificultad para predecir ciertos tipos de órdenes de reemplazo, probablemente debido a la complejidad involucrada.

A pesar de esto, se desempeñó bien en otras áreas, como replicar las tasas de interarribo de los diferentes tipos de órdenes. Esto es similar a medir con qué frecuencia los clientes hacen órdenes en una tienda ocupada; ¡nuestro modelo capturó bien esos momentos de actividad!

#Medición de Liquidez y Spreads

La liquidez es crucial en los mercados financieros y se refiere a qué tan rápido se puede comprar o vender un activo sin afectar su precio. En nuestros experimentos, medimos la liquidez observando el volumen promedio de órdenes a los mejores precios de oferta y demanda junto con el spread entre ellos.

Si bien nuestro modelo pudo producir algunas medidas de liquidez realistas, hubo momentos en que no replicó completamente el promedio esperado. Esto indica que aún hay espacio para mejorar en el ajuste de cómo nuestro modelo maneja este aspecto del comportamiento del mercado.

#Simulando Retornos y Volatilidad

El concepto de retornos es fundamental en finanzas, representando el beneficio de una inversión. Evaluamos qué tan bien nuestro modelo podría simular los retornos observando la distribución de retornos producidos por los flujos de órdenes generados.

Curiosamente, encontramos que nuestro modelo capturó la naturaleza de cola pesada de los retornos, lo que significa que predijo más movimientos extremos que los promedio.

La volatilidad, o cuánto fluctúa el precio de un activo, también fue un enfoque de nuestro estudio. A través de varios métodos, confirmamos que nuestro modelo capturó eficazmente la tendencia de la volatilidad a agruparse, lo que significa que los períodos de alta volatilidad tienden a ser seguidos por más períodos de alta volatilidad.

#Capacidades Predictivas

Un aspecto impresionante de nuestro modelo es su capacidad para generar trayectorias de precios futuros plausibles a partir de los flujos de órdenes que produce. Aunque nuestro modelo no fue específicamente entrenado para predecir precios, hizo un buen trabajo al imitar el comportamiento de precios que se veía realista.

En nuestras pruebas, los valores acumulativos de dinero y acciones negociadas coincidían estrechamente con los datos del mundo real. Las trayectorias de precios también se parecían a la naturaleza áspera y variable de los datos financieros reales, lo cual es tranquilizante considerando que el modelo no fue programado directamente para predecir precios.

#Limitaciones del Modelo

Por supuesto, cada modelo tiene sus limitaciones. Uno de nuestros mayores retos fue el tiempo de inferencia; generar mensajes tomó más tiempo del deseable, lo que dificultó realizar experimentos grandes en un marco de tiempo práctico. ¡Piénsalo como esperar tu comida en un restaurante que va un poco lento en el servicio!

Debido a esta alta demanda computacional, aún queda trabajo por hacer para que el modelo sea más eficiente y aplicable a mayor escala. Mejorar nuestro hardware o explorar diferentes arquitecturas de modelos podría ayudar a abordar algunos de estos problemas.

#Direcciones Futuras

Mirando hacia adelante, hay varias áreas que podemos desarrollar más. Estamos ansiosos por explorar comportamientos de mercado más complejos y cómo los cambios en factores externos, como eventos de noticias, afectan los patrones de trading.

Con más avances, podemos considerar expandir nuestro modelo para manejar múltiples clases de activos e incluso incorporar fuentes adicionales de datos para informar mejor las predicciones.

#Conclusión

En resumen, nos propusimos construir un modelo que genere flujos de órdenes que se asemejen a los comportamientos reales del mercado, y hemos logrado avances significativos hacia ese objetivo. Los resultados son prometedores, mostrando un alto nivel de realismo y el potencial para aplicaciones prácticas en los mercados financieros.

Al utilizar técnicas modernas de aprendizaje profundo y alimentar el modelo con datos históricos ricos, hemos creado una herramienta que abre la puerta para futuras investigaciones y aplicaciones. Con ajustes y expansiones adicionales, esperamos descubrir aún más sobre la intrincada danza de las finanzas.